---
title: "Lead scoring HubSpot : la donnée avant le modèle"
description: "Le lead scoring HubSpot lit vos propriétés CRM, et un champ vide score comme une mauvaise adéquation. Auditez le remplissage avant d'écrire un critère."
canonical: "https://derrick-app.com/fr/crm-data-enrichment/lead-scoring-hubspot"
category: "Enrichissement CRM"
updated: "2026-08-31"
---
# Lead scoring HubSpot : pourquoi vos scores d'adéquation sont faux
> Le lead scoring HubSpot attribue des scores aux contacts, aux entreprises et aux transactions à partir de deux types d'entrées : l'engagement, que HubSpot enregistre lui-même, et l'adéquation, qui lit des valeurs de propriétés comme l'intitulé de poste, la taille d'entreprise et le chiffre d'affaires. Un modèle combiné écrit les trois en propriétés séparées. La moitié engagement fonctionne d'emblée ; la moitié adéquation ne vaut que le taux de remplissage des propriétés qui la nourrissent, et l'outil ne sait pas distinguer une entreprise trop petite pour scorer d'une entreprise dont personne n'a jamais renseigné la taille. Les deux produisent un score bas. Auditez le remplissage, le nombre de valeurs distinctes, l'âge et l'origine de chaque propriété avant d'écrire le moindre critère, scorez les deux ou trois auxquelles vous faites confiance plutôt que les douze que vous espérez, et ajoutez un signal de timing qu'aucun CRM ne remplit tout seul.
*Canonical: https://derrick-app.com/fr/crm-data-enrichment/lead-scoring-hubspot* · *Enrichissement CRM*
---
Un modèle de scoring est une machine à lire des propriétés. Pointez-la vers des propriétés que personne n'a remplies et elle produira quand même un nombre, avec assurance, à chaque fois. C'est de ce mode de défaillance que parle cette page.
Le **lead scoring HubSpot** est l'outil intégré qui attribue des scores aux contacts, aux entreprises et aux transactions à partir de deux types d'entrées : ce qu'une personne a fait, et ce qu'une entreprise est. HubSpot appelle la première un score d'engagement, la seconde un score d'adéquation, et un modèle qui combine les deux un score combiné. La moitié engagement fonctionne d'emblée, parce que HubSpot enregistre lui-même le comportement. La moitié adéquation lit vos propriétés CRM, et c'est là que la plupart des modèles cassent en silence.
**En résumé :** paramétrer l'outil prend un après-midi. Rendre les scores signifiants demande d'abord un audit de données. Un score d'adéquation construit sur l'intitulé de poste, la taille d'entreprise et le chiffre d'affaires vaut exactement ce que vaut le taux de remplissage de ces trois champs, et dans la plupart des CRM ils sont vides entre un tiers et la moitié du temps.
## Ce qu'est le lead scoring HubSpot aujourd'hui
L'outil de lead scoring de HubSpot est disponible sur Marketing Hub et Sales Hub, en Professional et en Enterprise. Il score les contacts et les entreprises, et il score les transactions via les modèles combinés. Vous pouvez créer plusieurs scores par objet, ce qui compte plus qu'il n'y paraît : un nombre unique qui mélange l'intérêt et l'adéquation est presque toujours moins utile que deux nombres que vous pouvez lire séparément.
L'ancienne propriété HubSpot Score, celle à base de règles avec laquelle beaucoup d'équipes ont grandi, a été retirée en août 2025. Les scores qui vivaient dessus ont cessé de se mettre à jour, et tout workflow qui branchait sur elle a cessé de brancher. Si vous héritez d'une instance HubSpot restée en l'état, la première chose à vérifier est si quelque chose lit encore une propriété figée, avant même de toucher au modèle.
Cette migration mise à part, l'outil lui-même est simple. La difficulté tient à décider ce qui mérite des points, et à disposer de la donnée pour les attribuer.
L'engagement est enregistré par HubSpot. L'adéquation ne vaut que ce que valent vos propriétés.
