MQL vs SQL : différences et méthode pour définir chacun

MQL vs SQL : différences et méthode pour définir chacun

Turn this article into takeaways for your work.

Each assistant summarizes the article only for you and suggests best practices for your work.

MQL vs SQL fait partie des définitions les plus débattues dans le go-to-market B2B, et ces débats naissent presque toujours du fait que les deux termes n'ont jamais été formellement arrêtés. Si le marketing et les équipes commerciales se disputent la qualité des leads, la solution n'est ni une meilleure hygiène du CRM ni un nouvel outil de scoring. C'est une définition écrite et partagée, validée par les deux équipes.

Qu'est-ce qu'un MQL ?

Un marketing qualified lead (MQL), ou lead qualifié marketing, est un lead qui a franchi un seuil d'intérêt explicite fixé par le marketing, mais qui n'est pas encore prêt pour la vente. Ce seuil combine généralement des signaux d'adéquation avec la cible (taille de l'entreprise, secteur, fonction) et des signaux comportementaux (pages consultées, contenus téléchargés, participation à un webinar) qui, ensemble, laissent penser à une réelle intention d'achat.

Qu'est-ce qu'un SQL ?

Un sales qualified lead (SQL), ou lead qualifié commercial, est un lead qu'un commercial a examiné et accepté comme un vrai prospect qui mérite d'être travaillé. Cela signifie que le commercial estime que le lead a un besoin confirmé, un pouvoir de décision et un calendrier d'achat réaliste. Le mot clé est « accepté » : un SQL résulte d'un jugement humain, pas seulement d'un score.

MQL vs SQL en un coup d'œil

Dimension MQL SQL
Responsable Équipe marketing Équipe commerciale
Type de signal Comportement + adéquation firmographique Besoin confirmé + autorité + calendrier
Mode d'attribution Seuil de scoring (points ou règles) Examen par le commercial (BANT, MEDDIC ou équivalent)
Action déclenchée Transmis aux commerciaux pour examen Le commercial ouvre une opportunité active
KPI principal Volume de MQL, taux MQL-SQL Taux SQL-opportunité, couverture du pipeline
Motif de rejet courant ICP inadapté, signaux d'intention faibles Pas de budget, pas d'autorité, mauvais moment

Chiffres clés

Chiffres clés : MQL vs SQL

  • Selon le B2B Marketing Benchmark 2024 de LinkedIn, seuls 25 à 30 % des MQL deviennent des SQL en moyenne dans les entreprises B2B, et les meilleures équipes (quartile supérieur) atteignent 35 à 40 %. (LinkedIn, 2024)
  • Le B2B Revenue Waterfall de Forrester reste la méthode la plus citée pour le flux de passation MQL-SAL-SQL, l'étape SAL jouant le rôle de point d'acceptation ou de rejet. (Forrester, 2023)
  • L'enquête 2024 de Gartner auprès des CSO indique que l'accord entre ventes et marketing sur les définitions des leads est le levier le plus efficace pour améliorer les taux de conversion du pipeline. (Gartner, 2024)

Le cycle de vie du lead : où se situent le MQL et le SQL

Les étapes du cycle de vie du lead comptent généralement sept phases. Savoir où se placent le MQL et le SQL dans cet entonnoir aide les deux équipes à comprendre qui est responsable de quoi.

Le cycle de vie du lead : où se situent le MQL et le SQL

  • Visiteur, une personne qui arrive sur votre site ou votre contenu sans identité connue.
  • Lead, un visiteur qui a laissé ses coordonnées (formulaire, inscription à un événement, etc.).
  • MQL, un lead qui a atteint le seuil d'intérêt et d'adéquation convenu ; le marketing le transmet aux commerciaux.
  • SAL (Sales Accepted Lead), un lead qu'un commercial a examiné et reconnu. L'étape SAL est l'accusé de réception de la passation : le commercial ne l'a pas encore travaillé, mais il a confirmé qu'il mérite de l'être.
  • SQL, un lead que le commercial a qualifié lors d'un appel de découverte ou selon des critères structurés (BANT, MEDDIC, etc.) et accepté comme un vrai prospect.
  • Opportunité, un SQL associé à une affaire définie : budget confirmé, prochaine étape convenue, étape de pipeline renseignée.
  • Client, une affaire gagnée (closed-won).

