Custom Attributes : Créez vos Propres Enrichissements de Données B2B

Les outils d’enrichissement standard vous donnent les mêmes attributs que tout le monde : email, téléphone, poste, taille d’entreprise. Mais que faire quand votre ICP est plus spécifique ? Quand vous avez besoin de scorer selon vos critères uniques, ou de créer des champs qui n’existent dans aucun outil ?

C’est exactement le problème que résolvent les custom attributes — des attributs personnalisés que vous créez vous-même pour enrichir vos données selon vos besoins précis. Concrètement, au lieu de vous limiter aux 50 champs standards, vous pouvez générer des centaines de colonnes sur mesure : scoring personnalisé, classification par industrie custom, résumés de profils, détection de signaux d’achat, et bien plus.

Créez vos propres attributs dans Google Sheets

Utilisez Claude et ChatGPT directement dans vos feuilles pour générer des champs personnalisés en quelques secondes.

Essayer gratuitement →

Qu’est-ce qu’un custom attribute et pourquoi en avez-vous besoin

Un custom attribute (attribut personnalisé) est une donnée enrichie que vous créez vous-même pour répondre à un besoin spécifique de votre business — une donnée qui n’existe pas dans les outils d’enrichissement classiques.

Prenons Marie, Head of Sales chez une startup SaaS qui vend aux e-commerces. Les outils standards lui donnent le poste du prospect, la taille de l’entreprise, le secteur “Retail”. Mais Marie a besoin de bien plus :

• Est-ce que cette entreprise vend sur Shopify ou WooCommerce ?
• Combien de produits ont-ils en catalogue ?
• Utilisent-ils déjà un CRM ?
• Sont-ils en phase de croissance ou de stabilisation ?

Ces informations n’existent dans aucun champ standard. Marie doit donc créer des attributs custom pour les obtenir.

Types de custom attributes les plus utilisés :

Maintenant que vous comprenez ce qu’est un custom attribute, voyons pourquoi les méthodes traditionnelles ne suffisent plus et comment l’IA change la donne.

Pourquoi les attributs standards ne suffisent plus en 2026

Les outils d’enrichissement traditionnels fonctionnent sur un modèle simple : ils ont une base de données fixe avec des champs prédéfinis. Vous obtenez ce qui existe dans leur catalogue, point final.

Le problème ? Chaque business est unique.

Les limites des enrichissements standards

Imaginez Thomas, Growth Marketer chez une plateforme de formation en ligne qui cible les entreprises B2B. Avec un outil classique, il obtient :

• Nom, prénom, email ✅
• Poste : “VP Sales” ✅
• Entreprise : “TechCorp” ✅
• Taille : 50-200 employés ✅
• Industrie : “Software” ✅

Mais Thomas a besoin de savoir :

• Est-ce que TechCorp forme déjà ses équipes sales ? ❌
• Combien de SDR ont-ils ? ❌
• Ont-ils lancé un programme d’onboarding récemment ? ❌
• Utilisent-ils déjà un LMS ou pas ? ❌

Ces informations sont critiques pour qualifier et personnaliser, mais aucun outil standard ne les fournit. Thomas doit soit :

1. Faire la recherche manuellement → 10 minutes par lead = impossible à scale
2. Se passer de ces infos → taux de conversion divisé par 3
3. Créer des custom attributes → automatiser l’extraction de ces données

L’explosion des données non-structurées

Selon une étude Gartner 2026, 80% des données pertinentes pour la prospection B2B sont non-structurées : posts LinkedIn, pages “About”, articles de blog, descriptions de jobs.

Ces données ne rentrent dans aucun champ prédéfini. Il faut de l’intelligence pour :

• Extraire l’info pertinente
• L’interpréter dans votre contexte business
• La transformer en attribut actionable

C’est exactement ce que permettent les custom attributes générés par IA.

Chaque ICP est différent

Deux entreprises qui vendent aux mêmes secteurs n’ont jamais le même Ideal Customer Profile. Prenons deux SaaS qui ciblent les agences marketing :

• SaaS A (outil de reporting) cherche des agences avec 10+ clients et au moins 1 data analyst
• SaaS B (plateforme cold email) cherche des agences en phase de scale (recrutement actif) et sans outil d’automation existant

Les critères standards “secteur = Marketing” et “taille = 20-50 employés” ne permettent pas de distinguer ces deux ICP.

Les custom attributes permettent de créer un scoring et une segmentation qui reflètent VOTRE ICP unique, pas celui de tous vos concurrents qui utilisent le même outil.

Comment l’IA générative révolutionne les custom attributes

Jusqu’en 2026, créer des custom attributes nécessitait du code, des APIs complexes, ou des data scientists. L’arrivée de l’IA générative (ChatGPT, Claude) a tout changé.