## Engagement, adéquation, combiné : les trois types de score
Cette distinction est ce que l'outil apporte de plus utile, et elle mérite d'être posée précisément.
| Type de score | Ce qu'il lit | D'où vient la donnée | Il échoue quand |
| --- | --- | --- | --- |
| Engagement | Actions et interactions : pages vues, emails ouverts, clics sur CTA, formulaires, abonnements | HubSpot lui-même, automatiquement | Rarement. Le tracking fonctionne ou ne fonctionne pas |
| Adéquation | Valeurs de propriétés : intitulé de poste, taille d'entreprise, chiffre d'affaires, secteur | Ce que vous ou vos formulaires avez mis dans la fiche | En permanence. Les propriétés sont vides, périmées ou en texte libre |
| Combiné | Les deux, et il écrit trois propriétés : total, engagement seul, adéquation seule | Les deux sources ci-dessus | En silence. Un bon score d'engagement peut masquer une adéquation construite sur rien |
Lisez la dernière ligne attentivement. Un score combiné expose ses deux moitiés en propriétés séparées, ce qui est le meilleur diagnostic que HubSpot vous donne gratuitement. Si vos scores totaux semblent raisonnables pendant que la propriété adéquation seule s'agglutine près de zéro, votre modèle tourne uniquement sur le comportement et les critères d'adéquation sont décoratifs.
## Pourquoi le lead scoring HubSpot échoue sur la moitié adéquation
Le score d'adéquation pose une question au CRM : quelle est la taille de cette entreprise, que fait cette personne, dans quel secteur sommes-nous. Il attribue des points sur la réponse. Quand le champ est vide, aucun point n'est attribué, et voici le piège : l'outil ne sait pas distinguer « cette entreprise est trop petite pour scorer » de « personne n'a jamais renseigné sa taille ».
Les deux produisent la même sortie, un score d'adéquation bas. Résultat : un grand compte parfaitement qualifié, arrivé par un formulaire court, se classe sous un curieux qui a rempli un formulaire long. Le modèle n'a pas tort ; il a répondu à la question posée, avec la donnée qu'on lui a donnée.
Le deuxième échec est plus discret. Les propriétés en texte libre ne se scorent pas de façon fiable. « VP of Revenue Operations », « VP RevOps » et « vp, revenue ops » sont trois chaînes différentes, et un critère qui matche l'une rate les autres. Le scoring récompense les valeurs normalisées, et la plupart des champs CRM ne le sont pas, parce qu'ils ont été saisis par des humains et par des formulaires.
Le troisième est la péremption. La taille d'entreprise et l'intitulé de poste étaient vrais à la création de la fiche. Ni l'un ni l'autre ne le reste, et un score d'adéquation recalculé aujourd'hui sur une valeur capturée il y a dix-huit mois est une affirmation assurée sur une entreprise qui n'existe plus sous cette forme. Notre [rapport sur la qualité des données CRM](https://derrick-app.com/fr/crm-data-enrichment/rapport-qualite-donnees-crm-2026) chiffre la vitesse à laquelle cela arrive.
Quatre questions à trancher sur chaque propriété avant de la scorer.
## L'audit à mener avant d'écrire le moindre critère
Quinze minutes, quatre questions, et cela changera ce que vous construisez.
1. **Taux de remplissage par propriété.** Pour chaque propriété que vous comptez scorer, quel pourcentage de vos contacts a réellement une valeur ? En dessous de 70 % environ, la propriété ne peut pas porter un poids significatif, parce que le score sera dominé par l'absence plutôt que par l'adéquation.
2. **Nombre de valeurs distinctes.** Si l'intitulé de poste compte quatre mille valeurs distinctes sur dix mille contacts, c'est du texte libre et il faut le normaliser avant de pouvoir le scorer.
3. **Âge de la valeur.** Quand la propriété a-t-elle été renseignée pour la dernière fois ? Un champ rempli à la création de la fiche il y a trois ans n'est pas un fait actuel.
4. **Origine de la valeur.** Déclaratif via formulaire, import de liste, ou enrichissement ? La taille d'entreprise déclarée par le prospect est la moins fiable des trois, et c'est en général la plus lourdement pondérée.
Menez cet audit et la forme de votre modèle change. La plupart des équipes découvrent qu'elles ont deux ou trois propriétés dignes d'être scorées, pas les douze qu'elles s'apprêtaient à configurer, et que les manquantes ne manquent pas parce que la donnée n'existe pas mais parce que personne n'est jamais allé la chercher.
## Quelles propriétés prédisent vraiment une vente
Scorez ce qui change la réponse, pas ce qui est facile à collecter. Quatre familles font l'essentiel du travail, et leur ordre compte.