L'écart entre le MQL et le SQL est l'endroit où le pipeline fuit le plus. Sans étape SAL, impossible de savoir si le problème vient de la qualité des leads (marketing) ou du suivi par les commerciaux (ventes).

Comment définir un MQL

Une définition du MQL que les deux équipes respectent doit se construire à deux, et non être imposée par le marketing. Voici une méthode en cinq étapes :

Comment définir un MQL

Étape 1 : choisir 2 à 3 signaux d'adéquation

Retenez les attributs firmographiques ou démographiques qui décrivent votre profil client idéal (ICP). Options courantes : fourchette de chiffre d'affaires, effectif, secteur d'activité, intitulé de poste ou niveau hiérarchique, zone géographique. Limitez-vous à trois pour que le scoring reste lisible.

Étape 2 : choisir 2 à 3 signaux d'intention

Les signaux d'intention sont des comportements qui traduisent un intérêt actif. Choisissez des événements liés à une vraie intention d'achat, pas à une simple consommation passive. Signaux forts : visite de la page de tarifs, demande de démo, consultation d'au moins 3 pages produit en 7 jours, téléchargement d'un contenu de bas de funnel. Signaux faibles : ouverture d'une newsletter, une seule visite de la page d'accueil.

Étape 3 : fixer un seuil de score

Attribuez des points aux signaux d'adéquation et d'intention, puis fixez le score minimal qui déclenche le statut de MQL. Un modèle courant : score d'adéquation (0 à 50 points) + score comportemental (0 à 50 points) = total de 100 points ; MQL à partir de 60. Testez le seuil sur 3 mois de données historiques avant de le mettre en production. S'il classe plus de 20 % de vos leads en MQL, il est trop permissif.

Étape 4 : convenir d'un SLA avec les commerciaux

Un MQL sans SLA sur le délai de réponse aux leads n'est qu'un chiffre dans une base de données. Les commerciaux doivent s'engager à examiner chaque MQL dans un délai défini (en général 24 heures pour l'inbound, 48 heures pour l'outbound assisté). Le marketing doit s'engager à signaler les rejets de MQL et à exploiter ces retours pour améliorer le lead scoring.

Étape 5 : faire le point chaque mois

Les modèles de lead scoring vieillissent. Le comportement des acheteurs évolue, votre ICP aussi, les campagnes changent. Instaurez un rendez-vous mensuel où marketing et ventes comparent les taux de conversion MQL-SQL par source, par segment et par tranche de score. Ajustez les seuils à partir des données, pas à l'intuition.

Exemple : Acme SaaS définit un MQL ainsi : un score d'adéquation ICP de 60 ou plus (entreprise de 50 à 500 employés, secteur SaaS ou tech, poste de directeur ou supérieur) ET au moins l'une de ces actions : demande de démo, deux visites de la page de tarifs en 7 jours, ou téléchargement du calculateur de ROI.

Comment définir un SQL

Une définition du SQL donne aux commerciaux un critère constant à appliquer avant d'ouvrir une affaire. Sans elle, chaque commercial qualifie à sa façon et la couverture du pipeline perd toute valeur.

Comment définir un SQL

Étape 1 : choisir une méthode de qualification (BANT, MEDDIC, etc.)

Les méthodes de qualification des leads comme BANT (Budget, Authority, Need, Timeline) ou MEDDIC (Metrics, Economic Buyer, Decision Criteria, Decision Process, Identify Pain, Champion) offrent aux commerciaux une liste de contrôle commune. Choisissez-en une et formez les équipes. BANT convient bien aux ventes transactionnelles simples. MEDDIC s'adapte aux grandes affaires complexes où plusieurs parties prenantes influencent la décision.

Étape 2 : définir les critères minimaux d'adéquation

Il n'est pas nécessaire de cocher toutes les cases BANT, mais certaines sont non négociables. Posez-vous la question : quelle adéquation minimale avec l'ICP un lead doit-il avoir pour devenir SQL ? Minimums typiques : un effectif supérieur à un certain seuil, une fourchette de budget compatible avec le montant de votre affaire type, un décideur ou un fort influenceur parmi les contacts.