L’IA comme moteur d’enrichissement

Avant l’IA : Vous deviez :

1. Écrire une règle rigide (“SI poste CONTIENT ‘VP’ ALORS score = 10”)
2. Mapper manuellement chaque cas possible
3. Maintenir des dizaines de conditions if/else

Avec l’IA : Vous décrivez simplement ce que vous voulez en langage naturel :

“Score ce lead de 0 à 100 selon : seniority (30%), fit industrie (25%), stack tech (20%), signaux d’achat (15%), engagement (10%)”

L’IA comprend le contexte, interprète les données, et génère un score cohérent — même sur des profils qu’elle n’a jamais vus.

Les 3 révolutions de l’IA pour les custom attributes

1. Compréhension contextuelle

L’IA ne cherche pas des mots-clés exacts. Elle comprend le sens :

• Elle sait que “Responsable Développement Commercial” = “Sales Manager”
• Elle détecte qu’une entreprise qui recrute 5 SDRs est en phase de scale
• Elle identifie des signaux d’achat subtils dans une bio LinkedIn

Exemple concret : Vous voulez détecter les entreprises en “hyper-croissance”. Au lieu de coder des règles rigides, vous demandez à Claude :

“Est-ce que cette entreprise est en hyper-croissance ? Analyse : nombre d’employés, évolution sur 12 mois, nombre de jobs ouverts, levées de fonds récentes. Réponds Oui/Non + niveau de confiance.”

L’IA analyse toutes les dimensions et vous donne un verdict nuancé.

2. Génération de contenu structuré

L’IA peut transformer du texte non-structuré en données structurées :

• Résumer un profil LinkedIn de 500 mots en 2 phrases actionables
• Extraire les 3 pain points mentionnés sur la page “About”
• Catégoriser une industrie floue (“Retail” → “E-commerce mode luxe”)

Exemple concret : À partir d’une bio LinkedIn, générer :

Seniority: Executive
Buying Power: Decision-maker
Industry Focus: B2B SaaS
Pain Points: Team scaling, automation, data quality
Fit Score: 92/100

3. Raisonnement multi-étapes

L’IA peut suivre une logique complexe pour scorer ou qualifier :

1. Analyser le poste → détecter le niveau de seniority
2. Croiser avec la taille d’entreprise → valider le budget potentiel
3. Vérifier le stack tech → identifier les intégrations possibles
4. Scanner les posts récents → détecter les pain points actuels
5. Synthétiser → score final + justification

Ce niveau de raisonnement était impossible avec des règles if/else classiques.

Comment créer vos custom attributes étape par étape

Créer des custom attributes se fait en 3 phases : définir ce que vous voulez, configurer la logique d’enrichissement, et tester/optimiser. Voyons chaque étape en détail.

Étape 1 : Définir vos besoins d’attributs custom

Commencez par identifier les questions business auxquelles vous n’avez pas de réponse.

Posez-vous ces questions :

• Quelles informations me manquent pour qualifier un lead ?
• Sur quoi je passe du temps en recherche manuelle ?
• Comment je différencie mes meilleurs clients de mes clients moyens ?
• Quels signaux indiquent qu’un prospect est prêt à acheter ?

Exemple : Définir un scoring custom

Clara, Sales Ops chez une plateforme de recrutement B2B, analyse ses 50 derniers deals gagnés et identifie les patterns :

• 80% ont 10+ employés
• 95% sont en recrutement actif (jobs ouverts)
• 70% n’utilisent pas encore d’ATS moderne
• 60% sont en croissance (headcount +20% sur 12 mois)

Elle crée donc un scoring custom avec ces 4 critères pondérés.

Template de réflexion :

Résultat attendu : Une liste claire de 3-7 attributs custom que vous voulez générer.

Étape 2 : Configurer la génération avec l’IA

Maintenant que vous savez ce que vous voulez, il faut indiquer à l’IA comment le générer.

2.1 — Choisir le bon modèle IA

Deux options principales en 2026 :

• Claude (Anthropic) : Meilleur pour raisonnement complexe, analyse nuancée, scoring multi-critères
• ChatGPT (OpenAI) : Très polyvalent, excellent pour extraction et classification rapide

Astuce : Testez les deux sur 10-20 exemples et comparez les résultats.

2.2 — Rédiger le prompt optimal

La qualité de votre custom attribute dépend à 80% de la qualité du prompt.

Structure recommandée d’un bon prompt :

[CONTEXTE]
Tu es un expert en qualification B2B. Ton rôle est de scorer des leads pour une entreprise SaaS qui vend aux agences marketing.