L'**adéquation entreprise** pèse le plus lourd, parce qu'une entreprise qui ne peut pas acheter n'achètera pas, quel que soit l'intérêt d'un de ses salariés. Effectif, secteur et tranche de chiffre d'affaires sont les chevaux de trait, et ce sont trois faits externes plutôt que des choses qu'un formulaire devrait demander.
L'**adéquation persona** vient ensuite : la fonction et la séniorité de cette personne correspondent-elles à qui signe ou à qui utilise. C'est celle qui a le plus urgemment besoin de normalisation, et celle qu'on laisse le plus souvent en texte libre.
Le **timing** est la famille sous-exploitée. Une entreprise qui recrute sur la fonction que vous servez, ou qui vient de changer de direction, a nettement plus de chances d'acheter ce trimestre qu'une entreprise identique où rien ne bouge. Très peu de modèles HubSpot intègrent une propriété de timing, essentiellement parce que rien dans le CRM ne la remplit.
La **joignabilité** est celle que personne ne score et que tout le monde devrait scorer. Un contact parfaitement adéquat sans email vérifié n'est pas un lead que vous pouvez travailler. Notre page compagnon sur [le modèle de scoring en 100 points construit sur l'enrichissement](https://derrick-app.com/fr/data-points/scoring-de-leads) détaille les pondérations famille par famille.
Six critères sur 100, plus les malus qui nettoient la file.
## Un exemple de modèle de lead scoring HubSpot, avec les points
Voici un modèle d'adéquation qui tient sur un écran et que vous pouvez défendre en réunion. Il totalise 100 points et utilise volontairement six critères plutôt que trente, parce qu'un modèle que personne ne peut contester est un modèle que personne ne corrigera.
| Critère | Propriété lue | Points | Pourquoi il les mérite |
| --- | --- | --- | --- |
| Effectif dans la tranche cible | Nombre de salariés | 25 | Le meilleur prédicteur unique de l'existence même d'un budget |
| Secteur dans l'ensemble cible | Secteur d'activité | 20 | Stable, change rarement, et peu coûteux à enrichir de façon fiable |
| Tranche de chiffre d'affaires | Chiffre d'affaires annuel | 15 | Confirme le signal effectif, et rattrape la petite entreprise dense |
| Fonction correspondant à l'acheteur ou l'utilisateur | Fonction, normalisée | 20 | Sépare la personne qui signe de la personne qui est curieuse |
| Séniorité au niveau décisionnaire | Séniorité, normalisée | 10 | Vaut moins seule que la fonction, vaut beaucoup combinée à elle |
| Recrute sur la fonction que vous servez | Propriété de timing personnalisée | 10 | Le seul critère de cette liste qui porte une horloge |
Viennent ensuite les malus, que presque aucun modèle n'intègre et qui nettoient une file bien mieux que n'importe quel critère positif. Les points négatifs sont ce qui empêche un contact assidu mais hors sujet de grimper sur le seul engagement.
| Malus | Points | Ce qu'il attrape |
| --- | --- | --- |
| Domaine email gratuit | -15 | Inscriptions personnelles et curiosité, plutôt qu'une entreprise qui vous évalue |
| Étudiant, stagiaire ou en recherche d'emploi dans l'intitulé | -20 | Engagement fort, aucun pouvoir d'achat, et en général votre contenu le plus performant |
| Effectif sous le plancher que vous savez servir | -20 | Des entreprises qui churneraient même après avoir signé |
| Désinscrit ou signalé en spam | -25 | Un non explicite que le score d'engagement ignorera sinon |
| Propriété mise à jour il y a plus de 18 mois | -10 | Un score calculé sur une entreprise qui a changé de forme depuis |
Les seuils comptent autant que les points. Trois bandes suffisent en général : au-dessus de 70, routage vers un commercial le jour même ; entre 40 et 70, on garde en nurturing et on re-score chaque mois ; en dessous de 40, aucun routage. Fixez ces nombres en regardant l'aperçu de distribution plutôt qu'en choisissant des chiffres ronds, parce que le seul seuil correct est celui qui produit une file que votre équipe peut réellement traiter.
