Attributs personnalisés : créez vos propres enrichissements data B2B

Les outils d'enrichissement standards vous donnent les mêmes attributs que tout le monde : email, phone, job title, taille d'entreprise. Mais que se passe-t-il quand votre ICP est plus spécifique ? Quand vous avez besoin de scoring basé sur vos critères uniques, ou de champs custom qui n'existent dans aucun outil ?

C'est exactement ce que résolvent les attributs personnalisés — des attributs sur-mesure que vous créez vous-même pour enrichir votre data selon vos besoins précis. Au lieu d'être limité à 50 champs standards, vous pouvez générer des centaines de colonnes custom : scoring personnalisé, classification d'industrie sur-mesure, résumés de profils, détection de signaux d'achat, et bien plus.

C'est quoi un attribut personnalisé et pourquoi vous en avez besoin

Un attribut personnalisé est une data enrichie que vous créez vous-même pour répondre à un besoin business spécifique — une data qui n'existe dans aucun outil d'enrichissement standard.

Prenez Sarah, Head of Sales dans une startup SaaS qui vend à des entreprises e-commerce. Les outils standards lui donnent le poste du prospect, la taille d'entreprise et le secteur "Retail". Mais Sarah a besoin de bien plus :

• Cette entreprise vend sur Shopify ou WooCommerce ?
• Combien de produits dans leur catalogue ?
• Utilisent-ils déjà un CRM ?
• Sont-ils en phase de croissance ou de stabilisation ?

Cette info n'existe dans aucun champ standard. Sarah doit créer des attributs personnalisés pour l'obtenir.

Types d'attributs personnalisés les plus utilisés :

Type d'attribut	Exemple concret	Impact business
Scoring custom	Lead score basé sur votre ICP unique	Prioriser les 20% de leads qui génèrent 80% du revenue
Classification custom	Catégoriser par micro-industrie spécifique	Personnaliser l'approche par sous-secteur exact
Signaux d'achat	Détection de levées, hiring, tech stack	Contacter quand ils sont prêts à acheter
Qualification binaire	"Good fit ? Oui/Non + raison"	Filtrer instantanément les leads non qualifiés
Résumés intelligents	Résumé profil LinkedIn en 2 phrases	Accélérer la recherche manuelle de 80%
Extraction de data	Parser des infos depuis bio, posts, site	Obtenir de la data indisponible ailleurs

Maintenant que vous savez ce qu'est un attribut personnalisé, 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 data fixe avec des champs prédéfinis. Vous obtenez ce qui existe dans leur catalogue, point.

Le problème ? Chaque business est unique.

Les limites des enrichissements standards

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

• Prénom, nom, email ✅
• Poste : "VP Sales" ✅
• Entreprise : "TechCorp" ✅
• Taille : 50-200 employés ✅
• Industrie : "Software" ✅

Mais Mike a besoin de savoir :

• TechCorp forme déjà ses équipes sales ? ❌
• Combien de SDRs ont-ils ? ❌
• Ont-ils lancé un programme d'onboarding récemment ? ❌
• Utilisent-ils un LMS ou pas ? ❌

Cette info est critique pour la qualification et la personnalisation, mais aucun outil standard ne la fournit. Mike doit soit :

1. Faire de la recherche manuelle → 10 minutes par lead = impossible à scaler
2. Se passer de cette info → taux de conversion divisé par 3
3. Créer des attributs personnalisés → automatiser l'extraction de cette data

L'explosion de la data non structurée

Selon une étude Gartner 2026, 80% de la data pertinente pour la prospection B2B est non structurée : posts LinkedIn, pages "À propos", articles blog, fiches de poste.

Cette data ne rentre dans aucun champ prédéfini. Il faut de l'intelligence pour :

• Extraire l'info pertinente
• L'interpréter dans votre contexte business
• La transformer en attributs actionnables

C'est exactement ce que permettent les attributs personnalisés générés par IA.