[DONNÉES DISPONIBLES]
Tu recevras :
- Poste du prospect
- Taille d'entreprise
- Stack tech détecté (CRM, outils marketing)
- Activité LinkedIn récente

[CE QUE TU DOIS GÉNÉRER]
Un score de 0 à 100 selon ces critères :
1. Seniority (30 points max) : VP/Director = 30, Manager = 20, Specialist = 10
2. Taille entreprise (25 points max) : 20-50 = 25, 10-20 = 15, <10 = 5
3. Stack tech (20 points max) : HubSpot/Salesforce = 20, autre CRM = 10, aucun = 0
4. Signaux d'engagement (25 points max) : posts sur marketing automation = 25, posts marketing général = 10

[FORMAT DE RÉPONSE]
Réponds UNIQUEMENT avec :
Score: [nombre]
Raison: [1 phrase courte expliquant le score]

[EXEMPLE]
Input: VP Marketing, 35 employés, HubSpot, posts récents sur automation
Output:
Score: 95
Raison: Seniority élevée + taille idéale + stack mature + engagement automation

Règles d’or du prompting pour custom attributes :

1. Soyez spécifique : Donnez des exemples concrets de ce que vous voulez
2. Contraignez le format : Forcez une structure de réponse (score + raison, ou JSON)
3. Pondérez les critères : Indiquez les poids relatifs de chaque facteur
4. Donnez du contexte : Expliquez votre business et votre ICP
5. Incluez des cas limites : Que faire si une info manque ?

2.3 — Configurer dans votre outil (exemple Derrick)

Avec Derrick, la configuration se fait directement dans Google Sheets :

1. Sélectionnez les colonnes à analyser
   • Sélectionnez les cellules contenant vos données (poste, entreprise, etc.)
2. Choisissez la fonction IA
   • Ask Claude pour raisonnement complexe
   • Ask OpenAI pour extraction/classification rapide
3. Collez votre prompt
   • Adaptez le template ci-dessus à votre besoin
4. Lancez l’enrichissement
   • Derrick génère automatiquement votre custom attribute pour tous les leads
5. Récupérez les résultats
   • Une nouvelle colonne apparaît avec votre attribut personnalisé

Résultat attendu : Votre custom attribute est généré pour l’ensemble de votre liste en quelques secondes.

Étape 3 : Tester et optimiser vos attributs

Vos premiers custom attributes ne seront jamais parfaits du premier coup. Il faut itérer.

3.1 — Valider sur un échantillon

Testez d’abord sur 50-100 leads dont vous connaissez déjà la qualité :

• 30 leads que vous avez convertis (vos meilleurs clients)
• 30 leads que vous avez perdus
• 20 leads non-qualifiés

Vérifiez :

• Est-ce que les bons leads scorent haut ?
• Est-ce que les mauvais leads scorent bas ?
• Est-ce que les résultats sont cohérents ?

Exemple de validation : Thomas génère un score de fit pour 50 leads. Il constate que :

• ✅ Top 20% du score = 80% de deals gagnés dans le passé → BON
• ❌ 15% de deals gagnés scorent <50 → À AMÉLIORER
• ❌ 25% de leads non-qualifiés scorent >70 → PROMPT À AJUSTER

3.2 — Ajuster le prompt selon les erreurs

Erreurs fréquentes et corrections :

Template d’amélioration itérative :

V1 du prompt → Tester sur 50 leads → Analyser les erreurs
↓
V2 du prompt (ajustements) → Tester sur 50 nouveaux leads → Comparer V1 vs V2
↓
V3 du prompt (final) → Déployer sur toute la base

3.3 — Automatiser pour le futur

Une fois votre custom attribute validé, automatisez-le pour tous vos nouveaux leads.

Options d’automatisation :

1. Enrichissement au fil de l’eau
   • Chaque nouveau lead dans Google Sheets est automatiquement enrichi
   • Via Zapier, Make, ou webhooks
2. Batch hebdomadaire
   • Tous les lundis, enrichir les nouveaux leads de la semaine
   • Via script Google Sheets ou workflow Derrick
3. Trigger CRM
   • Quand un lead entre dans le CRM, déclencher l’enrichissement custom
   • Via intégration HubSpot, Salesforce, Pipedrive

Résultat attendu : Vos custom attributes se génèrent automatiquement sans intervention manuelle.

Les 5 cas d’usage les plus puissants des custom attributes

Maintenant que vous savez créer des custom attributes, voyons les applications concrètes qui génèrent le plus de résultats.

1. Scoring personnalisé selon votre ICP unique

Le problème : Les outils de lead scoring génériques ne connaissent pas votre ICP spécifique.

La solution custom attribute : Créer un score de fit basé sur VOS critères de clients idéaux.