Une mise en garde sur la copie de n'importe quel modèle, y compris celui-ci. Les pondérations ci-dessus sont un point de départ calibré sur une forme B2B SaaS typique, pas un résultat d'étude. Recalibrez-les sur vos propres affaires gagnées dès que vous en avez trente, et notre page compagnon sur [le modèle sur 100 points construit sur l'enrichissement](https://derrick-app.com/fr/data-points/scoring-de-leads) explique comment mener cette calibration.
## Paramétrer le lead scoring HubSpot sans surapprentissage
Construisez deux scores. Un score d'engagement et un score d'adéquation, tenus séparés, et laissez le modèle combiné exposer les trois propriétés. Vous utiliserez les deux moitiés indépendamment bien plus souvent que le total.
Gardez peu de critères. Un modèle à six critères que tout le monde comprend bat un modèle à trente que personne ne peut contester, et la version à trente critères est presque toujours surajustée aux quatre dernières affaires dont quelqu'un se souvient.
Utilisez l'aperçu de distribution avant d'activer quoi que ce soit. La question est de savoir s'il sépare vos contacts en groupes de taille exploitable, et l'élégance n'y joue aucun rôle. Un seuil qui qualifie quatre contacts par mois a cessé d'être un seuil, et un seuil qui en qualifie quatre cents a cessé d'être un filtre.
Posez ensuite explicitement la règle de passage de relais. Un score sans action convenue est un nombre dans une colonne. Décidez ce qui se passe au seuil, qui agit et sous quel délai, avant de l'activer.
Cinquante contacts étiquetés, c'est l'exigence visible. La complétude des propriétés est la vraie.
## Le scoring par IA : ce qu'il lui faut avant d'être utile
HubSpot propose un scoring assisté par IA pour l'engagement et l'adéquation des contacts, sur Marketing Hub Enterprise. Il lui faut un jeu d'entraînement : au moins 50 contacts, dont 25 convertis et 25 non convertis, avant de pouvoir produire des recommandations.
Deux conséquences en découlent, et toutes deux passent facilement inaperçues. D'abord, si vous ne pouvez pas fournir 25 exemples convertis propres, la contrainte se situe dans la cohérence avec laquelle votre conversion est enregistrée, bien en amont du modèle. Corriger cela vaut plus que n'importe quelle fonctionnalité de scoring.
Ensuite, un modèle IA entraîné sur des propriétés à moitié vides apprend le vide. Il trouvera que les contacts dont le champ chiffre d'affaires est rempli convertissent plus souvent, ce qui est vrai et inutile : ils convertissent plus souvent parce que quelqu'un a pris la peine de les chercher, pas à cause du chiffre. De la donnée pauvre produit un modèle assuré, pas un modèle visiblement cassé, et c'est précisément ce qui le rend dangereux.
L'ordre qui fonctionne n'a rien de glamour. Remplir les propriétés, les normaliser, puis laisser un modèle chercher des motifs dans une donnée qui décrit vraiment le monde.
## Ce que le lead scoring HubSpot vous coûte quand la donnée est maigre
Le coût se paie en mauvais aiguillage bien plus qu'en abonnement. Le calculateur ci-dessous transforme la taille de votre base et le taux de remplissage des propriétés en nombre de fiches que votre score va mal juger, qui est le chiffre à mettre sur la table en réunion de cadrage.
Calculateur gratuit
### Angle mort du scoring : combien de fiches votre score d'adéquation ne peut pas juger
Indiquez combien de contacts vous scorez et à quel point les propriétés derrière les critères d'adéquation sont complètes. Le résultat donne la part de votre base sur laquelle le modèle devine.
Contacts que vous scorez
Taux de remplissage des propriétés scorées (%)
Indiquez un nombre de contacts et un taux de remplissage pour voir l'angle mort.
Une propriété vide score zéro, exactement comme une mauvaise adéquation. Les fiches ci-dessous ne sont pas mal notées, elles sont inévaluables, et le modèle ne peut pas vous dire laquelle est laquelle.
Remplissez effectif, secteur et signal de recrutement dans la feuille, puis envoyez-les à la fiche.
## Remplir les propriétés avant qu'elles n'atteignent le score
Le remède se situe en amont de HubSpot. Enrichissez la fiche pour que le score ait quelque chose à lire, et faites-le à un endroit où vous pouvez inspecter le résultat avant qu'il ne devienne une valeur de propriété.