Chaque ICP est différent

Deux entreprises qui vendent aux mêmes secteurs n'ont jamais le même Ideal Customer Profile. Prenez 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 scaling (hiring actif) et sans outil d'automation existant

Les critères standards "secteur = Marketing" et "taille = 20-50 employés" ne peuvent pas distinguer ces deux ICP.

Les attributs personnalisés permettent de créer du scoring et de la segmentation qui reflètent VOTRE ICP unique, pas celui de tous vos concurrents qui utilisent le même outil.

Comment l'IA générative révolutionne les attributs personnalisés

Jusqu'en 2026, créer des attributs personnalisés demandait 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 : il fallait :

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 basé sur : la séniorité (30%), le fit industrie (25%), le tech stack (20%), les signaux d'achat (15%), l'engagement (10%)"

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

Les 3 révolutions de l'IA pour les attributs personnalisés

1. Compréhension contextuelle

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

• Elle sait que "Business Development Manager" = "Sales Manager"
• Elle détecte qu'une entreprise qui hire 5 SDRs est en phase de scaling
• 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 :

"Cette entreprise est-elle en hyper-croissance ? Analyse : nombre d'employés, évolution sur 12 mois, offres ouvertes, 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 data structurée :

• Résumer un profil LinkedIn de 500 mots en 2 phrases actionnables
• Extraire les 3 pain points mentionnés sur la page "À propos"
• Catégoriser une industrie vague ("Retail" → "Luxury fashion e-commerce")

Exemple concret : à partir d'une bio LinkedIn, générer :

Séniorité : Executive
Buying Power : Décideur
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 séniorité
2. Croiser avec la taille d'entreprise → valider le budget potentiel
3. Vérifier le tech stack → 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 attributs personnalisés étape par étape

Créer des attributs personnalisés 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 personnalisés

Commencez par identifier les questions business auxquelles vous ne pouvez pas répondre.

Demandez-vous :

• Quelle info me manque pour qualifier un lead ?
• Sur quoi je passe du temps en recherche manuelle ?
• Comment je différencie mes meilleurs clients des clients moyens ?
• Quels signaux indiquent qu'un prospect est prêt à acheter ?

Exemple : définir un scoring custom

Emily, Sales Ops dans une plateforme de recrutement B2B, analyse ses 50 derniers deals gagnés et identifie des patterns :

• 80% ont 10+ employés
• 95% sont en hiring actif (offres ouvertes)
• 70% n'utilisent pas encore un ATS moderne
• 60% sont en croissance (headcount +20% sur 12 mois)

Elle crée un scoring custom avec ces 4 critères pondérés.

Template de réflexion :

Question à se poser	Attribut custom à créer
"Quelle taille minimum pour être rentable ?"	Classification taille (Micro / SMB / Mid-Market / Enterprise)
"Quels outils indiquent du budget ?"	Tech stack score (0-100) basé sur outils premium détectés
"Comment détecter l'urgence ?"	Signaux d'achat (Oui/Non + liste des signaux détectés)
"Quel message personnalisé envoyer ?"	Angle d'approche suggéré (Pain point principal + CTA adapté)

Résultat attendu : une liste claire de 3-7 attributs personnalisés que vous voulez générer.

Étape 2 : configurer la génération IA

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

2.1 — Choisir le bon modèle IA

Deux options principales en 2026 :

• Claude (Anthropic) : meilleur pour le raisonnement complexe, l'analyse nuancée, le scoring multi-critères
• ChatGPT (OpenAI) : très versatile, excellent pour l'extraction rapide et la classification

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

2.2 — Écrire le prompt optimal

La qualité de votre attribut personnalisé dépend à 80% de la qualité du prompt.

