Comment créer un workflow de scoring des MQL dans Make.com ?

Réponse rapide : vous pouvez construire un workflow de scoring MQL dans Make.com en connectant votre CRM et vos outils marketing, en récupérant des signaux comportementaux (pages vues, clics dans les e-mails, demandes de démo), en les faisant passer par une étape de logique d'AI qui calcule un score pondéré, puis en taguant automatiquement les contacts qui franchissent leur seuil MQL. L'ensemble du workflow fonctionne sans intervention manuelle.

Construire un modèle de lead scoring qui fonctionne vraiment demande plus que d'attribuer des points arbitraires dans un tableur. La plupart des équipes mettent en place un système de scoring basique, le voient se décorréler de la réalité, et finissent avec des commerciaux qui relancent des leads qui n'étaient pas prêts. Ce tutoriel vous montre comment construire dans Make.com un workflow de scoring MQL fondé sur le comportement, qui score les contacts en temps réel, applique une logique d'AI pour pondérer intelligemment les signaux et transmet automatiquement les leads qualifiés à votre CRM.

À la fin, vous disposerez d'un scénario Make.com opérationnel qui tague et score les MQL sans que vous ayez à toucher un seul lead manuellement.

Qu'est-ce qu'un workflow de scoring MQL ?

Un workflow de scoring MQL est un processus automatisé qui attribue des scores numériques aux contacts selon leur comportement et leur adéquation firmographique, puis les classe comme Marketing Qualified Leads lorsqu'ils franchissent un seuil défini.

Le workflow surveille des signaux tels que l'engagement avec les e-mails, les pages vues, les téléchargements de contenu et les demandes de démo. Chaque signal a un poids dans le score. Lorsque le score cumulé d'un contact dépasse votre seuil MQL, le système le tague, met à jour votre CRM et, en option, alerte votre équipe commerciale.

Make.com convient bien à cet usage : il se connecte à pratiquement tous les outils marketing et CRM, gère nativement la logique conditionnelle et permet d'intégrer un module d'AI à l'étape de scoring pour gérer les pondérations nuancées que les systèmes de points statiques ne captent pas. Si vous cherchez aussi un appui pour l'orchestration des canaux ou l'exécution de campagnes, SaaS Hackers publie également une sélection des meilleures agences de marketing digital B2B SaaS.

Pourquoi le lead scoring statique atteint ses limites

Le lead scoring statique attribue des points fixes aux actions : 10 points pour l'ouverture d'un e-mail, 20 pour une visite de la page tarifs, 5 pour le téléchargement d'un guide. Le problème, c'est que tous les signaux n'ont pas le même poids selon le profil du contact.

Un contact qui visite deux fois votre page tarifs en une semaine envoie un signal plus fort que celui qui a ouvert trois newsletters. Un contact issu d'une entreprise SaaS de 500 personnes qui consulte votre page tarifs n'a pas la même signification qu'un freelance qui fait la même chose.

La logique d'AI dans Make.com vous permet de transmettre des données contextuelles à un prompt de scoring et d'obtenir en retour un score pondéré qui tient compte à la fois de la combinaison des signaux, de leur récence et de l'adéquation firmographique. C'est la différence essentielle avec un simple décompte de points. Les équipes qui souhaitent associer lead scoring et sélection de comptes ciblés combinent souvent ce type de workflow avec l'appui d'agences ABM spécialisées en B2B SaaS.

Ce qu'il vous faut avant de commencer

Avant de construire le workflow, rassemblez les éléments suivants :

• Un compte Make.com (offre Core ou supérieure pour les scénarios à plusieurs étapes)
• Un CRM connecté à Make.com (HubSpot, Attio, Salesforce ou Pipedrive conviennent tous)
• Une source d'événements où arrivent les signaux comportementaux (votre CRM, un outil de formulaires ou un webhook depuis votre site web)
• Une clé d'API OpenAI (pour l'étape de scoring par AI)
• Un seuil MQL défini en accord avec votre équipe commerciale (par exemple, 70 points sur 100)
• Une liste de signaux de scoring avec des pondérations approximatives (vous les affinerez avec la logique d'AI)

Si vous n'avez pas encore défini votre seuil MQL avec les commerciaux, commencez par là. Le seuil est la variable la plus importante du modèle. Sojourn Solutions le décrit bien : le seuil MQL est le score à partir duquel un lead est classé comme qualifié par le marketing et transmis aux commerciaux, et le fixer de manière incorrecte est la raison la plus courante de l'échec des systèmes de scoring.

