Scoring automatique des deals : comment ça marche vraiment [2026]

Qu’est-ce que le scoring automatique des deals ?

Le scoring automatique attribue une valeur à chaque deal ouvert à partir des données disponibles. Cette valeur peut représenter une probabilité de closing, un rang relatif ou le respect de critères définis par l’équipe commerciale.

Le calcul combine généralement les champs de HubSpot, Salesforce, Pipedrive ou Attio avec les calls, les emails et l’activité du pipeline. Son objectif n’est pas de remplacer le jugement du rep. Il apporte une lecture cohérente des signaux qui influencent le forecast.

Le scoring répond à trois questions concrètes :

• Probabilité de closing : quelles sont les chances que ce deal aboutisse ?
• Santé du deal : progresse-t-il ou commence-t-il à ralentir ?
• Ordre de priorité : quels deals demandent une action aujourd’hui ?

Un bon score doit rester explicable. Le rep doit comprendre les signaux observés, les informations manquantes et le next step recommandé.

Scoring statique, dynamique ou prédictif : quelles différences ?

Ces approches ne répondent pas aux mêmes besoins. Le bon choix dépend de la complexité de votre pipeline, de la qualité de vos données et du volume de deals historiques.

Scoring statique

Le scoring statique s’exécute une fois, souvent à la création ou à la qualification du deal. Il applique une grille fixe sans suivre les changements ultérieurs.

Cette approche convient aux pipelines simples, avec peu de variables. Elle reste facile à comprendre, mais peut devenir obsolète dès qu’un décideur rejoint le processus ou qu’un meeting est annulé.

Scoring dynamique

Le scoring dynamique recalcule la valeur à mesure que de nouveaux signaux apparaissent : email reçu, call terminé, changement d’étape ou nouvelle date de closing.

La fréquence réelle dépend du système. « Dynamique » ne signifie donc pas nécessairement « instantané ». Le point essentiel est que le score évolue avec le comportement de l’acheteur.

Scoring prédictif

Le scoring prédictif utilise les deals gagnés et perdus pour repérer les caractéristiques associées au closing. Le modèle apprend sur les données propres à l’entreprise. Il exige donc un historique assez riche, propre et représentatif.

Comment fonctionne le scoring automatique sous le capot ?

1. Ingestion des données du CRM et des conversations

Le système rassemble les propriétés du deal, son étape, son montant, ses activités et ses interlocuteurs. Les calls et les emails ajoutent le contexte absent des champs structurés : objections, urgence, processus de décision ou engagement sur un next step.

Cette couche conversationnelle limite la dépendance à la saisie manuelle du rep.

2. Évaluation par rapport aux deals historiques

Un modèle prédictif compare ensuite le deal aux situations déjà observées. Il cherche les signaux associés aux gains et aux pertes, sans supposer qu’un facteur isolé explique le résultat.

Un scoring par règles suit une autre logique. Il applique les conditions définies par les RevOps, sans apprentissage statistique.

3. Production du score et classification du risque

Le résultat peut être une probabilité, un rang ou une note fondée sur des critères. Une classification complémentaire peut présenter le deal comme fragile, en bonne voie ou solide.

Gong publie par exemple trois bandes pour son deal likelihood score : Low de 1 à 29, Fair de 30 à 75, High de 76 à 99.

Cette étiquette n’a de valeur que si sa définition est visible. Deux systèmes peuvent afficher le même nombre tout en mesurant des réalités différentes.

4. Déclenchement d’actions

Le score devient utile lorsqu’il rejoint le workflow commercial. Selon votre stack, un changement peut créer une tâche, envoyer une alerte dans Slack, informer un manager ou alimenter une vue du pipeline.

Une automatisation ne devrait toutefois pas déplacer seule un deal vers une nouvelle étape sans règle de validation claire.

Quels signaux alimentent un score de deal ?

Signaux de conversation et de discovery

Le transcript peut montrer si le rep a identifié le problème, exploré son impact, traité les objections et confirmé un next step. Il peut aussi révéler les critères de qualification absents de Salesforce ou HubSpot.

Attention à l’objet mesuré. L’AI call scoring de Modjo score le call, pas le deal. Il mesure l’adoption de la méthodologie commerciale et fournit une auto-évaluation au rep ainsi qu’une vue au manager.

Signaux liés aux stakeholders

Le scoring peut examiner le nombre de contacts engagés, leur rôle et la présence du décideur économique. Un deal porté par un seul interlocuteur présente une structure différente d’un processus qui implique plusieurs fonctions.

Ces signaux doivent être interprétés selon votre cycle de vente. Plus de contacts ne signifie pas automatiquement plus de progression.

Vélocité du deal et signaux du pipeline

Le temps passé dans une étape, le délai depuis la dernière activité et les reports de date de closing permettent d’identifier un ralentissement.

