Construire un lead scoring auditable plutôt qu'une boîte noire

La règle de conception

Un lead scoring auditable ne cherche pas à deviner qui achètera. Il ordonne une file de recherche commerciale à partir de critères définis, de preuves datées et de règles versionnées.

Pour rester explicable, il sépare au moins trois dimensions : l’adéquation de l’organisation, le moment observable et la solidité des preuves. Le total ne doit jamais masquer un motif de rejet, une donnée manquante ou une opposition.

Le score unique de 0 à 100 est séduisant : il promet une liste propre et une action immédiate. Mais deux organisations notées 72 peuvent l’être pour des raisons opposées. L’une correspond parfaitement à la cible sans signal récent ; l’autre montre un événement fort mais se trouve hors périmètre. Les traiter de la même façon transforme la simplicité de l’interface en opacité opérationnelle.

Ce que le score est autorisé à décider

La première étape n’est pas mathématique. Écrivez la décision permise et celles qui restent interdites.

Une mission raisonnable peut être : « proposer chaque lundi 30 organisations à examiner manuellement, avec les trois raisons principales et les preuves associées ». Le score ne choisit alors ni la personne à contacter, ni le canal, ni le message, ni l’issue commerciale. Il réduit un volume de recherche.

À l’inverse, « envoyer automatiquement une séquence à toute fiche dépassant 70 » cumule plusieurs décisions : éligibilité, pertinence, choix du destinataire et activation. Une erreur de donnée devient directement une sollicitation. Avant d’automatiser, séparez ces décisions et donnez à chacune ses propres règles.

Le mandat du score devrait préciser :

l’objet évalué : organisation, établissement, opportunité ou personne ;
la population incluse et les exclusions ;
l’action autorisée à chaque niveau ;
les données admissibles et leur durée d’utilité ;
la personne responsable de la revue ;
le résultat réel contre lequel le modèle sera évalué.

Pour la prospection B2B, privilégiez un score d’organisation ou d’opportunité. Un attribut comme « établissement ouvert récemment » décrit une entité et un événement. Une inférence sur la fiabilité, la personnalité ou les préférences d’un individu change la nature du traitement et son niveau de risque.

Séparer adéquation, moment et preuve

1. L’adéquation

Elle répond à la question : cette organisation appartient-elle réellement au périmètre que nous savons servir ? Les critères peuvent porter sur le secteur, la zone, la taille opérationnelle ou une technologie observable, à condition que chacun soit relié à une hypothèse commerciale explicite.

L’adéquation change lentement. Elle ne doit pas augmenter parce qu’une personne a ouvert un message. Elle peut être calculée depuis des attributs d’organisation stables et vérifiables.

2. Le moment

Il répond à la question : existe-t-il un événement récent qui justifie une recherche maintenant ? Création d’un établissement, recrutement sur une fonction, lancement public ou changement d’outil peuvent être des signaux. Ils ont une date, une source et une expiration.

Le moment n’est pas l’intention. Une offre d’emploi technique ne prouve pas qu’une entreprise souhaite externaliser un projet. Elle justifie au mieux une hypothèse à examiner.

3. La preuve

Elle répond à la question : pouvons-nous expliquer et vérifier ce que nous croyons savoir ? Une donnée issue d’une source officielle récente, une page précise et une correspondance d’identité non ambiguë renforcent la preuve. Une valeur achetée sans provenance ou un rapprochement incertain la réduisent.

Garder ces trois sous-scores visibles évite qu’un signal spectaculaire compense une identité douteuse. Cela permet aussi une action différente : rechercher davantage lorsque la preuve est faible, attendre lorsque le moment est absent, ou exclure lorsque l’adéquation est insuffisante.

Définir les motifs non compensables

Certaines conditions ne doivent jamais être rachetées par des points :

organisation hors du périmètre géographique ou sectoriel décidé ;
identité ambiguë entre plusieurs entités ;
source interdite, non traçable ou devenue indisponible ;
signal expiré ;
opposition ou exclusion applicable ;
donnée sensible ou attribut personnel sans nécessité validée ;
information contradictoire non résolue.

Le moteur évalue d’abord ces portes. Il calcule ensuite les sous-scores seulement pour les dossiers admissibles. Cette logique ressemble à la priorisation par matrice volume-risque : une somme pondérée ne doit pas annuler une condition de sécurité ou de faisabilité.

Exemple fictif : calculer sans cacher

L’exemple est entièrement fictif. Il illustre le mécanisme et ne reflète ni une base réelle, ni un client, ni un taux de conversion observé par Forge Labs.

Une équipe cherche des organisations françaises exploitant un service numérique et montrant un changement récent de leur dispositif d’acquisition. Elle retient le modèle suivant :

Dimension	Critère	Points	Preuve requise
Adéquation, 40 max.	Activité dans le périmètre défini	0 ou 15	Source d’identité datée
Adéquation	Taille compatible avec l’offre	0, 8 ou 15	Tranche et année
Adéquation	Actif numérique confirmé	0 ou 10	Domaine rattaché sans ambiguïté
Moment, 40 max.	Événement public depuis moins de 30 jours	20	URL et date
Moment	Événement entre 31 et 90 jours	10	URL et date
Moment	Deuxième signal indépendant	0 ou 20	Source différente
Preuve, 20 max.	Identité exacte	0 ou 8	Identifiant officiel
Preuve	Provenance complète	0 ou 6	Source, date, extrait
Preuve	Revue récente	0 ou 6	Journal de validation

L’organisation fictive « Atelier Gamma » obtient 30 en adéquation, 20 en moment et 14 en preuve. Le total est 64, mais l’interface affiche surtout : « activité compatible ; événement public récent ; taille non confirmée ; un seul signal ». L’action proposée est « compléter la recherche », pas « contacter ».

