Projet 3 — Automatisation de campagne avec Make

Section 10.8.3 : Projet 3 — Automatisation de campagne avec Make

🎯 Objectif pédagogique

Concevoir et implémenter un scénario Make complet automatisant une campagne de vente ou de marketing, intégrant ChatGPT pour la personnalisation à grande échelle. Ce projet combine les compétences d'automatisation (Chapitre 6) avec le prompt engineering (Chapitre 2) dans un cas d'usage business à fort ROI.

Pourquoi l'automatisation IA est un game-changer commercial

La prospection commerciale B2B traditionnelle est un gouffre de temps : un commercial passe en moyenne 65% de son temps sur des tâches non-génératrices de revenus (recherche de prospects, rédaction d'emails, suivi administratif). L'automatisation IA permet de réduire ce temps à ~20%, en automatisant la recherche, la qualification et la personnalisation.

Le gain est double :

1. →Volume : traiter 10x plus de prospects sans embaucher
2. →Qualité : chaque email est personnalisé au profil du prospect (pas de mail-merge générique)

Un email personnalisé par IA a un taux d'ouverture de 35-45% contre 15-20% pour un email template classique (données Lemlist/Apollo 2025). Le taux de réponse passe de 2-3% à 8-12%.

Le brief du projet

Contexte : vous devez automatiser le processus de prospection commerciale d'une entreprise B2B, de la génération de leads à la prise de rendez-vous.

Livrables :

1. →Architecture du scénario Make (schéma détaillé avec chaque module)
2. →Scénario Make fonctionnel (screenshots + export JSON du scénario)
3. →Prompts ChatGPT utilisés (documentés avec explication de chaque variable)
4. →Rapport de test avec 20 exécutions (résultats + analyse qualitative)
5. →Calcul du ROI et recommandations d'optimisation

Niveau de difficulté : ⭐⭐⭐⭐ (avancé — requiert les compétences des chapitres 2, 4 et 6)

Architecture du scénario

Phase 1 — Préparation des données (1h)

Étape 1a : Créer la base de prospects

Dans Google Sheets, créez une liste de 20 prospects (fictifs pour le test, réels pour la production) avec les colonnes suivantes :

Étape 1b : Enrichir les profils

Avant d'écrire à quelqu'un, il faut comprendre son contexte. Utilisez ChatGPT pour pré-enrichir :

À partir de ces informations sur un prospect B2B, enrichis le profil :

Nom : {{nom}} {{prénom}}
Poste : {{poste}} chez {{entreprise}} ({{secteur}}, {{taille}})
Source : {{source}}

Recherche et retourne :
1. Les 3 enjeux principaux probables de ce type de poste dans ce secteur en 2026
2. Le jargon métier que cette personne utilise probablement au quotidien
3. Une accroche ultra-personnalisée basée sur sa source de lead
4. Le meilleur moment pour le contacter (insight sur les habitudes du persona)

Étape 1c : Construire le prompt de scoring et personnalisation

C'est le prompt le plus critique du scénario — il détermine la qualité de TOUT le pipeline :

Tu es un expert en sales intelligence B2B. Analyse ce profil prospect et retourne UNIQUEMENT un JSON valide (pas de texte autour) :

Prospect : {{nom}} {{prénom}} — {{poste}} chez {{entreprise}}
Secteur : {{secteur}} | Taille : {{taille}} employés
Source du lead : {{source}}
Problème probable : {{probleme}}

Notre offre : [décrivez votre produit/service en 2 lignes]

{
  "score": [1-10, basé sur : adéquation poste/offre (40%), taille entreprise (20%), secteur prioritaire (20%), source chaude/froide (20%)],
  "justification": "[raison du score en 1 phrase]",
  "segment": "[decision_maker | influencer | user | no_fit]",
  "angle_approche": "[le hook personnalisé unique pour ce prospect — PAS générique]",
  "point_douleur_probable": "[le problème SPÉCIFIQUE que notre solution résout pour LUI/ELLE]",
  "preuve_sociale_adaptee": "[quel case study ou chiffre résonnerait le plus avec ce profil]",
  "email_personnalise": {
    "objet": "[objet de l'email, < 50 caractères, personnalisé au prénom ou à l'entreprise]",
    "corps": "[email de 5-7 lignes maximum. Ton humain, PAS de framework visible. Commencer par une référence à la situation du prospect, pas par 'je me présente'. Finir par une question ouverte, PAS par 'Seriez-vous disponible pour un call ?']"
  },
  "follow_up_angle": "[angle différent pour le relance J+3, PAS un simple 'je me permets de relancer']"
}

Phase 2 — Construction du scénario Make (2h)

Étape 2a : Créer le trigger

1. →Ouvrez Make.com → Create a new scenario
2. →Ajoutez le module Google Sheets > Watch Rows comme trigger
3. →Configurez : sélectionnez votre spreadsheet, la feuille "Prospects", mode = "New rows only"
4. →Testez : ajoutez une ligne au Google Sheet → vérifiez que Make la détecte

Étape 2b : Ajouter le module ChatGPT

1. →Ajoutez le module OpenAI > Create a Completion
2. →Modèle : choisissez GPT-4o (meilleur rapport qualité/prix pour du scoring, pas besoin de GPT-5 ici)
3. →System Message : collez le prompt de scoring ci-dessus
4. →User Message : mappez les variables du Google Sheet : Prospect : {{1.Nom}} {{1.Prénom}} — {{1.Poste}} chez {{1.Entreprise}}...
5. →Temperature : 0.3 (pour un scoring cohérent et reproductible)
6. →Response Format : JSON object

Étape 2c : Parser le JSON de réponse

1. →Ajoutez un module JSON > Parse JSON
2. →Source : la réponse ChatGPT ({{2.choices[0].message.content}})
3. →Cela vous donne accès aux champs : score, email_personnalise.objet, email_personnalise.corps, etc.