Exemple réel — Léa, SDR chez une plateforme de ticketing B2B :

Léa cible les organisateurs d’événements professionnels. Son ICP :

• Organisent 5+ événements/an
• 200+ participants par événement
• Utilisent déjà un outil de billetterie (mais pas Eventbrite Enterprise)

Elle crée un custom attribute “Event Fit Score” qui analyse :

• Nombre d’événements mentionnés sur le site
• Taille moyenne d’audience (via posts LinkedIn)
• Stack tech billetterie détecté

Prompt utilisé :

Analyse ce profil et site web d'organisateur d'événements.
Score de 0-100 selon :
- Volume événements (40 points) : 10+ events = 40, 5-9 = 30, <5 = 10
- Taille événements (30 points) : 500+ = 30, 200-500 = 25, <200 = 10
- Sophistication tech (30 points) : Eventbrite Basic = 30, autre outil = 20, manuel = 5

Format : Score: X / Justification: [1 phrase]

Résultat : Léa priorise désormais les leads qui scorent >70, économisant 12h/semaine de recherche manuelle.

2. Classification par micro-industrie

Le problème : Les catégories LinkedIn/Clearbit sont trop larges (“Retail”, “Software”).

La solution custom attribute : Créer une taxonomie custom ultra-précise.

Exemple réel — Anthropic (utilisateur de Clay) :

Comme mentionné dans une étude de cas Clay, Anthropic a utilisé Claude pour recatégoriser ses prospects :

• Au lieu de “Retail” → “E-commerce mode luxe” vs “Marketplace alimentaire”
• Au lieu de “Software” → “SaaS B2B CRM” vs “App mobile B2C gaming”

Impact : 3x d’amélioration du taux d’enrichissement et messages 2x plus personnalisés.

Prompt type :

Catégorise cette entreprise dans UNE de ces micro-industries :
- E-commerce mode
- E-commerce alimentaire
- Marketplace B2B
- Marketplace services
- SaaS CRM
- SaaS Analytics
- SaaS HR
- Fintech B2B
- Fintech B2C

Base-toi sur : description entreprise, produits, site web.
Réponds UNIQUEMENT le nom de la catégorie.

3. Détection de signaux d’achat

Le problème : Les meilleurs moments pour prospecter sont invisibles avec les données standard.

La solution custom attribute : Générer un attribut “Buying Signals” qui détecte les triggers.

Signaux d’achat détectables :

• Levée de fonds récente
• Recrutement massif (5+ jobs ouverts)
• Changement de leadership (nouveau VP Sales)
• Expansion géographique (ouverture de bureaux)
• Lancement de produit (annonce sur LinkedIn)
• Pivot stratégique (nouveaux mots-clés sur site web)
• Migration tech (mention “migration de X vers Y”)

Exemple réel — Thomas, Growth chez une plateforme de formation :

Thomas veut détecter les entreprises qui forment activement leurs équipes. Son custom attribute “Training Signal” recherche :

• Jobs ouverts mentionnant “training”, “onboarding”, “learning”
• Posts LinkedIn parlant de formation d’équipe
• Page carrière mentionnant “développement des compétences”

Prompt utilisé :

Analyse les données de cette entreprise et identifie des signaux de formation active.

Signaux à rechercher :
- Jobs mentionnant formation/onboarding
- Posts sur learning & development
- Page carrière parlant de montée en compétences
- Programmes de formation mentionnés

Réponds :
Signal: Oui/Non
Urgence: Faible/Moyenne/Forte
Détail: [Liste des signaux trouvés]

Résultat : Thomas contacte au bon moment et double son taux de réponse.

4. Résumés intelligents de profils

Le problème : Lire 50 profils LinkedIn par jour prend 3-4 heures.

La solution custom attribute : Générer un résumé actionable en 2-3 phrases.

Ce qu’un bon résumé doit contenir :

1. Niveau de seniority et pouvoir de décision
2. Expertise principale et zone de responsabilité
3. Pain points probables
4. Angle d’approche suggéré

Exemple réel — Sophie, SDR en outbound :

Au lieu de lire chaque profil complet, Sophie génère un custom attribute “Quick Summary” :

Input : Profil LinkedIn complet (500 mots)

Output :

“VP Sales chez SaaS 80 pers, 5 ans d’XP scale. Responsable équipe 15 SDR/AE. Pain points probables : onboarding reps, stack tech fragmenté, prévisions revenu. Approche : efficacité équipe sales.”

Prompt utilisé :

Résume ce profil LinkedIn en 2-3 phrases pour un SDR.

Inclus UNIQUEMENT :
1. Poste + ancienneté + taille équipe
2. Responsabilités clés
3. 2-3 pain points probables
4. Angle d'approche suggéré

Style : concis, factuel, actionable. Max 50 mots.