Pour l'adéquation entreprise, [Enrich Companies](https://derrick-app.com/fr/features/enrich-companies) renvoie le détail complet d'une entreprise à 1 crédit par entreprise, sur le plan gratuit, facturé à la ligne que celle-ci renvoie quelque chose ou non. Pour l'adéquation persona, [Enrich Leads](https://derrick-app.com/fr/features/enrich-leads) fait la même chose pour un profil à 1 crédit par profil. En France précisément, [l'enrichissement SIRET et SIREN](https://derrick-app.com/fr/features/siret-siren-enrichment) renvoie identité, activité, dirigeants et données légales à 1 crédit par entreprise, ce qui est la source la plus propre de code d'activité normalisé que vous trouverez.
Pour la famille timing qui manque à presque tous les modèles, [Company Hiring Signal](https://derrick-app.com/fr/features/company-hiring-signal) vous dit quelles entreprises recrutent et sur quels postes, à 1 crédit par entreprise. C'est une propriété qu'aucun CRM ne remplit tout seul, et c'est celle qui transforme un score d'adéquation statique en quelque chose qui a une horloge.
Deux frontières méritent d'être posées. La joignabilité, c'est-à-dire un email vérifié ou un numéro de portable, vient d'Email Finder et de Phone Finder, qui sont des features payantes et ne font pas partie de l'allocation gratuite. Et la normalisation est un travail distinct de l'enrichissement : récupérer un intitulé de poste n'est pas la même chose que le rattacher à l'une des six personas que votre score comprend.
## Garder la donnée fraîche, et où faire vivre le travail
Un modèle de scoring est une affirmation permanente sur votre base : il lui faut donc une cadence de rafraîchissement plutôt qu'une date de lancement. La taille d'entreprise et l'intitulé de poste bougent constamment ; le secteur et l'identité légale ne bougent presque pas. Tout rafraîchir chaque mois gaspille des crédits, ne rien rafraîchir laisse le modèle pourrir, et le juste milieu consiste à caler une cadence par famille de propriétés sur la vitesse de péremption de chacune, ce qui constitue la couche quatre de [la stratégie de données CRM en cinq couches](https://derrick-app.com/fr/crm-data-enrichment/strategie-donnees-crm).
L'endroit où tourne l'enrichissement est une question de workflow, pas de religion. À l'intérieur de HubSpot, les workflows peuvent enrichir à la création d'une fiche, à la soumission d'un formulaire et sur planification, ce que notre guide sur [l'automatisation de l'enrichissement HubSpot par les workflows](https://derrick-app.com/fr/crm-data-enrichment/hubspot-enrichment-workflows) détaille cas par cas. À l'extérieur, une passe en tableur vous donne ce qu'un workflow ne peut pas donner : vous voyez le résultat avant qu'il n'atterrisse sur la fiche, ce qui compte quand une mauvaise valeur change un score en silence.
Si le travail relève d'un pipeline, les mêmes recherches passent par l'API REST et par le [MCP Derrick](https://derrick-app.com/fr/mcp) depuis n'importe quel assistant compatible, l'un comme l'autre sur un plan payant. Et si vous hésitez encore entre les deux, notre comparaison sur [l'enrichissement de HubSpot face à Pipedrive](https://derrick-app.com/fr/crm-data-enrichment/hubspot-vs-pipedrive) traite de ce qui change de l'un à l'autre. Le reste du cocon vit sur le [hub enrichissement CRM](https://derrick-app.com/fr/crm-data-enrichment).
Chaque erreur produit un score confiant plutôt qu'un modèle visiblement cassé.
## Les erreurs courantes de lead scoring HubSpot
- **Scorer une propriété sans vérifier son taux de remplissage.** La plus fréquente de toutes. Un champ vide et une mauvaise adéquation produisent le même score, et le modèle ne peut pas vous dire lequel il vient de voir.
- **Un seul nombre combiné.** Fusionner intérêt et adéquation en un score unique masque la moitié qui est cassée. Lisez les deux propriétés séparément, HubSpot les écrit pour vous.
- **Scorer du texte libre.** Un intitulé de poste à plusieurs milliers de valeurs distinctes matchera une poignée de vos critères et ratera le reste. Normalisez d'abord, scorez ensuite.