Structure recommandée pour un bon prompt :

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

[DATA DISPONIBLE]
Tu vas recevoir :
- Poste du prospect
- Taille de l'entreprise
- Tech stack détecté (CRM, outils marketing)
- Activité LinkedIn récente

[CE QUE TU DOIS GÉNÉRER]
Un score de 0 à 100 basé sur ces critères :
1. Séniorité (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. Tech stack (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 généraux = 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 l'automation
Output :
Score : 95
Raison : Haute séniorité + taille idéale + stack mature + engagement automation

Règles d'or pour prompter des attributs personnalisés :

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 les edge cases : 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. Sélectionner les colonnes à analyser
   • Sélectionnez les cellules contenant votre data (poste, entreprise, etc.)
2. Choisir la fonction IA
   • Ask Claude pour le raisonnement complexe
   • Ask OpenAI pour l'extraction/classification rapide
3. Coller votre prompt
   • Adaptez le template ci-dessus à votre besoin
4. Lancer l'enrichissement
   • Derrick génère automatiquement votre attribut custom pour tous les leads
5. Récupérer les résultats
   • Une nouvelle colonne apparaît avec votre attribut personnalisé

Résultat attendu : votre attribut personnalisé est généré pour toute votre liste en quelques secondes.

Étape 3 : tester et optimiser vos attributs

Vos premiers attributs personnalisés 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 :

• Les bons leads scorent-ils haut ?
• Les mauvais leads scorent-ils bas ?
• Les résultats sont-ils cohérents ?

Exemple de validation : Mike génère un fit score pour 50 leads. Il remarque :

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

3.2 — Ajuster le prompt en fonction des erreurs

Erreurs courantes et corrections :

Problème observé	Cause probable	Solution
Scores trop similaires (tous entre 60-80)	Pondération trop faible	Augmenter l'écart entre critères (0-30 au lieu de 0-10)
L'IA ne détecte pas certains signaux	Critère trop vague dans le prompt	Donner des exemples explicites de ce qui compte
Format de réponse incohérent	Pas assez de contraintes	Forcer le format JSON ou "Score : X / Raison : Y"
Scores trop généreux	Pas de cas de disqualification	Ajouter des critères négatifs (-10 points si...)

Template d'amélioration itérative :

Prompt V1 → Test sur 50 leads → Analyse des erreurs
↓
Prompt V2 (ajustements) → Test sur 50 nouveaux leads → Comparaison V1 vs V2
↓
Prompt V3 (final) → Déploiement sur toute la base

3.3 — Automatiser pour le futur

Une fois votre attribut personnalisé validé, automatisez-le pour tous les nouveaux leads.

Options d'automatisation :

1. Enrichissement temps réel
   • Chaque nouveau lead dans Google Sheets est automatiquement enrichi
   • Via Zapier, Make, ou webhooks
2. Batch hebdomadaire
   • Chaque lundi, enrichir les nouveaux leads de la semaine
   • Via Google Sheets script 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 attributs personnalisés se génèrent automatiquement sans intervention manuelle.

Les 5 cas d'usage les plus puissants des attributs personnalisés

Maintenant que vous savez comment créer des attributs personnalisés, voyons les applications concrètes qui génèrent le plus de résultats.

1. Scoring personnalisé basé sur votre ICP unique

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

La solution attribut personnalisé : créer un fit score basé sur VOS critères de client idéal.

Exemple réel — Lisa, SDR dans une plateforme de ticketing B2B :

Lisa cible des organisateurs d'événements pro. Son ICP :

• Organise 5+ événements/an
• 200+ participants par événement
• Utilise déjà un outil de ticketing (mais pas Eventbrite Enterprise)

Elle crée un attribut personnalisé "Event Fit Score" qui analyse :

• Nombre d'événements mentionnés sur le site
• Taille moyenne de l'audience (via posts LinkedIn)
• Tech stack ticketing détecté

Prompt utilisé :

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

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

Résultat : Lisa priorise maintenant les leads scorés >70, économisant 12h/semaine de recherche manuelle.

2. Classification micro-industrie

Le problème : les catégories LinkedIn/Clearbit sont trop larges ("Retail", "Software").

