Analyser 300 campagnes et 4 000 conversations de prospection à la main ?
Il faudrait y passer des heures, voire des jours.
Pourtant, c’est exactement ce que nous avons réussi à faire en moins de 30 minutes pour un client, simplement en connectant Claude à nos données de campagnes.
Et non, l’objectif n’était pas de demander à Claude de nous fabriquer un joli dashboard avec trois graphiques.
L’intérêt est ailleurs.
Claude peut comparer les performances de plusieurs marchés, classer les réponses des prospects, analyser les arguments utilisés dans les campagnes, identifier les angles de copywriting qui fonctionnent le mieux et surtout proposer des pistes d’amélioration pour les prochaines itérations.
Le tout à partir des vraies données de prospection.
Cette approche s’inscrit dans une logique plus large de structuration et d’automatisation des opérations commerciales, au cœur du GTM Engineering.
Voici concrètement comment nous avons procédé.
Premier point : Claude connaît notre charte graphique.
Le reporting généré respecte donc l’identité visuelle de la marque et peut être présenté directement au client.
Mais l’intérêt n’est évidemment pas esthétique.
Le vrai sujet, c’est ce que Claude fait des données.
Dans le cas présenté, plusieurs marchés et plusieurs géographies sont gérés pour un même client.
Les cibles restent globalement similaires mais les campagnes sont opérées sur des périmètres différents.
Le reporting commence donc par une série d’indicateurs macro.
L’objectif est simple :
👉 comprendre rapidement les performances de chaque marché
👉 comparer les différents périmètres
👉 replacer les résultats dans leur contexte
Parce qu’un chiffre pris isolément ne raconte pas toujours toute l’histoire.
Un marché peut afficher de moins bonnes performances sans que le ciblage ou le copywriting soient nécessairement en cause.
Le contexte local peut avoir un impact sur les résultats.
Claude peut donc accompagner les chiffres de quelques remarques d’analyse pour éviter de tomber dans une lecture purement quantitative.
Le reporting peut également intégrer des liens vers les dashboards existants.
Dans notre cas, nous avons demandé à Claude d’insérer directement les liens vers nos dashboards internes.
On obtient donc :
une première couche de lecture synthétique
puis, si nécessaire :
un accès aux données détaillées.
Pas besoin de multiplier les outils ou de naviguer entre plusieurs interfaces pour passer de la vue macro au détail.
Un taux de réponse global ne suffit pas pour savoir si une campagne fonctionne.
Pourquoi ?
Parce que toutes les réponses ne se valent pas.
Chez Sendō, nous utilisons notamment plusieurs catégories :
Cette classification permet de distinguer les réponses qui peuvent directement déboucher sur un rendez-vous de celles qui nécessitent encore du suivi.
Claude peut ensuite reprendre ces catégories et suivre leur évolution dans le temps.
On peut ainsi observer comment évoluent les OK for meeting, les « peut-être plus tard » ou encore les discussions d’un mois à l’autre.
Cette lecture devient particulièrement intéressante lorsqu’on gère plusieurs marchés en parallèle.
Le reporting permet de cliquer sur les différentes catégories et de retrouver la distinction entre les marchés ou segments analysés.
On ne regarde donc plus uniquement :
« Quel est mon taux de réponse ? »
Mais plutôt :
« Quel type de réponse suis-je réellement en train de générer ? »
Attention toutefois à une erreur classique : comparer deux périmètres sans regarder leur historique.
Certains marchés ont été lancés plusieurs mois avant les autres.
Dans l’exemple présenté, le périmètre historique Europe HP, pour « High Priority », correspondant notamment à de très grands comptes de plus de 5 000 salariés, dispose d’un historique plus important.
Sur les six derniers mois, il comptait notamment :
À l’inverse, le périmètre Allemagne, Autriche et Suisse germanophone avait été lancé plus récemment.
Il comptait notamment :
Et une partie de cette période correspondant à l’été, ces résultats doivent évidemment être replacés dans leur contexte avant d’en tirer des conclusions.
C’est justement l’un des intérêts d’utiliser Claude : ne pas seulement afficher les données, mais les remettre dans leur contexte.
C’est probablement l’un des points les plus importants de la méthode.
Claude ne doit pas travailler uniquement à partir des données de prospection.
Il faut également lui donner le contexte dans lequel ces données doivent être interprétées.
Dans notre cas, nous lui avons transmis les informations issues des échanges précédents avec le client.