- **Pas de décroissance.** Une visite de mars qui compte autant qu'une visite d'hier transforme le score en total d'activité sur la durée de vie, au lieu d'une affirmation sur le présent.
- **Construire le modèle avant d'avoir convenu de l'action.** Si personne n'a décidé ce qui se passe au seuil, vous avez ajouté une colonne à une base et vous l'appelez un processus.
- **Laisser un ancien score branché.** L'ancienne propriété HubSpot Score a cessé de se mettre à jour en août 2025. Tout ce qui branche encore dessus branche sur une valeur figée.
## Ce que cela change pour vous
L'outil est la moitié facile. HubSpot vous donne des scores d'engagement, des scores d'adéquation et un modèle combiné qui expose les deux moitiés, soit plus de puissance de diagnostic que la plupart des équipes n'en utilisent.
La partie difficile, c'est qu'un score d'adéquation est une lecture de vos propriétés, et que les propriétés ne valent que ce qui a été récupéré et à quelle date. Auditez le taux de remplissage avant d'écrire un critère, scorez deux ou trois propriétés auxquelles vous faites confiance plutôt que douze que vous espérez, ajoutez un signal de timing qu'aucun CRM ne vous donnera, et calez une cadence de rafraîchissement par famille.
Commencez par l'audit, puis comblez le plus gros trou. Le plan gratuit inclut 100 crédits par mois, et l'enrichissement entreprise seul coûte 1 crédit par ligne : une première passe couvre donc 100 comptes. Ajoutez le signal de recrutement et vous êtes à 2 crédits par compte, donc la même allocation en couvre cinquante. Dans les deux cas, de quoi mesurer combien votre score d'adéquation change une fois les champs derrière lui réellement remplis.
## Utiliser Derrick dans Claude (MCP) ou via l'API
Derrick n'est pas qu'un module Google Sheets. Le même enrichissement de données B2B tourne comme serveur MCP (utilisable directement dans Claude et les autres agents IA) et comme API REST :
- **Claude / agents IA (MCP)** : connectez le serveur MCP Derrick, puis enrichissez depuis le chat. Mise en place : /fr/mcp
- **API REST** : appelez les mêmes endpoints d'enrichissement depuis votre propre stack (plan Standard et plus). Docs : https://app1.derrick-app.com/api/v1/docs/
## FAQ
### Qu'est-ce que le lead scoring HubSpot ?
C'est l'outil intégré de HubSpot qui attribue des scores, disponible sur Marketing Hub et Sales Hub en Professional et en Enterprise. Il gère trois types de score : l'engagement, fondé sur des actions comme les pages vues, les ouvertures d'email, les clics sur CTA et les formulaires ; l'adéquation, fondée sur des valeurs de propriétés comme l'intitulé de poste, la taille d'entreprise, le secteur et le chiffre d'affaires ; et le combiné, qui fusionne les deux et écrit trois propriétés distinctes, un total, une valeur engagement seul et une valeur adéquation seule. Les scores d'engagement et d'adéquation portent sur les contacts et les entreprises ; les transactions ne se scorent qu'en modèle combiné.
### Pourquoi mes scores d'adéquation HubSpot sont-ils faux ?
Parce qu'un score d'adéquation est une lecture de vos propriétés CRM, et qu'une propriété vide score zéro exactement comme une mauvaise adéquation. L'outil ne peut pas vous dire lequel des deux cas il vient de voir : un grand compte parfaitement qualifié arrivé par un formulaire court se classe donc sous un curieux qui a rempli un formulaire long. Deux causes s'y ajoutent : les propriétés en texte libre ne matchent pas les critères de façon fiable, et les valeurs capturées à la création se périment, si bien qu'un score calculé aujourd'hui peut lire une entreprise qui n'existe plus sous cette forme.
### Que vérifier avant de construire un modèle de scoring ?
Quatre choses, en un quart d'heure environ. Le taux de remplissage par propriété, car en dessous de 70 % environ le score est dominé par l'absence plutôt que par l'adéquation. Le nombre de valeurs distinctes, car un champ intitulé de poste à plusieurs milliers de variantes est du texte libre et doit être normalisé d'abord. L'âge de la valeur, car un champ renseigné il y a trois ans n'est pas un fait actuel. Et l'origine, car le déclaratif par formulaire est la moins fiable des sources courantes et en général la plus lourdement pondérée.