Comment construire le workflow de scoring MQL dans Make.com

Étape 1 : configurer votre module de déclenchement

Votre workflow a besoin d'un déclencheur qui se lance chaque fois qu'un événement pertinent concernant un contact se produit.

Dans Make.com, créez un nouveau scénario et ajoutez votre module de déclenchement :

• HubSpot : utilisez « Watch Contacts » ou « Watch CRM Events » pour déclencher le workflow lors de modifications de propriétés ou de soumissions de formulaires
• Webhook : si votre site web envoie directement des événements, utilisez le module « Custom Webhook » de Make comme déclencheur
• Typeform / Tally : utilisez leurs modules Make.com natifs pour déclencher le workflow à chaque formulaire complété

Configurez le déclencheur sur les événements les plus pertinents pour votre funnel : demandes de démo, visites de la page tarifs, clics sur des liens d'e-mails, téléchargements de contenu ou inscriptions à un essai gratuit.

Mappez les champs suivants depuis les données du déclencheur :

• E-mail ou ID du contact
• Type d'événement (par exemple « pricing_page_visit », « demo_request »)
• Horodatage
• Nom et taille de l'entreprise (si disponibles)
• Tout score existant déjà enregistré dans votre CRM

Étape 2 : récupérer les données actuelles du contact

Ajoutez un deuxième module pour extraire la fiche complète du contact depuis votre CRM. Vous accédez ainsi à :

• Son score de lead actuel (s'il existe)
• Les données firmographiques (taille de l'entreprise, secteur, intitulé de poste)
• L'historique de son activité
• Son étape actuelle dans le cycle de vie

Dans HubSpot, utilisez le module « Get a Contact » avec l'e-mail ou l'ID du contact de l'étape 1. Dans Attio, utilisez « Get Record ». Dans Pipedrive, utilisez « Get Person ».

Ces données sont nécessaires pour que l'étape d'AI de l'étape 4 dispose du contexte complet, et pas seulement de l'événement qui a déclenché le workflow.

Étape 3 : agréger les signaux comportementaux avec un Data Store

Le module Data Store de Make.com fait office de base de données légère. Utilisez-le pour accumuler les événements comportementaux de chaque contact avant le scoring.

Configurez un Data Store avec les champs suivants :

À chaque exécution du workflow, utilisez « Search Records » pour retrouver l'entrée existante du contact, puis « Update a Record » (ou « Add a Record » s'il n'en existe aucune) pour enregistrer le nouvel événement.

Cette étape d'agrégation permet à votre module de scoring par AI de recevoir un résumé comportemental complet, et non un simple signal isolé. Si l'engagement avec vos contenus compte parmi vos meilleurs indicateurs MQL, il peut aussi être utile de consulter les meilleures agences de content marketing B2B SaaS pour savoir quels signaux pondérer davantage.

Étape 4 : scorer le lead avec une étape de logique d'AI

C'est ici que le workflow Make.com va au-delà du scoring statique. Ajoutez un module OpenAI « Create a Completion » (ou le module « Create a Chat Completion » pour GPT-4o).

Rédigez un prompt système qui demande au modèle de se comporter comme un moteur de lead scoring. Voici une structure de prompt qui fonctionne :

You are a B2B SaaS lead scoring engine. Score the following contact 
out of 100 based on their behaviour and firmographic data.

Scoring criteria:
- Demo request: 35 points
- Pricing page visit (per visit, max 3): 15 points each
- Email link click (per click, max 5): 5 points each
- Content download: 10 points
- Free trial sign-up: 40 points
- Company size 50-500 employees: +10 bonus
- Job title contains "Head", "VP", "Director", or "C-": +10 bonus
- Events older than 30 days: reduce score by 20%

Contact data:
- Event type: {{event_type}}
- Event count: {{event_count}}
- Last event date: {{last_event_date}}
- Company size: {{company_size}}
- Job title: {{job_title}}
- Existing score: {{current_score}}

Return only a JSON object in this format:
{"score": [number], "mql": [true/false], "reason": "[brief explanation]"}

Mappez les variables issues de la sortie de votre Data Store dans le prompt grâce au panneau de mappage des variables de Make.com.