Nous avons également résumé les grandes lignes de ce qui se passait sur chacun des différents périmètres.
Claude peut ensuite intégrer ces éléments directement dans le reporting.
Cela permet également de conserver une trace des décisions stratégiques prises au cours du projet.
Dans l’exemple présenté, une discussion stratégique avait eu lieu avec le client à la suite d’un meeting.
Une option avait finalement été sélectionnée.
Nous avons alors demandé à Claude de mettre à jour le reporting pour intégrer cette décision.
L’IA ne se contente donc plus de décrire les performances passées. Elle peut également servir à maintenir à jour la synthèse du projet.
Une fois les données et le contexte réunis, le reporting peut mettre en évidence les écarts entre les différents marchés.
Dans l’exemple présenté, les résultats obtenus aux États-Unis étaient moins bons que ceux observés en Europe.
Ce n’était pas nécessairement une surprise.
Le marché américain est considéré comme plus difficile et nécessite généralement davantage de ressources.
L’intérêt du reporting n’est donc pas simplement de constater :
« Les États-Unis performent moins bien. »
L’objectif est d'aller un cran plus loin :
« Pourquoi ? Et qu’est-ce qu’on peut tester pour améliorer les résultats ? »
Plusieurs tactiques et pistes d’amélioration ont ainsi été identifiées puis discutées avec le client.
Claude permet de synthétiser ces différentes pistes et de les organiser selon leur niveau de priorité.
On peut ainsi distinguer :
Certaines idées peuvent être testées immédiatement.
D’autres peuvent être conservées pour une prochaine itération, dans un ou deux mois par exemple.
On passe ainsi d’un simple reporting de performance à une véritable feuille de route pour les prochaines actions.
Autre partie particulièrement intéressante du reporting : pouvoir revenir directement aux conversations.
Pour chaque périmètre, les réponses sont regroupées et classées par ordre chronologique, de la plus récente à la plus ancienne.
On retrouve alors les différentes catégories de réponses :
Les “OK for meeting” : Elles correspondent quasiment directement à des rendez-vous pris.
Les « peut-être plus tard » : Elles peuvent nécessiter un suivi à moyen terme.
Les discussions : Elles peuvent être positives ou négatives selon leur contenu et la manière dont le suivi est réalisé.
Et c’est justement là que les choses deviennent intéressantes.
Parce que cette base de conversations contient une information que les dashboards classiques ne montrent pas.
Ce que les prospects disent réellement.
Cette base de conversations constitue une matière particulièrement intéressante pour une analyse qualitative.
C’est là que l’utilisation d’un LLM devient particulièrement intéressante.
Une fois que Claude a accès aux réponses des prospects, il peut chercher à comprendre ce qu’elles révèlent réellement sur les campagnes.
Par exemple :
👉 Quels arguments semblent fonctionner ?
👉 Quels messages génèrent le plus d’intérêt ?
👉 Quelles objections reviennent régulièrement ?
👉 Quels angles de copywriting semblent les plus pertinents ?
L’objectif n’est donc plus seulement de savoir combien de personnes ont répondu.
Il s’agit de comprendre pourquoi elles ont répondu.
Et cette différence est importante.
Parce qu’un taux de réponse peut te dire qu’une campagne fonctionne.
L’analyse des conversations peut t’aider à comprendre ce qu’il faut conserver, modifier ou tester dans la suivante.
Pour reproduire ce type de reporting, plusieurs éléments sont nécessaires.
Première recommandation : créer un contexte spécifique pour chaque projet.
Chez Sendō, nous sommes une agence. Nous avons donc un projet par client dans Claude.
Nous utilisons notamment GitHub pour accéder à la base de connaissances associée à chaque client.
Cette organisation permet à Claude de disposer du bon contexte lorsqu’il doit analyser les données.
Si tu n’utilises pas un système similaire, tu peux également ajouter manuellement les documents nécessaires :
L’objectif reste le même :
donner à Claude suffisamment d’informations pour comprendre le projet avant de lui demander une analyse.
Deuxième condition : Claude doit pouvoir accéder aux données réelles des campagnes.
Dans l’exemple présenté, le séquenceur utilisé est Lemlist.
La connexion passe par MCP.
Il faut donc vérifier dans les connecteurs que la connexion à ton outil de séquençage est bien active.
Une agence peut avoir plusieurs connecteurs correspondant à ses différents clients.
