Comment définir correctement votre ICP (à partir de vos clients existants)

Demandez à trois de vos commerciaux de décrire votre client idéal si vous avez trois réponses différentes, c’est mauvais signe. Soit vos commerciaux sont mal onboardés, soit votre ICP a été mal défini et est peu clair. (en général c’est surtout un problème de définition d’ICP)

La bonne nouvelle, c’est que si vous avez une entreprise qui existe depuis plusieurs années, votre CRM contient déjà la réponse. Vous avez la liste de tous ceux qui ont acheté, tous ceux qui ont dit non et tous ceux qui sont partis. Un ICP (Ideal Customer Profile, le profil de l’entreprise à qui vous vendez le mieux) se calcule.

Voici comment vous pouvez le faire. (il y a pleins de méthodes valides, prenez cet article comme un viver d’idées)

Un bon ICP répond à trois questions, dans cet ordre :

Qui achète ? Les caractéristiques des comptes qui ont signé.
Qui achète vite et reste ? Parmi les gagnés, ceux qui ont un cycle court, un panier élevé, une rétention longue.
Qui ne faut-il surtout pas prospecter ? Les caractéristiques des deals perdus sur « pas de fit » et des clients churnés répidement (durée à définir suivant ce que vous vendez)

La plupart des exercices d’ICP s’arrêtent à la première question. Le résultat, c’est un profil qui décrit vos clients actuels, y compris les mauvais ! La troisième question est celle qui fait gagner de l’argent. N’oubliez pas que travailler et onboarder un client à toujours un cout, qui se rembourse sur la LTV.

L’ICP n’est pas “à qui on peut vendre”. C’est “à qui on DOIT vendre”.

Étape 1 : exporter les bonnes données

Depuis HubSpot (ou Salesforce, Pipedrive), bre depuis votre CRM, exportez tous les deals des 24 derniers mois avec, pour chaque deal, un max de propriétés de l’entreprise. Entre autre :

Deal       : montant, date de création, date de clôture, statut (gagné/perdu),
             raison de perte, source (inbound/outbound/partenaire)
Entreprise : secteur (code NAF), effectif, chiffre d'affaires, pays/région,
             date de création, stack technique si vous l'avez,
             type de structure (indépendant, PME, groupe, filiale)
Client     : date de churn éventuelle, MRR ou panier annuel, NPS si disponible

J’espère que vous remplissez bien votre CRM ! D’ailleurs j’ai oublié d’en parlé plus tôt, mais une fois de plus si vous n’avez pas de données (ou des mauvaises données), vous pourrez rien faire. Certaines infos se rattraptent. Faites d’abord l’enrichissement avec Pappers : une nuit de workflow, et vous avez des données fiables et homogènes.

Volume minimum pour que l’analyse ait un sens : une cinquantaine de deals gagnés et autant de perdus. En dessous, complétez par des entretiens, mais essayez de garder la structure.

Étape 2 : construction des cohortes

Dans un tableur ou un notebook, séparez :

Cohorte	Définition
Or	Gagnés, cycle inférieur à la médiane, montant supérieur à la médiane, toujours clients à 12 mois
Argent	Autres gagnés
Plomb	Perdus pour « pas de fit », « pas de budget », « pas de besoin » + churnés avant 12 mois

Si vous ne voulez pas utiliser Or, ARgent et Plomb prenez d’autres noms :)

Excluez des perdus les raisons non liées au compte, par exemple : « concurrent moins cher », « projet reporté ». Un compte parfaitement dans la cible peut avoir choisi un concurrent pour pleins de raison (par exemple un mauvais travail commercial). En tout cas ça ne dit pas grand chose sur le fit.

Si vos raisons de perte sont mal renseignées (c’est presque toujours le cas), vous avez un chantier annexe : automatiser l’analyse des raisons de perte à partir des notes et des appels. C’est assez simple à faire, si vous avez les données et transcripts ! (la donnée, toujours la donnée :)

Étape 3 : comparer les cohortes, variable par variable

Pour chaque variable (effectif, secteur, région, ancienneté de l’entreprise, source, stack), comparez la distribution dans Or et dans Plomb. Ce que vous cherchez, ce sont les variables qui séparent les deux.