Résultat : Sophie passe de 4h à 45min de recherche par jour.

5. Génération d’angles de personnalisation

Le problème : Personnaliser 200 emails par jour est impossible manuellement.

La solution custom attribute : Générer un “hook” personnalisé pour chaque prospect.

Exemple réel — Marc, Founder qui fait de l’outbound :

Marc génère un custom attribute “Personalization Hook” qui analyse :

• Posts LinkedIn récents du prospect
• Actualités de l’entreprise
• Points communs (alumni, événements, connections)
• Pain points détectés

Prompt utilisé :

Génère une phrase d'accroche personnalisée pour ce prospect.

Données disponibles :
- Poste et entreprise
- 3 derniers posts LinkedIn
- Actualités entreprise
- Ton ICP : [ton business]

Règles :
- Max 15 mots
- Référence explicite à un élément spécifique (post, news, contexte)
- Pas de flatterie générique
- Crée une connexion naturelle

Format : [ta phrase d'accroche]

Output exemple :

“J’ai vu votre post sur l’automatisation sales — on résout exactement ce problème.”

Résultat : Marc envoie 200 emails/jour personnalisés et passe de 3% à 12% de taux de réponse.

Les erreurs à éviter avec les custom attributes

Créer des custom attributes est puissant, mais certaines erreurs peuvent ruiner vos résultats. Voici les pièges les plus fréquents et comment les éviter.

Erreur 1 : Vouloir tout enrichir d’un coup

Symptôme : Vous créez 15 custom attributes en même temps et vous vous noyez.

Impact : Impossible de valider la qualité, prompts mal ajustés, coûts qui explosent.

Solution : Commencez par 2-3 attributs max, validez-les, puis ajoutez progressivement.

Framework de priorisation :

1. Identifiez les 3 infos qui vous manquent LE PLUS
2. Créez UN custom attribute pour chacune
3. Testez sur 50 leads
4. Validez → Déployez → Passez au suivant

Exemple : Clara ne crée que son “Fit Score” en premier. Une fois validé (1 semaine), elle ajoute “Buying Signals”. Puis “Personalization Hook” le mois suivant.

Erreur 2 : Prompts trop vagues

Symptôme : L’IA retourne des résultats incohérents ou trop génériques.

Exemples de mauvais prompts :

• ❌ “Score ce lead”
• ❌ “Est-ce un bon prospect ?”
• ❌ “Dis-moi s’il est intéressant”

Pourquoi ça ne marche pas : L’IA ne sait pas ce qui est “bon” ou “intéressant” pour VOTRE business.

Solution : Soyez ultra-spécifique sur les critères et le format de réponse.

Transformation ❌ → ✅ :

Avant (vague) :

Est-ce un bon prospect ?

Après (spécifique) :

Score ce prospect de 0-100 selon :
- Seniority (40 pts) : C-level = 40, VP = 30, Manager = 20, Specialist = 10
- Budget (30 pts) : >100 employés = 30, 50-100 = 20, <50 = 10
- Stack tech (30 pts) : HubSpot/Salesforce = 30, autre = 15, aucun = 0

Format :
Score: [nombre]
Catégorie: [Hot/Warm/Cold]
Raison: [1 phrase]

Erreur 3 : Ne pas valider avant de déployer

Symptôme : Vous générez des custom attributes sur 10 000 leads sans vérifier la qualité.

Impact : Vous découvrez trop tard que 40% des résultats sont faux ou inutiles.

Solution : Toujours tester sur un échantillon représentatif AVANT le déploiement.

Processus de validation en 3 étapes :

Étape 1 : Générez sur 50 leads variés (bons clients, mauvais leads, cas limites)

Étape 2 : Validez manuellement les résultats

• Combien sont corrects ?
• Quels types d’erreurs ?
• Pattern dans les erreurs ?

Étape 3 : Ajustez le prompt selon les erreurs détectées

Seuil de qualité minimum : 80% de résultats corrects avant déploiement à grande échelle.

Erreur 4 : Ignorer le coût par enrichissement

Symptôme : Vous générez 50 custom attributes par lead et votre facture explose.

Impact : Coût de 0,50€ par lead alors que votre LTV ne justifie pas cet investissement.

Solution : Calculez le ROI de chaque custom attribute avant de le déployer.

Framework de calcul ROI :

ROI = (Gain généré - Coût enrichissement) / Coût enrichissement

Où :
Gain généré = Taux conversion amélioré × Nb leads × LTV
Coût enrichissement = Nb leads × Coût par attribut IA

Exemple concret :

Sophie génère un custom attribute “Fit Score” qui améliore son taux de conversion de 3% à 5%.

