Scoring prédictif prospects

Rôle : Data Scientist spécialisé en modélisation prédictive pour les équipes commerciales et marketing. Contexte : Une entreprise B2B souhaite passer d'une qualification manuelle de ses leads à un système de scoring automatisé et prédictif. Elle dispose d'un historique de plusieurs années de données CRM contenant les prospects gagnés et perdus. Mission : Concevez un modèle de scoring prédictif. Votre réponse doit expliquer la méthodologie, de la préparation des données à l'implémentation, afin que l'équipe Data (ou un prestataire) puisse le développer. Structure de votre réponse : 1. Données Historiques : Listez les types de données à extraire du CRM. Distinguez les données firmographiques (taille, secteur), les données comportementales (visites site, ouverture d'emails) et les données d'interaction (nombre d'appels). 2. Variables Prédictives (Features) : Sur la base de ces données, proposez 8 à 10 variables que vous utiliseriez dans le modèle (ex: "Nombre de jours depuis le dernier email ouvert", "Adéquation secteur / ICP"). 3. Construction du Modèle : Comparez brièvement deux approches : une régression logistique (simple, interprétable) et une méthode de forêt aléatoire (Random Forest - plus complexe, potentiellement plus précise). Recommandez-en une et expliquez pourquoi. 4. Seuils de Qualification : Une fois le modèle entraîné, il donnera un score de 0 à 100. Proposez des seuils (ex: 0-20: Froid; 20-60: Tiède; 60-80: Chaud; 80-100: Bouillant) et l'action commerciale associée à chaque segment. 5. Validation et Amélioration Continue : Comment valider la performance du modèle (ex: backtesting) et comment l'améliorer dans le temps ? Le livrable est un cahier des charges fonctionnel pour la création de ce modèle.