Taille de la base de prospects : une vanity metric en 2026

En 2025, un rapport Validity portant sur 602 utilisateurs de CRM trouve que 76 % d’entre eux jugent moins de la moitié de leurs données de contact exactes et complètes. Une base qui grossit n’ajoute donc pas mécaniquement des prospects vendables : elle ajoute surtout des lignes à vérifier, corriger ou jeter avant de pouvoir les contacter.

La taille d’une base de prospects ne prédit aucune vente. Ce qui la prédit, c’est la part de cette base qui porte un signal d’achat actif au moment du contact, et la rigueur avec laquelle elle a été filtrée pour l’isoler. Une MedTech française spécialisée en imagerie médicale l’a mesuré directement : sur 27 000 profils scrapés, 8 990 se sont révélés qualifiés, soit 33 %. C’est ce tiers, pas les 27 000, qui a produit des rendez-vous.

Cet article explique pourquoi une grande base ne vend pas plus, ce que révèle la qualité réelle d’une base B2B, comment une méthode par exclusion transforme un scraping massif en liste qui convertit, et ce qui prédit réellement une vente à sa place.

Pourquoi une base de prospects volumineuse ne prédit-elle pas les ventes ?

Une base de prospects volumineuse ne prédit pas les ventes parce que la taille ne dit rien de la fraîcheur, de l’exactitude ni de l’intention d’achat des contacts qu’elle contient. Un fichier de plusieurs dizaines de milliers de lignes qui n’a pas été retravaillé depuis un an contient en grande majorité des postes qui ont changé, des adresses mortes et des entreprises qui ne sont plus en phase d’achat. Le nombre de lignes grossit le tableau de reporting, pas le pipeline.

Le réflexe qui consiste à acheter, scraper ou fusionner des bases pour en augmenter le volume traite le prospect comme une unité de stock. Une ligne de base n’a pourtant de valeur que si elle décrit un acheteur qui existe encore à ce poste, dans cette entreprise, avec ce besoin, au moment du contact. Sans mise à jour continue, cette description se périme plus vite qu’elle ne s’accumule : c’est la même logique que documente ce qui rend une base de données B2B santé déjà morte à l’achat. Un fichier acheté une fois est un instantané, pas un actif vivant. Empiler des lignes sur un instantané périmé ne le rajeunit pas, il l’agrandit ; la question à se poser n’est d’ailleurs pas d’agrandir la base mais de savoir comment réactiver une base de leads qui dort déjà dans le CRM.

Que révèle la qualité réelle d’une grande base de contacts B2B ?

La qualité réelle d’une grande base de contacts B2B est presque toujours inférieure à ce que sa taille laisse penser. Le rapport State of CRM Data Management de Validity, mené en 2025 auprès de 602 utilisateurs de CRM, trouve que 76 % d’entre eux jugent moins de la moitié de leurs données de contact exactes et complètes, et que 37 % ont directement perdu du revenu à cause de la qualité de leurs données. Plus une base grossit sans entretien, plus la part exploitable qu’elle contient se dilue.

Ce constat s’applique directement aux bases de prospection vendues sur leur couverture. Les outils qui mettent en avant plusieurs centaines de millions de contacts, type Sales Navigator, Apollo ou ZoomInfo, livrent une couverture large, pas une garantie de fraîcheur ni d’intention. Le volume affiché en argument commercial et le volume réellement exploitable au moment d’une campagne sont deux chiffres différents, et l’écart entre les deux ne se réduit qu’avec une vérification continue, jamais avec un nouvel import.

Comment une méthode par exclusion transforme-t-elle une liste large en liste qui vend ?

Une méthode par exclusion transforme une liste large en liste qui vend en inversant l’ordre habituel de construction. Au lieu de chercher directement la bonne cible par mot-clé, elle part d’un scraping exhaustif du plus grand ensemble plausible, puis disqualifie systématiquement tout profil qui ne correspond pas au critère recherché. Le livrable n’est pas le scraping initial, c’est la disqualification qui suit. Cette approche capte les profils qu’une recherche par mot-clé rate, en particulier quand la spécialité ciblée n’est pas un intitulé de poste fiable.

Un éditeur international de logiciels d’imagerie médicale par IA, en expansion sur le marché britannique, a appliqué cette méthode pour cibler les radiologues spécialisés en imagerie thoracique. La radiologie thoracique n’est pas un intitulé de poste standard sur LinkedIn : la plupart des praticiens qui l’exercent se présentent simplement comme radiologues. Un filtre par mot-clé les aurait manqués presque tous. La méthode retenue a scrapé l’ensemble des radiologues britanniques recensés sur LinkedIn, les annuaires hospitaliers publics et le registre du Royal College of Radiologists, puis disqualifié tout profil dont les publications, les actes ou l’activité ne relevaient pas explicitement du thoracique. L’univers de départ couvrait la profession entière dans le pays ; la liste retenue n’en gardait qu’une fraction précise, choisie sur preuve d’activité, jamais sur déclaration de titre.