La comparaison doit porter sur des deals comparables. Un cycle complexe ne suit pas le même rythme qu’une vente plus transactionnelle.

Signaux financiers et impact métier

Le montant, les demandes de remise et les conditions contractuelles peuvent influencer le modèle. Les conversations indiquent aussi si l’acheteur a formulé un impact métier suffisamment concret pour soutenir sa décision.

Risques et silence

Une période sans réponse, un meeting manqué, la mention d’un concurrent ou un blocage juridique constituent des signaux négatifs possibles. Ils ne condamnent pas le deal. Ils indiquent où le rep doit vérifier la situation.

Quels sont les types de modèles de scoring automatique ?

Trois familles structurent la plupart des approches. Une probabilité entraînée estime une chance de closing. Un rang percentile situe un deal par rapport à d’autres. Un scoring par critères évalue les éléments définis par votre équipe.

La distinction entre probabilité et percentile est essentielle. D’après la documentation de Gong, son deal likelihood score est un rang percentile parmi les autres deals ouverts du trimestre attendu. Un score de 80 signifie que le deal est mieux classé que 80 % de ces deals. Il ne signifie ni 80 % de chances de signer, ni un taux de win attendu.

À l’inverse, le score de transaction de HubSpot est présenté comme une probabilité. Un score de 85 prédit 85 % de chances de conclure la transaction.

Scoring par règles

Les RevOps définissent des conditions explicites. Par exemple, un deal perd des points lorsque aucune prochaine interaction n’est planifiée au-delà du délai choisi.

Cette méthode se déploie sans historique d’apprentissage. Elle exige toutefois une maintenance régulière pour suivre l’évolution du processus commercial.

Scoring prédictif

Le modèle apprend à partir des deals gagnés et perdus. Il peut combiner de nombreux signaux et identifier des associations difficiles à formaliser manuellement.

Sa qualité dépend directement de l’historique disponible. Des étapes incohérentes ou des deals morts laissés ouverts dégradent son apprentissage.

Scoring comportemental

Le scoring comportemental suit les actions de l’acheteur : réponses aux emails, consultation de documents, visites du site ou délai de réponse.

Il mesure l’engagement observable, pas nécessairement l’intention d’achat. Une activité élevée doit toujours être replacée dans le contexte du deal.

Scoring par critères issus de la conversation

Votre équipe définit les critères et l’échelle : problème identifié, champion présent, processus de décision compris ou timing confirmé. La valeur est ensuite remplie à partir du transcript, avec le passage qui la justifie.

Si une information n’a pas été exprimée, elle doit rester manquante. L’absence de preuve est un signal à investiguer, pas une permission de deviner.

Quels bénéfices pour une équipe commerciale B2B ?

L’automatisation produit surtout de la valeur lorsqu’elle conduit à une décision concrète :

• Forecast mieux étayé : les signaux du deal complètent l’optimisme du rep.
• Priorisation plus rapide : chacun identifie les deals qui demandent une action.
• Coaching plus précis : le manager repère les critères souvent absents.
• Enrichissement du CRM : les conversations comblent certains champs laissés vides.
• Hygiène du pipeline : les deals silencieux remontent avant la prochaine revue.

Comment les Sales, RevOps et managers utilisent-ils les scores ?

Account Executives

Les reps organisent leurs relances selon le risque et le potentiel du deal. Ils voient où solliciter un sponsor exécutif, réengager un champion ou clarifier le processus de décision.

Le score sert de filtre. Le rep conserve la responsabilité du message et du next step.

Équipes RevOps

Les RevOps analysent la distribution des scores dans le pipeline, leur relation avec les résultats et les étapes où les deals ralentissent régulièrement. Ils surveillent aussi la qualité des données qui alimentent le modèle.

Direction commerciale

Les managers utilisent les scores pendant les deal reviews pour partir d’éléments vérifiables : stakeholder manquant, timing incertain ou absence d’activité récente.

La question « Comment sentez-vous ce deal ? » devient alors « Quel signal explique votre lecture, et quelle action peut la faire évoluer ? ».

Comment intégrer le scoring automatique dans votre stack commerciale ?

Étape 1. Nettoyer les données du CRM

Fermez ou archivez les deals morts. Harmonisez la définition des étapes, des dates et des statuts. Vérifiez que HubSpot, Salesforce, Pipedrive ou Attio reflète réellement votre processus.

Étape 2. Choisir un modèle

Les règles sont rapides à configurer et faciles à expliquer. Le prédictif devient pertinent lorsque l’historique contient assez de gains et de pertes comparables.

Avec peu de données, commencez par des critères explicites. Vous pourrez tester une approche entraînée lorsque votre historique sera plus solide.