Étape 2d : Router par score

1. →Ajoutez un Router avec 3 branches :
   • →Branche 1 (filtre : score > 7) → prospects chauds → email immédiat
   • →Branche 2 (filtre : score entre 4 et 7) → prospects tièdes → nurturing
   • →Branche 3 (filtre : score < 4) → archivage

Étape 2e : Configurer l'envoi d'email (branche 1)

1. →Module Gmail > Send an Email
2. →To : {{1.Email}} (depuis le Google Sheet)
3. →Subject : {{3.email_personnalise.objet}} (depuis le JSON parsé)
4. →Body : {{3.email_personnalise.corps}}
5. →Important : ajoutez un pied de page avec lien de désinscription (conformité RGPD)

Étape 2f : Configurer le nurturing (branche 2)

1. →Module Trello > Create a Card (ou tout autre outil de gestion)
2. →Board : "Prospects à nurturer"
3. →Card name : {{1.Nom}} — {{1.Entreprise}} (Score: {{3.score}})
4. →Description : {{3.angle_approche}} + {{3.point_douleur_probable}}

Étape 2g : Configurer le suivi (toutes branches)

1. →Module Google Sheets > Update a Row en fin de chaque branche
2. →Colonnes ajoutées : "Score IA", "Segment", "Action", "Date traitement", "Email envoyé (O/N)"

Étape 2h : Ajouter le follow-up automatique

1. →Après le module Gmail, ajoutez un module Sleep de 3 jours (259200 secondes)
2. →Puis un second module OpenAI avec un prompt de relance :

Rédige un email de follow-up pour ce prospect qui n'a pas répondu à mon premier email.

Premier email envoyé :
Objet : {{objet_initial}}
Corps : {{corps_initial}}

Profil prospect : {{nom}} — {{poste}} chez {{entreprise}}
Angle initial : {{angle_approche}}
Angle de relance suggéré : {{follow_up_angle}}

Contraintes :
- Max 4 lignes
- Ton différent du premier email (si le premier était formel, sois plus décontracté)
- Apporte une NOUVELLE valeur (un article, une donnée, un cas client)
- Termine par une question ouverte courte
- NE PAS dire "je me permets de vous relancer" ou "suite à mon précédent email"

3. →Puis un second module Gmail > Send an Email pour envoyer la relance

Phase 3 — Test et mesure (1h)

Étape 3a : Exécution contrôlée

Exécutez le scénario sur vos 20 prospects test. Ne lancez PAS en mode automatique immédiatement ! Utilisez le mode "Run once" et vérifiez chaque exécution :

1. →Le scoring est-il cohérent ? (un PDG de PME dans votre secteur cible devrait scorer > 7)
2. →La personnalisation est-elle véritablement personnalisée ? (diffère entre les prospects)
3. →L'email est-il envoyable en l'état ? (pas de [placeholder], pas de formulation robotique)
4. →Le router envoie-t-il vers la bonne branche ?

Étape 3b : Grille d'évaluation par prospect

Métriques clés à calculer :

• →Taux d'accord scoring : % de prospects où Score IA et Score humain sont dans la même fourchette (±2 points)
• →Qualité moyenne des emails : note moyenne sur les emails générés
• →Taux de personnalisation réelle : % d'emails qui mentionnent un élément spécifique au prospect (pas générique)
• →Taux d'erreur : % de mails avec des erreurs (mauvais nom, informations inventées)

Phase 4 — Optimisation et ROI (1h)

Étape 4a : Itérer sur le prompt de scoring

Si le taux d'accord scoring < 70%, améliorez le prompt :

• →Ajoutez des exemples : "Un Directeur Marketing dans une PME SaaS de 50-200 personnes = score 8. Un stagiaire = score 2."
• →Précisez les pondérations : "Le poste compte pour 40% du score, le secteur 30%, la taille 20%, la source 10%"
• →Testez avec les mêmes 20 prospects et comparez

Étape 4b : Améliorer la personnalisation

Si les emails sont trop génériques :

• →Ajoutez dans le prompt : "L'email DOIT mentionner au moins 1 élément spécifique : le secteur exact, un défi connu de ce poste, ou la source de lead."
• →Testez : demandez à un collègue de lire 5 emails sans voir les noms → peut-il deviner à qui chaque email est destiné ?

Étape 4c : Calcul du ROI

Calcule le ROI de ce scénario d'automatisation de prospection :

Données du test :
- 20 prospects traités
- Temps total de setup : [X] heures
- Temps par prospect avec le scénario : [X] min (estimation : vérification + personnalisation finale)
- Temps par prospect SANS scénario (méthode manuelle) : [X] min

Coûts :
- Abonnement Make : [free tier ou X€/mois]
- API OpenAI (GPT-4o) : ~0.005€ par prospect (prompt de scoring)
- Temps humain : [taux horaire]

Projections sur 500 prospects/mois :
1. Temps gagné en heures
2. Coût total (Make + API + temps humain de supervision)
3. Coût par prospect qualifié envoyé
4. ROI en % vs. méthode manuelle
5. Breakeven : à partir de combien de prospects le scénario est-il rentable ?

Exemple de calcul type :

Étape 4d : Recommandations d'optimisation

Documentez les améliorations possibles :

• →Court terme : affiner le prompt de scoring, ajouter des exemples, élargir les sources de données
• →Moyen terme : ajouter un module de détection de réponse (Gmail > Watch Emails) pour mettre à jour le tracker automatiquement
• →Long terme : intégrer un CRM (HubSpot, Pipedrive), ajouter du scoring comportemental (ouverture d'email, clic sur lien)