• Leads mensuels : 1000
• LTV moyenne : 500€
• Coût enrichissement : 0,03€ par lead

Calcul :

• Gain = (5% – 3%) × 1000 × 500€ = 10 000€/mois
• Coût = 1000 × 0,03€ = 30€/mois
• ROI = (10 000 – 30) / 30 = 33 233%

→ Custom attribute ultra-rentable.

Règle pratique : Si le ROI est <500%, questionnez l’utilité de cet attribut.

Erreur 5 : Oublier de maintenir les attributs dans le temps

Symptôme : Vos custom attributes fonctionnaient bien en janvier, mais donnent des résultats incohérents en juin.

Impact : Scoring et segmentation deviennent obsolètes, décisions basées sur des données périmées.

Solution : Audit trimestriel de la performance de vos custom attributes.

Checklist de maintenance :

□ Tous les 3 mois : Vérifier que les résultats sont toujours cohérents □ À chaque changement d’ICP : Ajuster les critères de scoring □ Si baisse de performance : Re-tester sur échantillon et ajuster prompt □ Documentation : Garder un historique des versions de prompts

Exemple : Thomas remarque que son “Event Fit Score” ne détecte plus les bons prospects. En analysant, il réalise que son ICP a évolué (il cible désormais des événements plus petits). Il ajuste les seuils dans le prompt.

Outils et technologies pour générer des custom attributes

Créer des custom attributes nécessite les bons outils. Voici l’écosystème complet en 2026.

Derrick : IA générative dans Google Sheets

Pourquoi Derrick pour les custom attributes ?

Derrick intègre Claude et ChatGPT directement dans Google Sheets, permettant de générer des attributs personnalisés sans quitter votre feuille de calcul.

Features clés pour custom attributes :

Workflow typique dans Derrick :

1. Enrichissement classique
   • Email Finder, LinkedIn Scraper, Phone Finder
   • → Vous avez les données de base
2. Génération de custom attributes
   • Ask Claude ou Ask OpenAI sur les colonnes enrichies
   • → Vous générez scoring, classification, signaux
3. Export vers CRM
   • Push automatique vers HubSpot, Salesforce, ou Pipedrive
   • → Vos custom attributes arrivent dans votre workflow sales

Avantages Derrick vs alternatives :

Autres outils de l’écosystème

Clay : Plateforme puissante mais complexe

• Points forts : 100+ intégrations data, workflows avancés, formules custom
• Points faibles : Courbe d’apprentissage raide, prix élevé (349€/mois min)
• Quand l’utiliser : Si vous avez besoin de workflows très complexes avec 10+ sources de données

Zapier + ChatGPT API : DIY approach

• Points forts : Flexibilité totale, intégration avec 5000+ apps
• Points faibles : Nécessite configuration technique, coûts variables
• Quand l’utiliser : Si vous avez déjà un stack Zapier mature

Make (Integromat) : Automation visuelle

• Points forts : Interface visuelle, moins cher que Zapier
• Points faibles : Setup initial long, maintenance required
• Quand l’utiliser : Pour automatiser l’enrichissement custom de CRM à CRM

n8n : Open-source alternative

• Points forts : Gratuit si self-hosted, contrôle total
• Points faibles : Nécessite compétences techniques, self-hosted = maintenance
• Quand l’utiliser : Si vous avez une équipe tech et voulez contrôle maximum

APIs directes (Claude API, OpenAI API)

• Points forts : Maximum de flexibilité, coût au token
• Points faibles : Nécessite développement, pas d’interface
• Quand l’utiliser : Si vous intégrez dans votre produit ou workflow custom

Librairies et ressources techniques

Pour les équipes avec des devs :

Python + pandas

import anthropic
import pandas as pd

# Charger vos leads
df = pd.read_csv('leads.csv')

# Générer custom attribute avec Claude
client = anthropic.Anthropic(api_key="votre_clé")

def generate_fit_score(row):
    prompt = f"Score ce lead selon ton ICP : {row.to_dict()}"
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=100,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text

df['fit_score'] = df.apply(generate_fit_score, axis=1)

Google Sheets + Apps Script

• Créer des fonctions custom directement dans Sheets
• Appeler l’API Claude ou OpenAI
• Générer attributs à la demande

Documentation utile :

• Claude API Docs
• OpenAI API Docs
• Google Sheets Apps Script

Bonnes pratiques : les règles d’or des custom attributes

Pour maximiser la valeur de vos custom attributes, suivez ces 7 principes éprouvés.

1. Commencez simple, complexifiez progressivement

Principe : Un custom attribute simple qui fonctionne > 10 attributs complexes à moitié fiables.

