Quand les filtres ne suffisent plus : cibler par ressemblance plutôt que par critères
Toutes les bases de prospection vous demandent de décrire votre marché. La description est une supposition. Voici l'alternative, et le moment où elle cesse de fonctionner.
Ocean.io Fichiers de prospection B2B. La fiche de l’outil dit ce qu’il coûte et ce pour quoi il n’est pas fait.
OcUn filtre est une théorie sur votre marché. Secteur, effectif, pays, technologie : vous écrivez ce que vous croyez que vos clients ont en commun, et la base renvoie les entreprises qui correspondent à cette croyance. Si la croyance est fausse, la liste est fausse, et rien en aval ne peut vous le dire. Le ciblage par ressemblance inverse l'ordre : vous fournissez les comptes qui ont réellement converti, et le modèle renvoie des entreprises qui leur ressemblent sur des signaux que vous n'auriez jamais pensé à filtrer.
Pourquoi le filtre est le plus souvent faux
Demandez à un fondateur de décrire son client idéal et vous obtenez un segment : éditeurs de logiciels mid-market en France, de cinquante à deux cents personnes. Regardez qui a réellement signé et vous découvrez que trois d'entre eux ne font pas du logiciel du tout, que la moitié compte moins de cinquante personnes, et que leur point commun est qu'ils venaient de recruter un premier commercial. Aucun menu de filtres n'a de champ pour ça.
Ce n'est pas un manque de rigueur. C'est ce qui arrive quand ce qui prédit un achat ne fait pas partie des vingt-huit champs que la base indexe. Les modèles de ressemblance en captent une partie parce qu'ils travaillent sur la forme globale d'une entreprise plutôt que sur les champs que vous avez choisis.
Ce qu'il faut pour que ça marche
Une liste de départ qui a vraiment signé. Pas une liste de gens qui ont pris un rendez-vous, pas une liste d'entreprises que vous aimez bien : des comptes qui ont payé. Avec quatre ou cinq, le modèle n'a presque rien à apprendre et vous rendra vos propres hypothèses dans un format plus coûteux. Avec trente ou quarante, ça commence à être intéressant, et la réponse qu'il vous donne sera généralement inconfortable, parce qu'elle contiendra des entreprises que vous aviez écartées.
Il faut aussi que vous ayez épuisé le segment évident, ou que vous soyez sur le point de le faire. La ressemblance, c'est la façon d'élargir un marché quand la liste à laquelle vous faites confiance s'épuise, et c'est un moment précis. Avant ça, la réponse honnête est qu'un filtre écrit à la main coûte moins cher et suffit.
Là où ça ne s'applique pas
Certains marchés sont définis par un registre plutôt que par la ressemblance. Toutes les pharmacies d'une région, tous les architectes inscrits à un ordre professionnel, toutes les entreprises détenant une licence précise : la liste existe, elle est exhaustive, et un modèle ne peut que perdre en précision face à elle. Sur ces marchés, vous ne voulez pas d'un moteur de ressemblance, vous voulez le registre et un moyen de l'enrichir.
Les commerces locaux sont l'autre exclusion, pour une autre raison. Un modèle construit sur l'empreinte numérique des entreprises a très peu à lire sur un commerce dont toute la présence tient à une vitrine et un numéro de téléphone. Ce segment est servi par les cartes et les annuaires, pour une fraction du coût.
Le point qui agace les acheteurs
Ocean.io ne publie aucun prix. Leur lien de tarification mène à une inscription produit, et la page des plans renvoie une 404. Vérifié le 18 septembre 2026. Cela veut dire une conversation commerciale avant de savoir si le budget est plausible, ce qui est un coût réel dans une catégorie où trois concurrents vous donnent leur tarif au crédit en un clic. Ça ne rend pas l'approche mauvaise. Ça veut dire que vous devriez arriver à cet appel avec votre liste de départ déjà préparée et un chiffre en tête, pour que la démo porte sur vos données plutôt que sur les leurs.
Comment le tester en un après-midi
Prenez les vingt comptes dont vous êtes le plus fier. Séparez-les : quinze comme liste de départ, cinq mis de côté. Lancez le modèle sur les quinze et regardez si les cinq que vous avez gardés de côté ressortent dans les résultats. Si ce n'est pas le cas, les signaux qu'il lit ne décrivent pas votre marché, et aucune quantité de crédits n'y changera rien. Si c'est le cas, les entreprises dont vous n'aviez jamais entendu parler dans le même résultat méritent une campagne, et c'est toute la valeur de la catégorie en une seule expérience.
D’où viennent ces chiffres
- Site d'Ocean.io, vérifié pour un prix publié lecture du 18 sept. 2026
- Mesures de ciblage internes sur des marchés à registre et des marchés numériques publication du 12 sept. 2026
Ce qu’on me demande encore
Combien de comptes de référence vous faut-il pour le ciblage lookalike ?
Avec quatre ou cinq comptes fermés, le modèle n’a presque rien à apprendre et vous renvoie vos propres hypothèses sous une forme plus chère. Cela devient intéressant avec trente ou quarante comptes qui ont réellement payé. La liste de référence doit comprendre des entreprises ayant converti, pas des personnes ayant simplement réservé une réunion ou des entreprises que vous aimez bien.
En quoi le ciblage lookalike diffère-t-il du filtrage d’une base de prospection ?
Un filtre vous demande de décrire votre marché avec des critères comme le secteur, l’effectif et le pays, puis renvoie les entreprises correspondant à votre description. Le ciblage lookalike inverse l’ordre : vous fournissez les comptes ayant réellement converti, et le modèle renvoie des entreprises qui leur ressemblent. Comme il fonctionne sur l’ensemble des caractéristiques d’une entreprise, il capte des signaux que vous n’auriez jamais pensés à filtrer.
Pourquoi les filtres basés sur des critères manquent-ils certains de vos meilleurs clients ?
Parce qu’un filtre est une hypothèse sur votre marché, et que ce qui prédit réellement un achat n’est souvent pas l’un des vingt-huit champs indexés par la base de données. Vous pourriez décrire votre segment comme des entreprises logicielles mid-market en France avec cinquante à deux cents employés, alors que les entreprises ayant signé incluent des sociétés qui ne sont pas du tout dans le logiciel ou deux fois plus petites, partageant seulement un point commun comme le fait d’avoir embauché un premier commercial. Aucun menu de filtres ne propose ce champ.
Quand le ciblage lookalike ne fonctionne-t-il pas ?
Les marchés définis par un registre plutôt que par une ressemblance, comme toutes les pharmacies d’une région ou tous les architectes inscrits à un ordre professionnel, sont mieux desservis par la liste exhaustive elle-même, car un modèle ne peut que perdre en précision par rapport à celle-ci. Les entreprises locales constituent l’autre exclusion : une entreprise dont toute la présence se résume à une vitrine et un numéro de téléphone offre très peu d’empreinte numérique à analyser pour un modèle. Ce second cas est mieux couvert par les annuaires et les cartes à une fraction du coût.
Comment pouvez-vous tester un modèle lookalike avant d’acheter des crédits ?
Prenez les vingt comptes dont vous êtes le plus fier, utilisez-en quinze comme référence et réservez-en cinq. Exécutez le modèle sur les quinze et vérifiez si les cinq réservés apparaissent dans les résultats. S’ils n’y sont pas, les signaux qu’il lit ne décrivent pas votre marché et aucun nombre de crédits ne corrige cela ; s’ils y sont, les entreprises que vous ne connaissiez pas dans la même sortie méritent une campagne.