Étape 3 : définir les critères minimaux d'intérêt

L'intérêt distingue un lead qualifié d'un prospect qualifié. Un lead qui correspond à votre ICP mais n'a aucun besoin actif ne justifie pas l'ouverture d'une affaire. Les critères minimaux d'intérêt peuvent inclure : une difficulté précise reconnue lors de la découverte, un projet ou une initiative lié à votre solution, un calendrier de décision dans les deux trimestres à venir.

Étape 4 : documenter les motifs de rejet

Chaque SAL rejeté doit porter un motif de rejet structuré. Catégories courantes : pas de budget, niveau d'autorité inadapté, pas de besoin actif, mauvais moment, déjà chez un concurrent. Ces données remontent au marketing pour améliorer les programmes de lead nurturing et le ciblage de l'ICP.

Étape 5 : fixer un SLA de 24 heures pour la prise de contact

Dès qu'un lead atteint le statut de SQL, le compteur démarre. Une réponse tardive fait chuter fortement les taux de conversion. Intégrez ce SLA de 24 heures au workflow de votre CRM afin que les commerciaux reçoivent des rappels automatiques et que les managers puissent suivre le respect du délai.

Conversion MQL-SQL : quel taux est un bon taux ?

Le taux MQL-SQL mesure la part des leads qualifiés par le marketing que les commerciaux acceptent réellement.

Conversion MQL-SQL : quel taux est un bon taux ?

Taux MQL-SQL = SQL générés / MQL transmis aux commerciaux

Repères du secteur pour le SaaS B2B :

  • Quartile supérieur : 35 à 40 %
  • Médiane : 25 à 30 %
  • En dessous de la moyenne : moins de 15 %

Si votre taux est inférieur à 15 %, les causes les plus fréquentes sont : un seuil de MQL trop bas, un mauvais ciblage de l'ICP dans les campagnes, ou l'absence de retours de rejet des commerciaux vers le marketing. S'il dépasse 40 %, vérifiez si le seuil de MQL n'est pas trop strict et si vous ne transmettez pas trop peu de leads.

Un faible taux MQL-SQL est presque toujours un problème partagé. Le marketing privilégie peut-être le volume au détriment de la qualité. Mais les commerciaux peuvent aussi trier les leads à leur convenance ou appliquer des critères incohérents. La seule façon de poser le diagnostic est de suivre les rejets par motif et de les analyser ensemble.

Erreurs courantes sur les MQL et les SQL

Erreurs courantes sur les MQL et les SQL

  • Privilégier le volume sur la qualité. Gonfler le nombre de MQL pour atteindre un objectif dégrade le taux de SQL et érode la confiance des commerciaux dans les leads du marketing.
  • Pas de SLA sur l'examen des MQL. Les MQL laissés sans suite pendant plusieurs jours perdent leur intention. Un lead qui a demandé une démo et n'a reçu aucun appel pendant 72 heures est déjà parti ailleurs.
  • Pas de boucle de retour sur les rejets. Si les commerciaux ne peuvent pas rejeter un MQL avec un code motif, le marketing n'a aucun signal pour s'améliorer. Cette boucle de retour fait du lead management un système, et non un simple convoyeur à sens unique.
  • Pas de dashboard partagé. Le marketing suit le volume de MQL, les commerciaux suivent le pipeline. Sans vue commune qui montre le parcours MQL, SQL, opportunité, aucune des deux équipes ne voit l'ensemble.
  • Un scoring jamais mis à jour. Un modèle de scoring construit la première année reflète le comportement des acheteurs de cette année-là. Si personne n'y a touché depuis, il est presque certainement erroné.
  • Sauter l'étape SAL. Sans passation formelle avec acceptation ou rejet, impossible de savoir si les problèmes de pipeline viennent de la qualité des leads ou de l'exécution commerciale.