Qu’est-ce qui prédit réellement une vente, si ce n’est pas la taille de la base ?

Ce qui prédit réellement une vente, c’est la présence d’un signal d’achat actif chez le prospect au moment du contact, pas le nombre de lignes dans la base qui le contient. Un appel d’offres publié, une certification qui expire, une levée de fonds ou une prise de poste indiquent qu’un besoin existe maintenant. Une base, aussi large soit-elle, qui ne croise pas ces signaux reste une liste de noms disponibles, pas une liste de moments d’achat.

C’est le principe de la prospection inversée par signaux d’achat : on ne construit pas d’abord une grosse base pour l’exploiter ensuite, on part des traces publiques d’un besoin et on remonte vers le contact. C’est aussi ce qui distingue une campagne d’AI SDR qui débranche vite d’une prospection qui tient : la première mesure son succès au volume envoyé sur une base large, la seconde au signal détecté avant l’envoi. Le même principe explique pourquoi le nombre de leads ne prédit pas plus une vente que la taille d’une base : compter des lignes, qu’elles soient dans une base ou dans un tableau de reporting, mesure un stock, jamais une intention.

C’est ce que fait leadify : au lieu d’élargir une base, l’agent croise en continu les sources publiques d’un secteur pour isoler les comptes qui montrent un signal actif, puis les classe par degré d’intention. Si votre base actuelle est large mais dort, c’est le point de départ d’un échange sur ce qu’elle contient réellement.

Questions fréquentes

Une grande base de prospects a-t-elle une quelconque valeur ?

Oui, comme réservoir de départ, jamais comme indicateur de résultat. Une base large sert de matière première à filtrer et à recouper avec des signaux d’achat ; brandie telle quelle, elle ne dit rien du nombre de ventes qu’elle produira. La valeur se crée au moment du filtrage, pas au moment de l’accumulation.

Comment savoir si notre base de prospects est encore exploitable ?

En mesurant sa fraîcheur, pas sa taille : part des postes vérifiés dans les douze derniers mois, part des adresses valides, part des entreprises encore actives sur le segment ciblé. Le rapport Validity 2025 situe la fiabilité moyenne des bases CRM sous les 50 %, un repère utile pour auditer la sienne.

Sales Navigator, Apollo ou ZoomInfo suffisent-ils à eux seuls ?

Ils couvrent large et identifient qui existe, ce qui reste utile. Ils ne disent pas quand ni pourquoi contacter un profil précis : cette couche-là, celle du signal d’achat, se construit par-dessus la base, pas grâce à sa taille.

La méthode par exclusion s’applique-t-elle à n’importe quel secteur ?

Elle s’applique dès qu’une cible n’est pas fiablement décrite par un intitulé de poste ou un mot-clé de recherche : spécialités médicales non déclarées, fonctions BTP, profils juridiques transverses. Le principe reste le même : scraper large, puis disqualifier sur preuve d’activité plutôt que sur déclaration.

Combien de temps une base de prospects reste-t-elle fiable sans entretien ?

Suffisamment peu pour justifier une vérification continue plutôt qu’un import ponctuel : postes, adresses et statut d’activité évoluent en continu, et un fichier figé se périme dès sa constitution. La question utile n’est pas la taille de départ, mais la fréquence à laquelle la base est revérifiée.

Ce qu’il faut retenir

La taille d’une base de prospects ne prédit aucune vente : elle prédit seulement combien de lignes il faudra vérifier avant d’en tirer un contact utile. Ce qui prédit une vente, c’est la part de cette base qui porte un signal d’achat actif, et la rigueur du filtrage qui l’a isolée. Une méthode par exclusion, appliquée à un scraping large, produit ce filtrage mieux qu’une recherche par mot-clé.

Trois repères à retenir : une base large sans entretien se périme plus vite qu’elle ne grossit, le taux de qualification compte plus que le volume brut, et le signal d’achat, pas la taille, déclenche le contact. Si vous voulez évaluer la part réellement exploitable de votre base actuelle, discutons-en en visio.

Écrit par l’équipe Agify, qui construit des campagnes de prospection B2B en croisant sources publiques et signaux d’achat plutôt qu’en empilant des bases de contacts.