Scoring prédictif et segmentation

Section 14.2.2 : Scoring prédictif et segmentation

🎯 Objectif pédagogique

Implémenter un système de lead scoring prédictif avec le machine learning, et créer des segments dynamiques qui s'adaptent automatiquement au comportement des prospects.

Du scoring manuel au scoring prédictif

Le scoring traditionnel attribue des points manuellement (titre +20, visite pricing +10). Le scoring prédictif utilise le ML pour apprendre quels facteurs prédisent réellement la conversion.

Comment fonctionne le scoring ML

# Scoring prédictif avec scikit-learn
import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# 1. Charger les données historiques
data = pd.read_csv('leads_history.csv')

features = [
    'company_size', 'industry_match', 'title_seniority',
    'pages_visited', 'time_on_site', 'content_downloads',
    'email_opens', 'linkedin_connections', 'tech_stack_match',
    'funding_round'
]

X = data[features]
y = data['converted']  # 1 = client, 0 = non

# 2. Entraîner le modèle
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = GradientBoostingClassifier(n_estimators=100, max_depth=5)
model.fit(X_train, y_train)

# 3. Évaluer
y_pred = model.predict_proba(X_test)[:, 1]
auc = roc_auc_score(y_test, y_pred)
print(f'AUC-ROC: {auc:.3f}')  # 0.85+ = bon modèle

Segmentation dynamique

## Segments dynamiques

### Par ICP (Ideal Customer Profile)
- Tier 1 : Enterprise, secteur cible, décideur → Outbound direct
- Tier 2 : Mid-market, secteur adjacent → Nurturing personnalisé
- Tier 3 : SMB, hors-cible → Self-serve / PLG

### Par engagement
- Hot : visite pricing + demo request cette semaine → Call immédiat
- Warm : 3+ contenus en 30 jours → Email personnalisé
- Cold : pas d activité en 60 jours → Re-engagement campaign
- Dead : pas d activité en 180 jours → Archive