La solution attribut personnalisé : créer une taxonomie custom ultra-précise.

Exemple réel — Anthropic (user Clay) :

Comme mentionné dans un case study Clay, Anthropic a utilisé Claude pour recatégoriser des prospects :

• Au lieu de "Retail" → "Luxury fashion e-commerce" vs "Food marketplace"
• Au lieu de "Software" → "B2B CRM SaaS" vs "B2C gaming mobile app"

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

Prompt typique :

Catégorise cette entreprise dans UNE de ces micro-industries :
- Fashion e-commerce
- Food e-commerce
- B2B marketplace
- Services marketplace
- CRM SaaS
- Analytics SaaS
- HR SaaS
- B2B Fintech
- B2C Fintech

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

3. Détection de signaux d'achat

Le problème : les meilleurs moments pour prospecter sont invisibles avec la data standard.

La solution attribut personnalisé : générer un attribut "Buying Signals" qui détecte les triggers.

Signaux d'achat détectables :

• Levée de fonds récente
• Hiring massif (5+ offres ouvertes)
• Changement de leadership (nouveau VP Sales)
• Expansion géographique (ouverture de bureau)
• Lancement de produit (annonce sur LinkedIn)
• Pivot stratégique (nouveaux keywords sur le site)
• Migration tech (mention "migrating from X to Y")

Exemple réel — Mike, Growth dans une plateforme de formation :

Mike veut détecter les entreprises qui forment activement leurs équipes. Son attribut custom "Training Signal" cherche :

• Offres d'emploi mentionnant "formation", "onboarding", "learning"
• Posts LinkedIn sur la formation d'équipe
• Page carrière mentionnant "skills development"

Prompt utilisé :

Analyse les data de cette entreprise et identifie les signaux de formation active.

Signaux à chercher :
- Jobs mentionnant formation/onboarding
- Posts sur learning & development
- Page carrière qui parle de skill development
- Programmes de formation mentionnés

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

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

4. Résumés de profils intelligents

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

La solution attribut personnalisé : générer un résumé actionnable en 2-3 phrases.

Ce qu'un bon résumé devrait contenir :

1. Niveau de séniorité et pouvoir de décision
2. Expertise principale et domaine de responsabilité
3. Pain points probables
4. Angle d'approche suggéré

Exemple réel — Sophie, SDR outbound :

Au lieu de lire chaque profil complet, Sophie génère un attribut custom "Quick Summary" :

Input : profil LinkedIn complet (500 mots)

Output :

"VP Sales dans une SaaS de 80 personnes, 5 ans d'XP en scaling. Manage une équipe de 15 SDR/AE. Pain points probables : onboarding des reps, tech stack fragmenté, forecasting du revenue. Approche : efficacité de l'équipe sales."

Prompt utilisé :

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

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

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

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

5. Génération d'angle de personnalisation

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

La solution attribut personnalisé : générer un "hook" personnalisé pour chaque prospect.

Exemple réel — Mark, Founder qui fait de l'outbound :

Mark génère un attribut custom "Personalization Hook" qui analyse :

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

Prompt utilisé :

Génère une ligne d'ouverture personnalisée pour ce prospect.

Data disponible :
- Poste et entreprise
- 3 derniers posts LinkedIn
- Actualités de l'entreprise
- Votre ICP : [votre business]

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

Format : [votre ligne d'ouverture]

Exemple d'output :

"Vu votre post sur l'automation sales — on résout exactement ce problème."

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

Erreurs à éviter avec les attributs personnalisés

Créer des attributs personnalisés est puissant, mais certaines erreurs peuvent ruiner vos résultats. Voici les pièges les plus courants et comment les éviter.

Erreur 1 : vouloir tout enrichir d'un coup

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

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

Solution : commencez avec 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 attribut custom pour chacune
3. Testez sur 50 leads
4. Validez → Déployez → Passez au suivant

Exemple : Emily crée d'abord uniquement son "Fit Score". Une fois validé (1 semaine), elle ajoute "Buying Signals". Puis "Personalization Hook" le mois suivant.