Roadmap recommandée :

Semaine 1 : Créez UN attribut de scoring basique

• Testez sur 100 leads
• Validez que ça marche
• Déployez si >80% de précision

Semaine 2-3 : Ajoutez 2-3 attributs complémentaires

• Classification industrie
• Détection signaux d’achat
• Résumé de profil

Mois 2 : Optimisez et automatisez

• Affinez les prompts selon feedback sales
• Automatisez la génération pour nouveaux leads
• Intégrez au CRM

Mois 3+ : Expérimentez des cas avancés

• Génération d’angles de personnalisation
• Prédiction de churn
• Scoring de re-engagement

2. Documentez vos prompts et versions

Principe : Un custom attribute sans documentation = impossible à maintenir.

Template de documentation :

## Custom Attribute : Event Fit Score

**Objectif** : Prioriser les organisateurs d'événements avec 200+ participants

**Données utilisées** :
- Site web entreprise
- LinkedIn company page
- Job postings

**Critères de scoring** :
- Volume événements (40%) : 10+ = 40 pts, 5-9 = 30 pts, <5 = 10 pts
- Taille événements (30%) : 500+ = 30 pts, 200-500 = 25 pts, <200 = 10 pts
- Sophistication (30%) : Eventbrite = 30 pts, autre = 20 pts, manuel = 5 pts

**Prompt (v2.3 - 2026-01-15)** :

[insérer prompt exact]

**Taux de précision validé** : 87% sur 150 leads **Changelog** : – v2.3 (2026-01-15) : Ajout critère sophistication tech – v2.2 (2026-01-10) : Baisse seuil taille événements de 500 à 200 – v2.1 (2026-01-05) : Ajout pondération explicite – v2.0 (2026-01-01) : Première version validée

Stockage : Notion, Confluence, ou simple Google Doc partagé avec l’équipe.

3. Créez des boucles de feedback avec les sales

Principe : Les SDR/AE sont les meilleurs juges de la qualité d’un custom attribute.

Process de feedback :

Hebdomadaire :

• Demander aux sales : “Les leads bien scorés convertissent-ils ?”
• Identifier les faux positifs (score haut mais mauvais fit)
• Identifier les faux négatifs (score bas mais bon fit)

Mensuel :

• Analyser les deals gagnés : quel score moyen ?
• Analyser les deals perdus : pattern dans le scoring ?
• Ajuster les seuils et pondérations

Exemple : Sophie remarque que 30% de ses deals gagnés avaient un score <60. En analysant, elle réalise que son attribut “Stack Tech” pénalise trop les entreprises sans CRM mature — alors qu’elles sont justement son ICP. Elle ajuste la pondération.

4. Combinez attributs standards + custom pour maximum de valeur

Principe : Les custom attributes sont plus puissants quand combinés avec l’enrichissement classique.

Stack d’enrichissement optimal :

Layer 1 — Enrichissement standard (email, téléphone, LinkedIn, firmographics)

• Tools : Derrick Email Finder, LinkedIn Scraper, Phone Finder
• Temps : Quelques secondes par lead

Layer 2 — Custom attributes (scoring, classification, signaux)

• Tools : Ask Claude, Ask OpenAI
• Temps : Quelques secondes par lead
• Se base sur les données du Layer 1

Layer 3 — Action (push CRM, séquences email, routage)

• Tools : Zapier, HubSpot, Salesforce
• Temps : Automatique

Exemple concret — Thomas, Growth Marketer :

1. Enrichissement standard → Récupère email + poste + LinkedIn + taille entreprise
2. Custom attribute “Training Signal” → Analyse les données enrichies pour détecter si l’entreprise forme activement
3. Custom attribute “Fit Score” → Combine taille + poste + training signal pour scorer
4. Action → Si Fit Score >70 ET Training Signal = Oui → Envoyer séquence email A / Sinon → Séquence B

Résultat : Taux de réponse 2,5x plus élevé grâce à la combinaison enrichissement + custom attributes.

5. Testez plusieurs modèles IA pour le même attribut

Principe : Claude et ChatGPT ont des forces différentes.

Règle générale :

Test A/B recommandé :

1. Générez le même custom attribute avec Claude ET ChatGPT sur 50 leads
2. Comparez la qualité des résultats
3. Déployez avec le modèle le plus performant

Exemple : Clara teste “Fit Score” avec les deux modèles :

• Claude : 87% de précision, meilleure détection des nuances
• ChatGPT : 82% de précision, 2x plus rapide

→ Elle choisit Claude pour la précision (le score est critique pour sa prospection).

6. Utilisez les custom attributes pour l’anti-ciblage

Principe : Éliminer les mauvais leads est aussi important que scorer les bons.