Comment le marketing et les commerciaux doivent s'accorder sur les définitions

S'entendre sur une définition commune du MQL et du SQL ne se règle pas en une seule réunion. C'est un rythme opérationnel permanent. Voici ce qui fonctionne vraiment :

Comment le marketing et les commerciaux doivent s'accorder sur les définitions

  1. Point hebdomadaire de passation. Une réunion récurrente de 30 minutes où marketing et commerciaux passent en revue les conversions MQL-SQL de la semaine précédente, les rejets et leurs motifs. Restez centrés sur les données, pas sur les reproches.
  2. Dashboard partagé. Les deux équipes doivent voir la même vue du funnel : MQL créés, SAL acceptés, SQL ouverts, opportunités créées, affaires gagnées. Servez-vous-en pour repérer où les leads se perdent.
  3. SLA sur le délai de réponse. Inscrivez le SLA de réponse aux MQL dans le workflow du CRM. Prévoyez des alertes d'escalade pour les commerciaux qui dépassent le délai. Suivez le respect du SLA comme un indicateur des opérations commerciales.
  4. Taxonomie de rejet commune. Marketing et commerciaux conviennent à l'avance des codes de motifs de rejet. Cela évite les motifs vagues comme « pas un bon profil », qui ne donnent au marketing aucune piste d'action.
  5. Recalibrage trimestriel du scoring. Chaque trimestre, extrayez le taux MQL-SQL par tranche de score et par segment d'ICP. Ajustez les seuils en fonction de ce qui convertit réellement. C'est ainsi que le scoring reste précis dans le temps.

Questions fréquentes sur MQL vs SQL

Quelle est la différence entre un MQL et un SQL ?

Un MQL est un lead que le marketing a signalé comme atteignant un seuil convenu d'intérêt et d'adéquation. Un SQL est un lead que les commerciaux ont examiné, qualifié et accepté comme un vrai prospect. Le MQL repose sur un scoring automatisé. Le SQL résulte d'un jugement humain porté par un commercial.

Quel est un bon taux de conversion MQL-SQL ?

Pour le SaaS B2B, la médiane se situe entre 25 et 30 %. Les meilleures équipes atteignent 35 à 40 %. En dessous de 15 %, cela signifie généralement que le seuil de MQL est trop permissif, que le ciblage de l'ICP est faible ou qu'aucun retour de rejet ne remonte vers le marketing. Au-dessus de 40 %, le seuil de MQL est peut-être trop strict et vous transmettez trop peu de leads aux commerciaux.

Qu'est-ce qu'un SAL et où s'inscrit-il ?

Un SAL (Sales Accepted Lead) est l'étape située entre le MQL et le SQL. Lorsqu'un commercial reçoit un MQL, il l'examine et soit l'accepte (SAL), soit le rejette avec un code motif. L'étape SAL rend la passation traçable et permet de distinguer les problèmes de qualité des leads des problèmes d'exécution commerciale. Sans elle, marketing et commerciaux n'ont aucune donnée commune pour diagnostiquer les échecs de conversion.

Qui est responsable du MQL, et qui du SQL ?

Le marketing est responsable du MQL : il définit le seuil, pilote le scoring et répond du volume de MQL et du taux MQL-SQL. Les commerciaux sont responsables du SQL : ils fixent les critères de qualification (dans la méthode convenue), examinent les MQL entrants et répondent de la conversion SQL-opportunité. La responsabilité partagée du SLA de passation revient aux revenue operations ou à la personne qui anime la réunion hebdomadaire d'alignement.

En quoi un SQL diffère-t-il d'une opportunité ?

Un SQL est un lead qualifié que les commerciaux ont accepté. Une opportunité est une affaire ouverte dans le CRM, avec une étape définie, une valeur estimée et une prochaine étape. Un SQL devient une opportunité lorsque le commercial a confirmé le budget et ouvert une fiche d'affaire formelle. Tous les SQL ne deviennent pas des opportunités : certains sont disqualifiés pendant la découverte, avant même l'ouverture d'une affaire.


La passation entre marketing et ventes continuera de générer des frictions tant que MQL et SQL resteront définis de façon approximative. Bien poser ces deux définitions est l'un des leviers les plus rentables dont dispose une équipe commerciale et marketing. Une définition partagée, un SLA, une taxonomie de rejet et un point hebdomadaire : voilà tout le système. Commencez par là, et le jeu des reproches s'éteint le plus souvent de lui-même.

About the author

Laurel

Laurel

Principal CRM Strategist

Laurel is Principal CRM Strategist at Rework, focused on the top of the funnel: opening new demand through outbound and outreach, and capturing it before it goes cold. Laurel writes about cold email and cold calling, multichannel sequences, ABM, the sales engagement tools that run outbound, and the lead management that turns replies into pipeline.