Erreur 2 : prompts trop vagues

Symptôme : l'IA renvoie 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 basé sur :
- Séniorité (40 pts) : C-level = 40, VP = 30, Manager = 20, Specialist = 10
- Budget (30 pts) : >100 employés = 30, 50-100 = 20, <50 = 10
- Tech stack (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 attributs custom 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 déploiement.

Process de validation en 3 étapes :

Étape 1 : générer sur 50 leads variés (bons clients, mauvais leads, edge cases)

Étape 2 : valider manuellement les résultats

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

Étape 3 : ajuster le prompt en fonction des erreurs détectées

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

Erreur 4 : ignorer le coût par enrichissement

Symptôme : vous générez 50 attributs custom par lead et votre facture explose.

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

Solution : calculer le ROI de chaque attribut personnalisé avant de déployer.

Framework de calcul ROI :

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

Avec :
Gain généré = Amélioration du taux de conversion × Nb leads × LTV
Coût d'enrichissement = Nb leads × Coût IA par attribut

Exemple concret :

Sophie génère un attribut custom "Fit Score" qui améliore son taux de conversion de 3% à 5%.

• Leads mensuels : 1000
• LTV moyen : 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%

→ Attribut custom ultra-rentable.

Règle générale : si le ROI est <500%, questionnez l'utilité de cet attribut.

Erreur 5 : oublier de maintenir les attributs dans le temps

Symptôme : vos attributs personnalisés marchaient bien en janvier mais donnent des résultats incohérents en juin.

Impact : scoring et segmentation deviennent obsolètes, décisions basées sur de la data outdated.

Solution : audit trimestriel de la performance de vos attributs custom.

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 la perf baisse : re-tester sur échantillon et ajuster le prompt
□ Documentation : garder l'historique des versions de prompts

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

Outils et technologies pour générer des attributs personnalisés

Créer des attributs personnalisés demande les bons outils. Voici l'écosystème complet 2026.

Derrick : IA générative dans Google Sheets

Pourquoi Derrick pour les attributs custom ?

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

Fonctionnalités clés pour les attributs custom :

Fonctionnalité	Cas d'usage attribut custom	Coût par action
Ask Claude	Scoring complexe, raisonnement multi-critères, analyse nuancée	1 crédit
Ask OpenAI	Classification rapide, extraction de data, catégorisation	1 crédit
AI Lead Scoring	Score prédéfini (séniorité, fit, engagement) avec scoring natif	1 crédit
AI Profile Summarization	Résumer des profils LinkedIn en 2-3 phrases actionnables	1 crédit
AI Segmentation	Segmenter automatiquement en catégories custom	1 crédit

Workflow typique dans Derrick :

1. Enrichissement classique
   • Email Finder, LinkedIn Scraper, Phone Finder
   • → Vous avez la data de base
2. Génération d'attributs custom
   • 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 attributs custom arrivent dans votre workflow sales

Avantages Derrick vs alternatives :

Critère	Derrick	Clay	Alternatives code
Courbe d'apprentissage	✅ 10 minutes	⚠️ 2-3 jours	❌ Technique
Prix	✅ 9-175 $/mois	⚠️ 349 $/mois min	Variable
Intégration Google Sheets	✅ Native	⚠️ Export manuel	❌ Complexe
IA intégrée	✅ Claude + GPT	✅ Claude + GPT	❌ Setup API
Report des crédits	✅ Oui	❌ Non	N/A

Autres outils de l'écosystème

Clay : plateforme puissante mais complexe

• Forces : 100+ intégrations data, workflows avancés, formules custom
• Faiblesses : courbe d'apprentissage raide, prix élevé (349 $/mois min)
• Quand utiliser : si vous avez besoin de workflows très complexes avec 10+ sources de data