### Quels points attribuer dans un score d'adéquation HubSpot ?
Gardez le modèle à six critères environ pour un total de 100. Une répartition de départ qui fonctionne : 25 points pour un effectif dans la tranche cible, 20 pour le secteur, 15 pour la tranche de chiffre d'affaires, 20 pour une fonction correspondant à votre acheteur ou utilisateur, 10 pour une séniorité au niveau décisionnaire, et 10 pour une propriété de timing comme le recrutement sur la fonction que vous servez. Ajoutez ensuite les malus, que la plupart des modèles oublient : moins 15 pour un domaine email gratuit, moins 20 pour un intitulé d'étudiant ou de chercheur d'emploi, moins 20 pour un effectif sous votre plancher, moins 25 pour une désinscription. Trois bandes de seuil suffisent en général, et elles se fixent depuis l'aperçu de distribution plutôt qu'en choisissant des chiffres ronds.
### De quoi le scoring par IA de HubSpot a-t-il besoin ?
D'un jeu d'entraînement. Le scoring IA de HubSpot, disponible pour l'engagement et l'adéquation des contacts sur Marketing Hub Enterprise, exige au moins 50 contacts dont 25 convertis et 25 non convertis avant de produire des recommandations. Si vous ne pouvez pas fournir 25 exemples convertis propres, la contrainte n'est pas le modèle mais la cohérence de votre suivi de conversion. Et un modèle entraîné sur des propriétés à moitié vides apprend le vide : il trouvera que les contacts au champ chiffre d'affaires rempli convertissent mieux, ce qui est vrai parce que quelqu'un les a cherchés, pas à cause du chiffre.
### Qu'est devenue l'ancienne propriété HubSpot Score ?
L'ancienne propriété HubSpot Score, à base de règles, a été retirée en août 2025. Les scores qui vivaient dessus ont cessé de se mettre à jour, ce qui signifie que tout workflow, liste ou rapport qui branche encore dessus branche sur une valeur figée. Si vous héritez d'une instance restée en l'état, auditer ce qui lit encore cette propriété est un meilleur premier geste que de construire un nouveau modèle par-dessus.
### Quelles propriétés prédisent vraiment une vente ?
Quatre familles, dans cet ordre de poids. L'adéquation entreprise, c'est-à-dire effectif, secteur et tranche de chiffre d'affaires, parce qu'une entreprise qui ne peut pas acheter n'achètera pas quel que soit l'intérêt d'un salarié. L'adéquation persona, c'est-à-dire fonction et séniorité, la famille qui a le plus urgemment besoin de normalisation. Le timing, par exemple si l'entreprise recrute sur la fonction que vous servez, que presque aucun modèle HubSpot n'intègre parce que rien dans le CRM ne le remplit. Et la joignabilité, puisqu'un contact parfaitement adéquat sans email vérifié n'est pas un lead exploitable.
### Faut-il retirer des points autant qu'en attribuer ?
Oui, et c'est la moitié la plus négligée d'un modèle de scoring. Les seuls critères positifs laissent un contact très assidu mais hors sujet grimper dans la file, ce qui arrive précisément avec les étudiants, les chercheurs d'emploi et les inscriptions personnelles sur domaine email gratuit, puisque ces profils interagissent davantage avec le contenu que les acheteurs. Des malus sur un domaine email gratuit, un intitulé d'étudiant ou de chercheur d'emploi, un effectif sous votre plancher exploitable, une désinscription, et une propriété non mise à jour depuis dix-huit mois nettoieront une file de routage plus vite que n'importe quel critère positif supplémentaire.
## Related
- [Enrichir votre CRM HubSpot ou Salesforce : le guide complet pour des données toujours à jour](https://derrick-app.com/fr/crm-data-enrichment/hubspot-vs-pipedrive)
- [Enrichissement HubSpot : comment l'automatiser avec les workflows](https://derrick-app.com/fr/crm-data-enrichment/hubspot-enrichment-workflows)
- [L'état de la qualité des données CRM 2026 : péremption, coût et enrichment gap](https://derrick-app.com/fr/crm-data-enrichment/rapport-qualite-donnees-crm-2026)
- [Stratégie de données CRM](https://derrick-app.com/fr/crm-data-enrichment/strategie-donnees-crm)