Custom attributes de disqualification :

Exemple : Sophie crée un attribut “Competitor Employee” qui détecte si le prospect travaille chez un concurrent. Ces leads sont automatiquement exclus de ses campagnes.

7. Mesurez l’impact business, pas juste la précision technique

Principe : Un custom attribute précis à 95% mais qui n’améliore pas les conversions est inutile.

Métriques business à tracker :

Framework de mesure :

Étape 1 : Établir baseline (avant custom attributes)

• Mesurer métriques actuelles sur 1 mois

Étape 2 : Déployer custom attributes

• Sur 50% de leads (test A/B)

Étape 3 : Mesurer impact après 1 mois

• Comparer groupe test vs groupe contrôle

Étape 4 : Calculer ROI

• Gain de temps + Amélioration conversion = Valeur générée
• Coût enrichissement = Investissement
• ROI = (Valeur – Coût) / Coût

Seuil minimum : Si ROI <300%, questionner l’utilité du custom attribute.

À retenir

• Les custom attributes permettent de créer des champs d’enrichissement personnalisés que les outils standards ne fournissent pas : scoring sur mesure, classification custom, signaux d’achat détectés, et bien plus.
• L’IA générative transforme la création d’attributs : au lieu de coder des règles rigides, vous décrivez simplement ce que vous voulez en langage naturel et Claude ou ChatGPT génèrent les données.
• Commencez simple avec 2-3 attributs prioritaires, validez sur un échantillon de 50-100 leads avant de déployer, et itérez en fonction des retours de vos équipes sales.
• Les cas d’usage les plus rentables sont le scoring personnalisé selon votre ICP unique, la détection de signaux d’achat en temps réel, et les résumés intelligents qui divisent par 5 le temps de recherche manuelle.
• Derrick intègre Claude et ChatGPT directement dans Google Sheets pour générer des custom attributes sans quitter votre feuille de calcul, avec des crédits qui se reportent d’un mois sur l’autre.
• Mesurez l’impact business réel de vos custom attributes : taux de conversion, temps économisé, et ROI plutôt que seulement la précision technique des résultats générés.

Conclusion : Passez à l’action dès aujourd’hui

Les custom attributes ne sont plus un luxe réservé aux entreprises avec des équipes data. Avec l’IA générative intégrée dans des outils comme Derrick, n’importe quelle équipe sales ou marketing peut créer ses propres enrichissements personnalisés en quelques minutes.

Par où commencer ?

1. Identifiez votre besoin #1 : Quelle info vous manque le plus pour qualifier vos leads ?
2. Créez votre premier attribut : Commencez par un scoring simple ou une classification custom
3. Testez sur 50 leads : Validez que les résultats sont cohérents
4. Déployez et mesurez : Trackez l’impact sur votre taux de conversion

Générez vos custom attributes en 5 minutes

Derrick intègre Claude et ChatGPT dans Google Sheets. Créez vos premiers attributs personnalisés dès maintenant.

Essayer gratuitement →

FAQ

Quelle est la différence entre un custom attribute et un champ calculé classique ?

Un champ calculé classique applique une formule mathématique rigide (ex: SI poste = "VP" ALORS score = 10). Un custom attribute utilise l’IA pour interpréter le contexte et raisonner de manière nuancée, même sur des données non-structurées.

Combien coûte la génération d’un custom attribute ?

Avec Derrick, chaque appel à Ask Claude ou Ask OpenAI coûte 1 crédit (environ 0,002 à 0,02€ selon le plan). Vous pouvez donc générer 100-500 custom attributes par euro. Les crédits non utilisés se reportent au mois suivant.

Puis-je créer des custom attributes sans compétences techniques ?

Oui. Avec des outils comme Derrick, vous décrivez simplement ce que vous voulez en français dans un prompt, et l’IA génère l’attribut. Aucun code requis.

Comment s’assurer que mes custom attributes respectent le RGPD ?

Les custom attributes générés par IA analysent des données que vous possédez déjà légalement. Assurez-vous que votre enrichissement de base est RGPD-compliant, et les attributs dérivés le seront aussi. Ne demandez jamais à l’IA de générer des données sensibles qu’elle n’a pas.

Quelle est la précision des custom attributes générés par IA ?

Avec un prompt bien conçu, attendez-vous à 80-90% de précision sur des tâches de scoring et classification. Pour des tâches plus complexes, 70-85%. Toujours valider sur un échantillon avant déploiement.

Puis-je utiliser les custom attributes dans mon CRM ?

Oui. Les custom attributes générés dans Google Sheets avec Derrick peuvent être pushés automatiquement vers HubSpot, Salesforce, Pipedrive via Zapier, Make ou intégrations natives.