Une société de conseil reçoit chaque semaine une liste d’entreprises avec un signal d’achat récent

Le client et son problème

Le client dirige un cabinet de conseil spécialisé dans l’interim management : il intervient temporairement dans une entreprise pour accompagner un changement et obtenir un résultat concret. Ce service se vend lorsqu’un événement survient dans l’entreprise : changement de direction, arrivée d’un investisseur, lancement d’une expansion, investissement important ou restructuration. Le défi consiste à repérer ces événements avant les concurrents, et non après la publication d’un communiqué officiel.

L’équipe commerciale cherchait ces signaux à la main. Un commercial lisait la presse spécialisée, un autre parcourait LinkedIn et un troisième consultait les registres. Chacun avait sa méthode, son rythme et ses résultats. Le processus n’était pas reproductible ; impossible donc de l’évaluer ou de le transmettre à un nouvel arrivant. Chaque personne y consacrait plusieurs heures par semaine.

Les bases de données commerciales existantes ont été écartées pour deux raisons. D’abord, elles couvrent mal les entreprises privées polonaises dont le chiffre d’affaires dépasse cent millions de zlotys, qui constituaient le cœur du profil recherché. Ensuite, leur coût n’avait pas de sens pour une équipe de cette taille. Une autre exigence était impérative : collecter les données sans enfreindre les conditions d’utilisation des sources et dans le respect du RGPD. Cela éliminait beaucoup d’outils du marché qui préfèrent faire comme si cette question n’existait pas.

Ce que nous avons fait

Nous avons commencé par traduire le profil client idéal en règles compréhensibles par l’agent. Le chiffre d’affaires, le secteur, la structure du capital et la région sont devenus des filtres stricts. Nous avons aussi défini six catégories d’événements correspondant, dans ce secteur, à de véritables signaux d’achat.

La collecte repose sur Python et comporte trois couches. La première utilise les registres officiels : des signaux solides, confirmés et datés. La deuxième lit les flux RSS professionnels avec feedparser ; l’information y arrive plus vite que dans les registres, mais elle est moins certaine. La troisième s’appuie sur des moteurs de recherche d’actualités, qui servent de filet de sécurité pour détecter ce que les deux premières couches ont manqué. Ensemble, elles couvrent l’essentiel de ce qui est publiquement consultable sur ces entreprises.

Claude, exécuté avec Agent SDK, évalue les signaux. Le modèle reçoit l’événement brut et le profil client, vérifie la correspondance, classe le type de signal, attribue une note de un à cinq et suggère le bon interlocuteur dans l’entreprise. Les lignes finalisées sont envoyées via l’API Google Sheets dans le tableur utilisé quotidiennement par l’équipe. L’ensemble tourne avec cron sur un petit serveur : il n’y avait aucune raison de construire une infrastructure plus importante.

Le fonctionnement aujourd’hui

Le lundi matin, une nouvelle série d’entreprises apparaît dans le tableur. Chaque ligne indique le nom de l’entreprise, la description de l’événement, le type de signal, une note de un à cinq, le contact suggéré et le responsable côté client. L’équipe reçoit une notification et commence la semaine avec une liste prête plutôt qu’avec des recherches à effectuer.

Le commercial ne choisit plus où chercher. Il décide seulement qui appeler en premier : c’est là que le jugement humain est utile. La mise en place a pris environ une semaine, car l’essentiel du travail portait sur la définition du profil et des signaux, pas sur le code.

Résultats

Une nouvelle liste de prospects arrive régulièrement chaque semaine, toujours au même format. L’agent surveille six domaines de signaux d’achat et utilise trois couches de sources de données ; si une source cesse de répondre, le processus continue. Chaque prospect reçoit automatiquement une note de un à cinq : l’ordre des prises de contact repose ainsi sur les données, et non sur la personne qui a repéré un article en premier.

Le principal changement est toutefois organisationnel. La prospection n’est plus un rituel personnel propre à chaque commercial ; elle est devenue un processus d’entreprise que l’on peut décrire, transmettre et améliorer.

Ce que nous ferions autrement

La définition du profil client idéal nous a pris le plus de temps, alors qu’au départ nous l’avons traitée comme une formalité. La prochaine fois, nous organiserons un atelier structuré avec les commerciaux avant d’écrire la première règle : la qualité de tout le reste en dépend.

Deuxième enseignement : l’échelle de notation. Nous avons lancé le scoring directement en production, puis l’avons calibré d’après ce que l’équipe considérait comme un bon prospect. Il aurait mieux valu demander aux commerciaux d’évaluer manuellement cent événements, puis de régler le modèle à partir de ces évaluations.

Enfin, nous avons examiné honnêtement les conditions d’utilisation des sources et les exigences du RGPD, mais trop tard. Pour un agent de ce type, cela doit être la première étape : l’analyse peut éliminer une source entière et modifier l’architecture de collecte.