Choisissez le modèle GPT-4o mini pour limiter les coûts sur les workflows à gros volume, ou GPT-4o si vous avez besoin d'un raisonnement plus fin pour des règles de scoring complexes.

Étape 5 : analyser la réponse de l'AI

Ajoutez un module JSON « Parse JSON » après l'étape OpenAI. Pointez-le sur la sortie choices[0].message.content du module d'AI.

Il extrait trois valeurs que vous utiliserez dans les étapes suivantes :

• score (le score numérique)
• mql (vrai ou faux)
• reason (une explication du score en langage courant)

Si l'AI renvoie parfois un JSON mal formé, ajoutez un module Tools « Set Variable » avec une valeur de repli de {"score": 0, "mql": false, "reason": "parse error"} et dirigez-y les erreurs avant de poursuivre.

Étape 6 : ajouter un Router pour les parcours MQL et non-MQL

Ajoutez un module Router après l'analyseur JSON. Configurez deux chemins :

Chemin 1 : MQL = true

• Condition du filtre : mql est égal à true

Chemin 2 : MQL = false

• Condition du filtre : mql est égal à false

Le workflow se divise ainsi : les leads qualifiés reçoivent un traitement différent de ceux qui restent en nurturing.

Étape 7 : mettre à jour le CRM et taguer les MQL

Sur le chemin MQL :

1. Ajoutez un module « Update Contact » dans votre CRM. Renseignez la propriété de lead score avec la valeur score issue de la sortie de l'AI.
2. Passez l'étape du cycle de vie sur « Marketing Qualified Lead » (ou l'équivalent dans votre CRM).
3. Ajoutez un tag ou une étiquette : « MQL - Auto-scored ».
4. En option, ajoutez un module de notification Slack ou e-mail pour alerter le commercial concerné.

Sur le chemin non-MQL :

1. Mettez à jour le champ de score du contact avec la nouvelle valeur score .
2. Ne modifiez pas l'étape du cycle de vie.
3. En option, inscrivez le contact dans une séquence de nurturing si son score a franchi un seuil intermédiaire (par exemple, 40 à 69 points).

Étape 8 : enregistrer l'historique des scores

Après les deux chemins, ajoutez une dernière étape « Update a Record » du Data Store pour réécrire le nouveau score dans votre base d'agrégation. Ainsi, la prochaine fois que le workflow se déclenchera pour ce contact, l'étape d'AI partira du bon score de référence et non de zéro.

Comment fixer correctement votre seuil MQL

Le seuil MQL est le score à partir duquel un contact est considéré comme prêt pour les ventes. Trop bas, il submerge les commerciaux de leads non qualifiés. Trop haut, il assèche votre pipeline.

Suivez ce processus pour trouver le bon chiffre :

1. Extrayez 3 à 6 mois d'affaires gagnées depuis votre CRM
2. Identifiez les signaux comportementaux que ces contacts ont montrés avant de devenir clients
3. Passez ces signaux dans votre modèle de scoring et notez le score qu'ils auraient obtenu
4. Trouvez le score qui couvre 80 % de vos contacts closed-won sans inclure plus de 30 % de contacts qui ne se sont jamais convertis

Pour la plupart des modèles B2B SaaS, commencez avec un seuil de 65 à 75. Réexaminez-le tous les 90 jours à la lumière des données de conversion réelles. Si votre modèle de scoring est étroitement lié à l'inbound, la liste des meilleures agences d'inbound marketing B2B SaaS peut vous aider à comparer la façon dont d'autres équipes structurent leur qualification.

Tester votre workflow de scoring MQL dans Make.com

Avant la mise en production, exécutez le scénario en mode test avec des contacts connus :

• Utilisez un contact déjà devenu client. Son score doit dépasser votre seuil MQL.
• Utilisez un contact froid, sans aucune activité. Son score doit rester sous 20.
• Utilisez un contact aux signaux mitigés (quelques ouvertures d'e-mails, aucune action à forte intention). Son score doit se situer dans la moyenne.

