Lead scoring ML pour prospection B2B

Contexte

Éditeur SaaS B2B (200 employés, 30M€ ARR). Équipe commerciale de 25 SDR/AE traitant 10 000 leads/mois. Lead scoring basé sur des règles manuelles (secteur, taille, source). Taux de conversion MQL→SQL de 8% - les commerciaux perdent du temps sur des leads non qualifiés.

Problème & Défi

- 10K leads/mois scorés par règles manuelles : aucune intelligence prédictive - Taux de conversion MQL→SQL de 8%. 92% du temps commercial gaspillé sur des leads froids - Cycle de vente moyen de 45 jours → allongement de 15% en 2 ans - Aucune intégration CRM ↔ marketing automation ↔ produit pour le scoring - Top performers convertissent à 18% : écart de 10 points avec la moyenne, non réplicable - Pipeline insuffisant : objectif ARR +40% vs capacité actuelle de +22%

Solution & Livrables

Modèle ML de lead scoring activé intégrant données CRM, marketing automation et usage produit (150 features) Taux de conversion MQL→SQL doublé de 8% à 16% : commerciaux focalisés sur les leads à forte probabilité Scoring temps réel intégré dans le CRM, chaque lead noté en <1s à l'arrivée Cycle de vente divisé, passant de 15% grâce au ciblage des leads les plus mûrs Fondations éprouvées des top performers encodées dans le modèle → écart de performance abaissé de 10 à 3 points Pipeline +35% à effort commercial constant - trajectoire ARR +40% rendue atteignable

Technologies