Zapier + ChatGPT API : approche DIY

• Forces : flexibilité totale, intégration avec 5000+ apps
• Faiblesses : demande un setup technique, coûts variables
• Quand utiliser : si vous avez déjà un stack Zapier mature

Make (Integromat) : automation visuelle

• Forces : interface visuelle, moins cher que Zapier
• Faiblesses : setup initial long, maintenance requise
• Quand utiliser : pour automatiser l'enrichissement custom CRM-to-CRM

n8n : alternative open-source

• Forces : gratuit si self-hosted, contrôle total
• Faiblesses : demande des compétences techniques, self-hosted = maintenance
• Quand utiliser : si vous avez une équipe tech et voulez un contrôle maximum

APIs directes (Claude API, OpenAI API)

• Forces : flexibilité maximale, coût au token
• Faiblesses : demande du développement, pas d'interface
• Quand utiliser : si vous intégrez dans votre produit ou workflow custom

Librairies techniques et ressources

Pour les équipes avec développeurs :

Python + pandas

import anthropic
import pandas as pd

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

# Générer attribut custom avec Claude
client = anthropic.Anthropic(api_key="your_key")

def generate_fit_score(row):
    prompt = f"Score ce lead basé sur votre 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 custom functions directement dans Sheets
• Appeler Claude ou OpenAI API
• Générer des attributs à la demande

Documentation utile :

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

Bonnes pratiques : règles d'or pour les attributs personnalisés

Pour maximiser la valeur de vos attributs personnalisés, suivez ces 7 principes éprouvés.

1. Commencez simple, complexifiez progressivement

Principe : un attribut custom simple qui marche > 10 attributs complexes à moitié fiables.

Roadmap recommandée :

Semaine 1 : créer UN attribut de scoring basique

• Tester sur 100 leads
• Valider que ça marche
• Déployer si >80% accuracy

Semaines 2-3 : ajouter 2-3 attributs complémentaires

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

Mois 2 : optimiser et automatiser

• Raffiner les prompts selon le feedback sales
• Automatiser la génération pour les nouveaux leads
• Intégrer dans le CRM

Mois 3+ : expérimenter avec des cas avancés

• Génération d'angle de personnalisation
• Prédiction de churn
• Scoring de ré-engagement

2. Documentez vos prompts et versions

Principe : un attribut custom sans documentation = impossible à maintenir.

Template de documentation :

## Attribut Custom : Event Fit Score

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

**Data utilisée** :
- Site web de l'entreprise
- Page LinkedIn entreprise
- Offres d'emploi

**Critères de scoring** :
- Volume d'événements (40%) : 10+ = 40 pts, 5-9 = 30 pts, <5 = 10 pts
- Taille événement (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 d'accuracy validé** : 87% sur 150 leads
**Changelog** :
- v2.3 (2026-01-15) : ajout du critère sophistication tech
- v2.2 (2026-01-10) : seuil taille événement baissé de 500 à 200
- v2.1 (2026-01-05) : ajout de la pondération explicite
- v2.0 (2026-01-01) : première version validée

Stockage : Notion, Confluence, ou simple Google Doc partagé.

3. Créez des feedback loops avec les sales

Principe : les SDRs/AEs sont les meilleurs juges de la qualité d'un attribut custom.

Process de feedback :

Hebdo :

• 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 : 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 "Tech Stack" pénalise trop les entreprises sans CRM mature — alors qu'elles sont exactement son ICP. Elle ajuste la pondération.

4. Combinez attributs standards + custom pour une valeur max

Principe : les attributs custom sont plus puissants combinés à l'enrichissement classique.

Stack d'enrichissement optimal :

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

• Outils : Derrick Email Finder, LinkedIn Scraper, Phone Finder
• Temps : quelques secondes par lead

Layer 2 — Attributs custom (scoring, classification, signaux)

• Outils : Ask Claude, Ask OpenAI
• Temps : quelques secondes par lead
• Basé sur la data du Layer 1

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

• Outils : Zapier, HubSpot, Salesforce
• Temps : automatique

Exemple concret — Mike, Growth Marketer :

1. Enrichissement standard → obtient email + poste + LinkedIn + taille entreprise
2. Attribut custom "Training Signal" → analyse la data enrichie pour détecter si l'entreprise forme activement
3. Attribut custom "Fit Score" → combine taille + poste + signal de formation 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 + attributs custom.