Une autre organisation obtient 80 points bruts, mais son identité correspond à deux entités possibles. La porte « identité ambiguë » la place en quarantaine. Le score élevé ne compense pas l’absence de preuve.

Les seuils ne doivent pas être choisis pour remplir un quota arbitraire. Commencez par les conséquences acceptables : combien de faux positifs l’équipe peut-elle examiner, et quels faux négatifs voulez-vous relire ? Le seuil devient un choix de capacité et de risque.

Produire un journal d’explication

Chaque calcul doit pouvoir être reconstruit. Le journal minimal contient :

identifiant de l’objet évalué ;
version du modèle et date du calcul ;
valeurs d’entrée avec source et date ;
portes évaluées et leur issue ;
points obtenus par critère ;
données manquantes et contradictions ;
action proposée ;
revue humaine, modification et motif.

Une modification humaine n’est pas un échec du modèle. Elle fournit une donnée d’apprentissage sur la règle. L’interface doit proposer des motifs fermés — mauvaise entité, signal périmé, hors cible, preuve insuffisante — et un commentaire facultatif. Un simple bouton « ignorer » ne permet aucune amélioration.

Ne réinjectez pas automatiquement chaque correction comme nouvelle pondération. Certaines sont des exceptions légitimes ; d’autres révèlent un défaut de source. Une revue hebdomadaire classe les écarts avant de modifier le modèle.

Valider le modèle avant le déploiement

Constituez un registre de cas historiques autorisés, anonymisés ou synthétiques. Faites-les annoter par deux personnes sur la décision attendue avant de montrer le score. Si elles sont souvent en désaccord, le problème vient peut-être de la définition de la cible, pas de l’algorithme.

Évaluez ensuite :

précision en tête de liste : parmi les premiers dossiers, combien méritaient réellement une recherche ?
rappel sur les cas prioritaires : combien de dossiers importants ont été relégués ?
calibration : les niveaux annoncés correspondent-ils à des fréquences observables, si le score prétend représenter une probabilité ?
stabilité : une petite variation de donnée produit-elle un saut disproportionné ?
équité opérationnelle : certains segments sont-ils systématiquement favorisés faute de données plutôt que pour une raison commerciale ?
charge : le temps économisé dépasse-t-il le temps de correction et de supervision ?

Comparez le score à une règle plus simple : ordre chronologique des signaux validés, segment explicite ou tirage aléatoire dans la population admissible. Si le modèle complexe ne produit pas une meilleure file, retirez-le. L’article Quand ne faut-il pas utiliser l’intelligence artificielle ? fournit une grille pour préférer une règle stable lorsqu’elle suffit.

Surveiller la dérive et savoir retirer le score

Un modèle se dégrade lorsque les sources, le marché ou les pratiques commerciales changent. La surveillance doit distinguer :

dérive des entrées : davantage de valeurs manquantes, nouvelle nomenclature ou source moins fraîche ;
dérive des résultats : les priorités conduisent moins souvent à une recherche pertinente ;
dérive d’usage : l’équipe commence à traiter le score comme une autorisation automatique ;
dérive de cible : l’offre ou le segment change mais les pondérations restent anciennes.

Définissez avant le lancement les seuils de pause : provenance manquante, hausse des ambiguïtés, chute de précision, source non disponible ou accumulation de dérogations manuelles non expliquées. En cas de pause, revenez à une file non scorée mais filtrée par les portes. La mesure de la fiabilité d’une automatisation aide à suivre le résultat métier et les erreurs silencieuses.

Données personnelles, profilage et décision automatisée

Fait juridique : le RGPD définit le profilage comme un traitement automatisé de données personnelles visant à évaluer certains aspects personnels d’une personne physique. L’article 22 encadre les décisions fondées exclusivement sur un traitement automatisé qui produisent des effets juridiques ou affectent la personne de manière significative de façon similaire.

Nuance : tout score commercial n’entre pas automatiquement dans le champ de l’article 22. Un classement d’organisations pour une recherche humaine n’est pas identique à une décision exclusivement automatisée ayant un effet significatif sur une personne. Il peut néanmoins constituer un traitement de données personnelles ou un profilage selon ses entrées, son objet et son usage.

Recommandation : limiter les attributs individuels, documenter la finalité et la base juridique, informer les personnes lorsque requis, permettre l’exercice des droits, tester les biais et demander une analyse compétente si le score influence directement l’accès à une offre, un prix, un contrat ou une autre décision significative. La CNIL cite le scoring et la décision automatique parmi les facteurs pouvant nécessiter une analyse plus approfondie, notamment pour déterminer si une AIPD est requise.

L’auditabilité n’est donc pas une décoration réglementaire. Elle protège la décision commerciale : l’équipe sait pourquoi une organisation apparaît, ce qui manque et quand ne pas agir. Si votre scoring actuel ne peut pas produire cette explication, le premier chantier consiste à retrouver les preuves, pas à entraîner un modèle supplémentaire. Forge Labs étudie ponctuellement les collaborations stratégiques autour de systèmes de décision explicables et exploitables.