Ingénierie des prompts pour le scoring de leads

Une équipe de vente sortante fait passer chaque prospect dans un pipeline de scoring : Scavio Google SERP pour le site web de l'entreprise + actualités récentes, Scavio Reddit pour les mentions de marque et le sentiment. Le prompt LLM note de 1 à 100 selon la rubrique ICP. Les leads ayant un score de 70+ sont dirigés vers les SDR ; 40-69 vont dans des séquences de nurturing ; en dessous de 40, ils sont dépriorisés.

Ingénierie des prompts pour le scoring de leads est pertinent pour Google, Reddit. Scavio fournit une API unifiée pour accéder aux données de toutes ces plateformes.

Le scoring de leads traditionnel attribue des points basés sur des règles rigides : taille de l'entreprise +10, page de tarification visitée +5, email ouvert +3. Le scoring de leads basé sur LLM remplace le moteur de règles par un prompt qui décrit le profil client idéal en langage naturel et demande au modèle de noter et d'expliquer son raisonnement. Le prompt pourrait dire : 'Score this lead 1-100 based on: company uses AI/ML tools, has 50-500 employees, is in B2B SaaS, and shows active hiring for engineering roles.' La clé pour rendre le scoring de leads basé sur des prompts fiable est l'ancrage : au lieu de se fier à la connaissance paramétrique du LLM sur l'entreprise, vous lui fournissez des données fraîches provenant des API de recherche. Une requête Scavio Google SERP pour le nom de l'entreprise renvoie la description de son site web, les actualités récentes et les données du graphe de connaissances. Une recherche LinkedIn ou sur un site d'emploi révèle les tendances actuelles d'embauche. Les mentions Reddit révèlent le sentiment de la communauté. Le LLM note en se basant sur ces données réelles et actuelles plutôt que sur des connaissances d'entraînement potentiellement obsolètes. La limitation honnête : le scoring basé sur LLM est moins déterministe que le scoring basé sur des règles. Le même lead peut obtenir des scores légèrement différents d'une exécution à l'autre. Les équipes gèrent cela en effectuant le scoring 2 à 3 fois et en faisant la moyenne, ou en utilisant le LLM pour classer dans des catégories (chaud/tiède/froid) plutôt que d'attribuer des scores numériques précis.