Étape 3. Connecter les conversations et les emails

Les champs du CRM ne racontent pas tout. Reliez les enregistrements, transcripts et fils d’emails pour analyser l’engagement réel de l’acheteur, pas seulement le nombre d’activités enregistrées.

Étape 4. Calibrer sur l’historique

Testez les règles ou le modèle sur des deals déjà clos. Vérifiez si les valeurs élevées correspondent effectivement à de meilleurs résultats et analysez les erreurs.

Une validation utile sépare les données d’apprentissage des deals employés pour le test.

Étape 5. Insérer les scores dans les workflows

Affichez la valeur dans la fiche du deal, une vue quotidienne ou les alertes utilisées par l’équipe. Ajoutez les facteurs explicatifs et le next step associé. Un score caché dans un dashboard rarement consulté n’influencera aucune décision.

Quels KPIs indiquent que le scoring fonctionne ?

• Précision du forecast : comparez le résultat prédit au résultat observé pour chaque tranche.
• Corrélation score-résultat : les deals mieux notés gagnent-ils réellement plus souvent ?
• Adoption par les reps : consultent-ils le score et agissent-ils sur ses alertes ?
• Délai d’action : combien de temps s’écoule entre un signal de risque et la réponse du rep ?

Évaluez également la calibration. Une probabilité doit correspondre à un taux observé, tandis qu’un percentile doit conserver son interprétation relative.

Pourquoi les reps ignorent-ils les scores ?

L’adoption échoue souvent lorsque la valeur paraît arbitraire, invisible ou sans conséquence.

• Problème : le score vit dans un dashboard isolé. Correction : affichez-le dans le CRM et les alertes Slack.
• Problème : le calcul ressemble à une boîte noire. Correction : montrez ses facteurs principaux et les preuves disponibles.
• Problème : la valeur ne mène à rien. Correction : associez chaque tranche à un next step.
• Problème : les données CRM sont incomplètes. Correction : ajoutez les conversations et les emails, puis signalez ce qui reste inconnu.

Le score doit aider le rep à agir. Il ne doit pas devenir une note de performance personnelle déguisée.

Bonnes pratiques pour le scoring automatique

1. Évaluer des critères, pas seulement l’activité

Un volume d’emails ou de calls ne prouve pas la santé du deal. Privilégiez les éléments liés à la décision : discovery réalisée, champion identifié, impact compris et timing confirmé.

2. Recalibrer chaque trimestre

Le comportement des acheteurs et votre processus changent. Examinez les erreurs à chaque trimestre, ajustez les règles et réentraînez les modèles lorsque leurs résultats se dégradent.

3. Rendre le score visible

Placez la valeur et son explication dans les outils quotidiens : fiche CRM, alertes Slack ou synthèse quotidienne. Évitez de multiplier les vues concurrentes.

4. Relier chaque valeur à une action

Une note faible ne suffit pas. Elle doit conduire à une recommandation précise, comme réengager le champion, confirmer le décideur ou planifier un call avec un sponsor exécutif.

Renseigner les critères de chaque deal avec Claap

Claap enregistre les calls sans bot visible. Ses AI Fields proposent dix formats de sortie, dont Rating et Numeric. Vous définissez le critère et l’échelle. Claap remplit la valeur depuis le transcript et montre le passage qui la justifie. Si l’information n’apparaît pas dans la conversation, la cellule reste vide.

Le résumé de deal organise les informations disponibles en quatre sections : Context, Progress, Decision et Risk. Il s’appuie sur les propriétés CRM, les transcripts, les enregistrements et les emails rattachés au deal. Lorsqu’une information manque, Claap signale l’incertitude au lieu de combler le vide. Sa timeline matérialise aussi les journées d’activité, avec des points plus grands lorsque l’activité est plus dense.

Comment définir vous-même votre scoring avec les AI Fields de Claap

Les deux premières familles se subissent : le modèle est fourni, vous l’alimentez. Le scoring par critères se construit, et c’est la seule famille que vous pouvez mettre en place sans historique. Voici la marche à suivre concrète avec les AI Fields de Claap.

Étape 1. Écrire vos critères avant de toucher à l’outil

Un critère utilisable tient en une question fermée à laquelle un transcript peut répondre. « Engagement du client » n’en est pas un. « Le client a-t-il nommé la personne qui signe ? » en est un.

Listez vos cinq à huit critères, puis, pour chacun, la question exacte et l’échelle. Si deux managers ne donneraient pas la même note à partir du même appel, la définition n’est pas prête.

Étape 2. Créer un AI Field par critère

Depuis Meetings, ouvrez la vue concernée et cliquez sur l’icône Edit fields. Vous pouvez aussi passer par Settings → AI Fields pour travailler dans la bibliothèque. Cliquez sur Add New AI field, puis partez de zéro ou d’un modèle existant comme Budget ou Champion.

