Consultant lead scoring : modèle comportemental BigQuery | Ron Kopelman

Un lead scoring qui marche n’est pas une checklist de critères statiques (taille d’entreprise, secteur, fonction) mais un modèle dynamique qui agrège des signaux comportementaux (pages produit visitées, contenus téléchargés, temps cumulé, fréquence de retour) et les croise avec les critères firmographiques. L’objectif : prioriser les leads que vos commerciaux contactent en premier, et ne pas leur faire perdre du temps sur du bruit. Mon forfait lead scoring : 5 800 € HT pour ~9 jours consultant, livré sous 5 semaines.

Pourquoi le scoring statique ne suffit pas

La majorité des CRM (HubSpot, Salesforce, Pipedrive) proposent un scoring “à points” basé sur des critères statiques : +10 si taille supérieure à 50, +5 si fonction “Marketing Director”, -20 si email Gmail. C’est facile à configurer, et c’est utile pour la première qualification — mais ça rate l’essentiel : l’intention réelle.

Un visiteur “DAF d’une grosse boîte” qui a téléchargé un livre blanc et n’est jamais revenu n’est pas un meilleur lead qu’un “Responsable Marketing PME” qui a visité 8 fois le site, regardé 3 pages tarifs, et passé 4 minutes sur la page d’études de cas. Le second a une intention claire ; le premier est probablement de la curiosité.

Le scoring comportemental — qui mesure ces signaux d’intention — est ce qui distingue les pipelines commerciaux qui scalent des pipelines qui patinent.

Les signaux comportementaux qui comptent

Sur les missions B2B que je fais, six signaux remontent comme prédictifs.

Signal	Pondération typique	Source
Pages tarifs / pricing visitées	+20 par visite (max 60)	GA4
Pages produit ou solution visitées multiples	+10 par catégorie (max 40)	GA4
Téléchargements de contenu premium	+15 par téléchargement	GA4
Retours sur le site dans les 14 jours	+10 par retour	GA4
Temps cumulé sur 30 jours	+5 par tranche de 5 min	GA4
Engagement email (open + click)	+5 par open, +10 par click	CRM

À ces signaux GA4 + CRM, on ajoute les critères firmographiques (taille d’entreprise, secteur, fonction, ancienneté du contact) avec leurs propres pondérations. Le score final est typiquement entre 0 et 200, avec des seuils :

0-50 : MQL froid (nurturing automation)
50-100 : MQL chaud (suivi marketing)
100-150 : SQL (transfert commercial)
150+ : SQL prioritaire (suivi immédiat)

Architecture du scoring

GA4 events       BigQuery                CRM (HubSpot/SF)
   │                │                       │
   │ page_view      │                       │
   │ scroll         │                       │
   │ download       │                       │
   │ form_submit    │                       │
   ├───────────────▶│                       │
   │                │                       │
                    │ vue                   │
                    │ ▶ user_signals_30d    │
                    │ ▶ user_score          │
                    │                       │
                    │ Cloud Function        │
                    │ (toutes les heures)   │
                    └──────────────────────▶│ contact.score
                                            │ contact.score_breakdown
                                            │ contact.last_scored_at
                                            │
                                            └──▶ Sales workflow

Le score est recalculé toutes les heures et poussé au CRM. Le commercial voit dans sa vue lead “Score = 127, dont +40 pages tarifs, +30 téléchargements, +25 retours, +32 firmographique” — il sait pourquoi le lead est prioritaire.

Ma méthode de déploiement

Phase 1 — Cadrage business (1 jour)

Demi-journée avec les équipes marketing + commerciales pour cadrer : quels événements de votre site sont prédictifs, quel seuil de score doit déclencher quel workflow CRM, comment les commerciaux exploitent le score au quotidien.

Phase 2 — Modèle SQL BigQuery (3 jours)

Construction de la vue user_signals_30d qui agrège les events GA4 par utilisateur, et de la vue user_score qui applique les pondérations et calcule le score final. Tests sur l’historique 90 jours pour valider que le scoring discrimine bien les SQL réels de votre historique.

Phase 3 — Push CRM via Cloud Function (2 jours)

Cloud Function Python qui interroge BigQuery toutes les heures, formate les scores, push à HubSpot ou Salesforce via API. Mapping : un user_pseudo_id GA4 mapé à un contact CRM via un identifiant commun (email idéalement, capté lors d’un formulaire ou d’un téléchargement).

Phase 4 — Workflows CRM + dashboard (2 jours)

Configuration des workflows HubSpot/Salesforce qui réagissent aux seuils de score (transfert commercial automatique à 100+, nurturing email automatique à 50-100, etc.). Dashboard Looker Studio qui montre la distribution des scores, le taux de conversion par tranche, et l’efficacité du modèle.

Phase 5 — Transfert et calibration (1 jour)

Documentation Notion + session formation. Première calibration des pondérations à 60 jours sur la base des SQL réels — généralement, le modèle initial est correct à 70-80 %, on l’affine ensuite.

Cas concret

SaaS B2B ~2 000 leads/mois, cycle vente 60 jours, équipe commerciale de 6 personnes. Avant la mission : scoring statique HubSpot, 30 % des SQL transmis aux commerciaux étaient des faux positifs (perte de temps), 20 % des vrais SQL n’arrivaient pas (perte de business).

Mission : modèle BigQuery basé sur 6 signaux comportementaux + 4 critères firmographiques. Pondérations calibrées sur 90 jours d’historique. Effort 9 jours sur 5 semaines.

Résultat à 90 jours : faux positifs commerciaux passés de 30 % à 8 %. Vrais SQL captés passés de 80 % à 96 %. Productivité commerciale (SQL converti en opportunité / heure passée) +47 %.

Foire aux questions

Faut-il BigQuery ou peut-on faire dans HubSpot ?

HubSpot a un scoring intégré qui peut couvrir les cas simples. Mais dès qu’on veut croiser comportement GA4 + firmographique + engagement email, ou utiliser des fenêtres temporelles glissantes (les 14 derniers jours, les 30 derniers jours), HubSpot natif est limité. BigQuery devient pertinent.

Et Salesforce Einstein ?

Salesforce Einstein propose du scoring ML “out of the box”. Plus puissant qu’HubSpot natif, mais coûteux (modules complémentaires) et opaque (boîte noire). Sur les structures qui veulent un modèle explicable et auditable, le SQL maison BigQuery reste préférable.

Combien de temps avant d’avoir des résultats ?

Le modèle commence à scorer dès le go live. Mais l’effet sur la productivité commerciale se mesure à 60-90 jours, le temps que les commerciaux adoptent le score et que les workflows soient calibrés. La première calibration importante se fait à 60 jours.

Coût mensuel BigQuery du modèle ?

Pour un site avec ~2 K leads/mois et ~50 K events/jour, le coût BigQuery du scoring est marginal (sous 20 €/mois). Pour les très gros volumes (500 K events/jour), peut monter à 100-200 €/mois.

Consultant lead scoring : modèle comportemental BigQuery + push CRM