5. Testez plusieurs modèles IA pour le même attribut

Principe : Claude et ChatGPT ont des forces différentes.

Règle générale :

Type d'attribut	Modèle recommandé	Pourquoi
Scoring complexe	Claude	Meilleur raisonnement multi-critères
Classification rapide	ChatGPT	Plus rapide, excellent pour la catégorisation
Extraction de data	ChatGPT	Meilleur pour parser du texte structuré
Analyse nuancée	Claude	Détecte mieux les subtilités contextuelles
Génération de texte	ChatGPT	Meilleur pour les hooks personnalisés

A/B test recommandé :

1. Générer le même attribut custom avec Claude ET ChatGPT sur 50 leads
2. Comparer la qualité des résultats
3. Déployer avec le modèle le plus performant

Exemple : Emily teste "Fit Score" avec les deux modèles :

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

→ Elle choisit Claude pour l'accuracy (le score est critique pour sa prospection).

6. Utilisez les attributs custom pour de l'anti-ciblage

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

Attributs custom de disqualification :

Attribut	Critère	Action
Competitor Flag	Keywords concurrent détectés sur site/LinkedIn	Exclure de la prospection
Budget Indicator	Taille <10 employés ET pas de levée	Score = 0
Wrong ICP	Industrie hors cible détectée	Retirer de la liste
Recent Churn Risk	Posts négatifs sur produits similaires	Marquer "Approche avec prudence"

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 attribut custom à 95% d'accuracy qui n'améliore pas les conversions est inutile.

Métriques business à tracker :

Métrique	Avant attributs custom	Après	Amélioration
Taux de réponse	3%	8%	+166%
Taux de conversion Lead → SQL	12%	22%	+83%
Temps de recherche par lead	8 min	2 min	-75%
Deals gagnés top 20% leads scorés	15%	35%	+133%

Framework de mesure :

Étape 1 : établir la baseline (avant attributs custom)

• Mesurer les métriques actuelles sur 1 mois

Étape 2 : déployer les attributs custom

• Sur 50% des leads (A/B test)

Étape 3 : mesurer l'impact après 1 mois

• Comparer groupe test vs groupe contrôle

Étape 4 : calculer le ROI

• Gain de temps + amélioration conversion = valeur générée
• Coût d'enrichissement = investissement
• ROI = (Valeur - Coût) / Coût

Seuil minimum : si ROI <300%, questionnez l'utilité de l'attribut.

Points clés à retenir

• Les attributs personnalisés permettent de créer des champs d'enrichissement sur-mesure que les outils standards ne fournissent pas : scoring custom, classification sur-mesure, 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 génère la data.
• Commencez simple avec 2-3 attributs prioritaires, validez sur un échantillon de 50-100 leads avant de déployer, et itérez selon le feedback de vos équipes sales.
• Les cas d'usage les plus rentables sont le scoring personnalisé basé sur votre ICP unique, la détection de signaux d'achat en temps réel, et les résumés intelligents qui divisent le temps de recherche manuelle par 5.
• Derrick intègre Claude et ChatGPT directement dans Google Sheets pour générer des attributs custom sans quitter votre feuille, avec des crédits qui se reportent mois après mois.
• Mesurez l'impact business réel de vos attributs custom : taux de conversion, temps gagné, et ROI plutôt que juste l'accuracy technique des résultats générés.

Conclusion : passer à l'action aujourd'hui

Les attributs personnalisés 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 sur-mesure en quelques minutes.

Par où commencer ?

1. Identifiez votre besoin #1 : quelle info vous manque le plus pour qualifier les 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