Consultez le résultat de l'IA dans le journal d'exécution du scénario. Si les scores vous semblent faussés, ajustez les pondérations du prompt à l'étape 4 et relancez le test.

L'historique d'exécution de Make.com affiche les entrées et sorties de chaque module : vous pouvez ainsi retracer précisément l'origine d'un score et sa justification.

Erreurs courantes à éviter

Sauter l'étape d'agrégation des données. Évaluer un événement isolé donne des résultats très imprécis. Agrégez toujours les signaux avant de calculer le score.

Ne pas aligner le seuil avec l'équipe commerciale. Un modèle de scoring techniquement parfait échoue si les commerciaux ne font pas confiance à ses résultats. Présentez-leur la logique de scoring et obtenez leur accord explicite sur le seuil avant le lancement.

Ignorer la décroissance du score. Un contact qui a consulté votre page de tarifs il y a six mois ne représente pas le même signal que celui qui l'a consultée hier. Le prompt de l'étape 4 inclut une règle de décroissance sur 30 jours. Adaptez cette durée à la longueur de votre cycle de vente.

Surcharger le prompt de l'IA. Multiplier les règles dans le prompt ne produit pas toujours de meilleurs scores. Commencez avec 5 à 7 types de signaux, faites tourner le modèle pendant 30 jours, puis ajoutez de la complexité selon ce que montrent les données.

FAQ

Qu'est-ce qu'un workflow de scoring MQL dans Make.com ?
Un workflow de scoring MQL dans Make.com est un scénario automatisé qui collecte des signaux comportementaux depuis votre CRM et vos outils marketing, les fait passer par une étape de logique de scoring (dont un module d'IA pour le scoring pondéré), puis marque automatiquement les contacts comme Marketing Qualified Leads dès qu'ils dépassent un seuil de score défini. La qualification manuelle des leads disparaît ainsi complètement du processus.

Comment définir le bon seuil de score MQL dans Make.com ?
Récupérez vos deals closed-won des 3 à 6 derniers mois, identifiez les signaux comportementaux de ces contacts avant leur conversion, simulez leurs scores avec votre modèle et trouvez le score qui en capture au moins 80 %. Pour la plupart des entreprises B2B SaaS, le seuil MQL se situe entre 65 et 75 sur 100. Réexaminez-le tous les 90 jours à partir des données réelles de conversion du pipeline.

Make.com peut-il remplacer un outil de lead scoring dédié comme le scoring natif de HubSpot ?
Make.com ne remplace pas le scoring natif de votre CRM pour les modèles simples, mais il apporte une vraie valeur ajoutée lorsque vous avez besoin d'un scoring pondéré par l'IA, d'une agrégation de signaux entre plusieurs outils ou d'un routage personnalisé que les outils natifs ne prennent pas en charge. Si votre modèle de scoring doit récupérer des signaux sur plusieurs plateformes ou appliquer une pondération contextuelle, Make.com offre plus de contrôle que la plupart des implémentations natives. Pour les équipes qui veulent aller plus loin que les workflows natifs de leur CRM, SaaS Hackers propose aussi un annuaire d'agences HubSpot pour le B2B SaaS.

Quels CRM sont compatibles avec ce workflow de scoring MQL dans Make.com ?
HubSpot, Salesforce, Pipedrive, Attio et Zoho CRM disposent tous de modules Make.com natifs qui permettent de récupérer et de mettre à jour des contacts. La structure du workflow présentée dans ce guide fonctionne avec chacun d'eux. Il suffit de remplacer les modules spécifiques au CRM aux étapes 2 et 7, la logique d'IA et les étapes de routage restant identiques.

Combien coûte l'exécution de ce workflow dans Make.com ?
Le principal coût variable est l'utilisation de l'API OpenAI. L'exécution de GPT-4o mini pour les calculs de scoring coûte environ 0,15 $ par million de tokens en entrée. Pour un workflow qui traite 1 000 contacts par mois avec un prompt d'environ 300 tokens chacun, le coût de l'IA est inférieur à 0,05 $ par mois. Les coûts d'opérations Make.com dépendent de votre offre, chaque exécution de module comptant pour une opération.