Trois réglages font le travail :

• Field Name devient le titre de la colonne. Un critère par colonne.
• Type fixe le format de sortie. Dix formats sont disponibles, et le choix du format

détermine le type de scoring que vous obtenez.

• Prompt indique à Claap ce qu’il doit extraire de la réunion. C’est votre question,

écrite telle quelle.

Étape 3. Choisir le format selon le scoring visé

Un scoring par règles se construit avec des Checkbox et des Select. Un scoring par notes se construit avec des Rating. Un scoring inspiré d’une méthodologie de vente se construit en créant un Rating par critère de votre méthodologie, que vous définissez vous-même : Claap ne décide pas de la liste à votre place. Si vous voulez tester le principe avant de configurer quoi que ce soit, les outils gratuits AI MEDDIC Scorer et AI BANT Scorer appliquent la même logique sur un appel isolé.

Étape 4. Tester avant de déployer

Le bouton Test exécute le champ sur une réunion réelle et affiche le résultat. Faites-le sur trois appels que vous connaissez bien, dont un où le sujet n’a pas été abordé.

C’est le test qui compte : quand l’information n’est pas dans le transcript, la cellule doit rester vide. Une valeur inventée sur un critère absent est le début d’un dashboard qui mentira sur toute la ligne.

Ajustez le prompt jusqu’à ce que la valeur et la preuve correspondent à ce que vous auriez noté à la main.

Étape 5. Automatiser et rendre le champ visible

Réglez la visibilité sur Shared pour que l’équipe travaille sur les mêmes colonnes, puis activez Auto-run, qui génère la réponse à chaque nouvelle réunion traitée. Sans Auto-run, vous avez créé un formulaire de plus.

Les valeurs apparaissent ensuite en colonnes dans votre Meeting View, ce qui permet de comparer plusieurs appels sans réécouter les enregistrements.

Étape 6. Envoyer les critères dans le CRM

Dans Workspace Settings → AI Fields, chaque champ peut être associé à un CRM Field. Le mapping est disponible avec HubSpot et Salesforce. Côté HubSpot, vous pouvez viser les objets Contact, Company, Deal, Meeting, Call et Lead ; côté Salesforce, Contact, Account et Opportunity.

La synchronisation peut être manuelle, en déclenchant l’envoi après relecture, ou automatique, auquel cas elle part après la génération des insights d’un nouvel enregistrement. Trois modes d’écriture existent : Only if empty, Always overwrite et une valeur par défaut. Pour du scoring, `Only if empty` évite d’écraser une note qu’un rep a corrigée à la main.

Étape 7. Composer le score global dans le CRM, pas dans Claap

Claap remplit les critères. L’addition se fait côté CRM, avec une propriété calculée dans HubSpot ou un formula field dans Salesforce. C’est volontaire : le total reste une règle que vous lisez et modifiez, pas une boîte noire.

Vous obtenez alors ce qu’aucun modèle entraîné ne donne : un score dont chaque point se remonte jusqu’à une phrase de l’appel.

Ce que cette approche ne fait pas

Elle ne produit ni rang percentile ni probabilité entraînée. Ces deux familles exigent un volume d’historique et un modèle statistique, pas des critères. Si vous avez le volume, elles répondent à une question que le scoring par critères ne traite pas : « où se situe ce deal par rapport aux autres ? »

Les deux approches se combinent. Les critères disent pourquoi un deal avance, le modèle dit à quelle vitesse il avance par rapport au reste du pipeline.

Réserver une démo

Enregistrement des calls et scoring : le cadre juridique français

L’enregistrement et l’analyse des calls impliquent un traitement de données personnelles. Avant le déploiement, identifiez et documentez la base légale adaptée à chaque finalité. Le RGPD impose aussi de limiter les données collectées à ce qui est nécessaire. La CNIL rappelle ces exigences de licéité et de minimisation.

Pour une conversation privée ou confidentielle, la norme prévue par l’article 226-1 du Code pénal est le consentement, pas la simple information. Le texte prévoit toutefois une présomption de consentement lorsque l’enregistrement est réalisé au vu et au su des intéressés, sans opposition alors qu’ils pouvaient s’y opposer. Votre dispositif doit être examiné selon son contexte précis.

L’article L2312-38 du Code du travail impose d’informer et de consulter le CSE avant la décision de mettre en œuvre un moyen permettant de contrôler l’activité des salariés. Pour cette catégorie d’outil, cette obligation est souvent la plus contentieuse. Anticipez-la avant le pilote, avec les finalités, les accès, les durées de conservation et les modalités d’utilisation des scores.

Ceci ne constitue pas un conseil juridique.