Exemple réel (anonymisé) chez un éditeur de logiciel pour les ressources humaines :

Variable	Cohorte Or	Cohorte Plomb	Séparation
Effectif	82 % entre 50 et 250	61 % en dessous de 50	Forte
Secteur	Services B2B, industrie	Retail, associations	Forte
Ancienneté	71 % > 8 ans	55 % < 5 ans	Moyenne
Région	Réparti	Réparti	Nulle
Source	60 % inbound	70 % outbound	Moyenne
Outil de paie en place	Silae, Cegid : 74 %	Excel, aucun : 58 %	Forte

Ce tableau dit quelque chose que personne dans l’entreprise n’avait formulé : le meilleur signal de fit, ce n’était ni la taille ni le secteur, c’était la présence d’un outil de paie structuré. Ça parait assez logique, une entreprise qui gère la paie sur Excel n’est pas mûre. Ils prospectaient pourtant activement ce segment, parce qu’il “avait le plus besoin du produit”. Un cas classique de la différence entre une entreprise à qui on peut vendre (facilement) et une entreprise à qui on DOIT vendre.

Pour aller au-delà du tableau, une petite régression logistique (gagné-or vs plomb) sur ces variables donne des coefficients directement réutilisables dans un scoring. Si vous ne savez pas faire demandez à ChatGPT, il vous conseillera un script Python (ou un TCD). Ou envoyez-moi un message je vous expliquerais :)

Étape 4 : écrire l’ICP, un e page maximum

Le résultat doit tenir sur une page et être lisible par un commercial en une minute. Exemple de template à adapter :

ICP v1 : [date]

CIBLE PRIORITAIRE (cohorte Or)
- Effectif : 50 à 250 salariés (tranches INSEE 22, 31, 32)
- Secteurs : services B2B (NAF 62, 69, 70, 71), industrie (NAF 25 à 33)
- Ancienneté : > 8 ans
- Signal de maturité : outil de paie identifié (Silae, Cegid, ADP)
- Déclencheur fréquent : recrutement d'un DRH ou d'un RRH dans les 6 mois

SIGNAUX D'EXCLUSION (cohorte Plomb)
- Effectif < 20
- Retail, associations, secteur public
- Pas d'outil RH structuré
- Entreprise de moins de 3 ans

CE QU'ON NE SAIT PAS ENCORE
- Impact de la présence d'un groupe / filiale (pas assez de données)
- Différence Paris / régions sur la durée du cycle

La section ‘ce qu’on ne sait pas encore’ est importante. Elle évite de transformer un échantillon de 60 deals en vérité absolue, et elle vous donne les prochaines données à collecter. En statistique, la significativité demande un volume de donnée important !

Étape 5 : transformer l’ICP en système

Un ICP dans un notion ne sert a rien. Mettez le dans le CRM, la ou trainent les commerciaux :)

Une grille de scoring qui attribue un score de 0 à 100 à chaque compte à partir de ces variables. allez lire la grille de scoring ICP sur 100 points.
Un filtre à l’entrée : les leads inbound hors ICP ne vont pas aux commerciaux, ils reçoivent une séquence automatique ou une ressource (plutôt géré par l’équipe marketing pour le coup)
Un ciblage outbound : vos listes Clay ou Sales Navigator se construisent sur les critères de la cohorte Or, et uniquement eux.
Une revue trimestrielle : recalculer les cohortes avec les nouveaux deals. Un ICP peut bouger avec le produit.

attention à ces biais

Le biais du survivant. Vos clients gagnés reflètent aussi là où vous avez prospecté. (ça parait logique mais votre industrie est peut être l’hotellerie, vous ne le saurez jamais si vous ne prospectez que des startup tech :)
Le biais de la raison de perte. la raisonPas de budget est souvent une manière polie de dire pas convaincu. Croisez avec les notes d’appel quand vous les avez. Ou formez vos commerciaux pour qu’ils creusent les refus.
Le biais de taille d’échantillon. Une variable qui sépare sur 12 deals ne sépare rien du tout. Essauez de fixer des seuils (par exemple une trentaine de deals par cohorte minimum par variable).

Au final La partie la plus complexe, c’est toujours d’avoir des données propres.