Pour une équipe qui gère directement ses campagnes, le besoin est beaucoup plus simple : il suffit de connecter l’outil de séquençage utilisé par l’équipe.
Une fois la connexion établie, il ne reste plus qu’à lancer l’analyse.
Mais là encore, le prompt seul ne suffit pas forcément.
Il est important de donner à Claude les éléments de contexte que tu as au moment où tu souhaites produire le reporting.
Cela peut inclure :
Plus le contexte fourni est pertinent, plus l’analyse peut être utile.
Cette méthode ne sert pas uniquement à analyser ses propres campagnes.
Elle peut également être utilisée lorsqu’on reprend un compte déjà exploité par un autre prestataire.
C’est exactement ce que nous avons fait pour un client qui avait déjà plusieurs campagnes Lemlist en place mais qui n’était pas satisfait des résultats obtenus.
Avant de lancer nos propres campagnes, nous avons donc commencé par analyser l’existant.
Et le reporting a rapidement fait ressortir plusieurs enseignements intéressants.
Premier constat : pour ce client, le taux de réponse était environ 10 fois supérieur sur LinkedIn par rapport à l’email.
Attention toutefois à ne pas tirer une conclusion trop rapide à partir de ce seul chiffre. Le volume de prospection réalisé sur chaque canal entre également en compte.
L’intérêt de l’analyse est justement de mettre les différentes métriques en perspective.
Claude peut également aller chercher des tendances dans le copywriting.
L’analyse permet notamment de déterminer à quelle étape de la campagne certaines formulations ou certains arguments génèrent davantage de réponses.
Dans cet exemple, l’offre d’essai de 15 jours générait sensiblement plus de réponses que les emails qui la précédaient ou la suivaient.
Un autre élément intéressant concernait l’email de breakup, c’est-à-dire le dernier message envoyé lorsqu’on annonce que l’on va arrêter de relancer le prospect.
Ce message pouvait générer encore davantage de réactions.
Ce type d’information est difficile à faire ressortir manuellement lorsqu’on analyse des centaines de campagnes.
Claude peut également analyser les A/B tests présents dans les campagnes.
Il peut comparer les différentes variantes et identifier celles qui obtiennent les meilleurs résultats.
L’objectif est ensuite de déterminer si les différences observées sont suffisamment importantes pour être exploitables.
Tous les résultats ne sont évidemment pas nécessairement significatifs.
Mais certaines variantes peuvent afficher des performances sensiblement meilleures.
Ces enseignements peuvent alors servir à faire évoluer le copywriting des campagnes suivantes.
L’analyse ne s’arrête pas aux variantes A/B.
Claude peut également produire une synthèse des arguments utilisés dans les campagnes.
On peut alors identifier :
C’est particulièrement intéressant parce qu’on passe d’une lecture quantitative à une lecture qualitative.
On ne cherche plus seulement à savoir :
« Quelle campagne obtient le meilleur taux de réponse ? »
On cherche à comprendre :
« Qu’est-ce qui fait réellement réagir les prospects ? »
Le reporting peut également faire ressortir les éléments qui ont moins bien fonctionné.
Cela peut concerner :
L’analyse peut ensuite être déclinée campagne par campagne afin d’avoir une vision complète du compte.
On obtient alors à la fois :
👉 une vision globale
👉 une comparaison entre les segments
👉 une analyse des réponses
👉 une analyse du copywriting
👉 un détail campagne par campagne
Dernière étape : transformer les constats en actions.
Claude peut synthétiser les optimisations recommandées et les présenter point par point.
Pour chaque action, l’objectif est de comprendre :
C’est cette dernière étape qui transforme véritablement le reporting en outil d’aide à la décision.
Au lieu de simplement constater qu’une campagne fonctionne moins bien, on dispose d’une liste de pistes à tester pour la prochaine itération.
Nous avons vu comment brancher Claude sur tes vraies données de prospection et à quoi cela ressemble sur un compte client :
Après avoir analysé des centaines de campagnes, le constat est assez simple.
La donnée la plus précieuse de ton outbound n’est pas vraiment ton taux de réponse.
C’est ce que les prospects t’ont répondu concrètement.
Jusqu’ici, personne n’avait réellement le temps de lire et d’analyser ces conversations à grande échelle.
Aujourd’hui, c'est possible grâce à l'IA et aux LLM comme Claude.
Et surtout, il peut transformer ces milliers de réponses en insights exploitables pour améliorer les campagnes suivantes.
