Scraper LinkedIn : les chiffres d'une prospection réelle

La plupart des articles sur le sujet comparent des outils d'extraction et leurs tarifs. C'est utile une fois, et ça ne dit rien de ce qui vous intéresse vraiment : est-ce que ça ramène des rendez-vous.

Voici les chiffres de mes campagnes. Sur quelques milliers de contacts : 20 % de réponses, dont la moitié de réponses positives, et 5 % de rendez-vous obtenus — ce dernier taux calculé sur les personnes contactées, pas sur celles qui ont répondu.

Le repère public le plus large disponible, celui d'Expandi sur 13,2 millions de messages, situe la moyenne 2026 à 10,4 % de réponses. Je suis donc à peu près au double. Ce n'est pas une prouesse d'outil : à ce stade, tout le monde utilise à peu près les mêmes. L'écart se joue ailleurs, et c'est le sujet de cet article.

L'extraction n'est pas le goulot d'étranglement

C'est le contresens le plus coûteux, et celui que tout le marché entretient.

Extraire des profils est devenu trivial. Une dizaine d'outils le font, la plupart correctement, pour quelques dizaines d'euros par mois. Si l'extraction était le facteur limitant, tous ceux qui paient le même abonnement obtiendraient les mêmes résultats. Ce n'est manifestement pas le cas.

Ce qui distingue une campagne à 5 % de réponses d'une campagne à 20 %, ce n'est pas le volume extrait ni la qualité technique du scraper. C'est la réponse à une question beaucoup plus simple : est-ce que la personne contactée avait une raison de répondre aujourd'hui ?

Un fichier de dix mille profils mal ciblés produit moins de rendez-vous qu'une liste de trois cents personnes choisies pour un motif précis. J'ai vérifié les deux.

Le ciblage se fait sur des signaux, pas sur des critères

Un intitulé de poste et un secteur ne disent rien du besoin. Ils décrivent une catégorie, pas un moment.

Ce qui change le taux de réponse, ce sont les signaux d'activité : une entreprise qui recrute sur une fonction précise, qui vient d'ouvrir un site, qui a changé d'outil, qui publie sur un sujet. Ces éléments indiquent qu'il se passe quelque chose maintenant — et c'est ce maintenant qui fait qu'un message reçoit une réponse plutôt qu'un silence.

Concrètement, sur mes campagnes, la construction du fichier prend plus de temps que l'écriture des messages. C'est l'inverse de ce que font la plupart des gens, qui extraient large puis passent leurs journées à réécrire des accroches pour compenser un ciblage flou.

Un fichier bien construit porte, pour chaque ligne, de quoi écrire une première phrase qui ne pourrait s'adresser qu'à cette personne. Si cette phrase n'est pas possible, la ligne ne devrait pas être dans le fichier.

Ce qui casse, et que personne ne publie

Toutes les campagnes ne marchent pas. Deux des miennes n'ont rien donné : aucun résultat exploitable, sur des cibles où le raisonnement semblait pourtant solide.

Le point commun de ces échecs n'était pas technique. Dans les deux cas, la cible n'avait pas de problème identifiable au moment où je la contactais. Le message était correct, le fichier propre, l'infrastructure en état — et il ne s'est rien passé, parce qu'il n'y avait rien à déclencher.

C'est une information plus utile que la moyenne : elle indique où s'arrête la méthode. La prospection à froid fonctionne quand elle rencontre un besoin déjà présent mais pas encore traité. Elle ne crée pas ce besoin. Sur les marchés où le besoin n'existe pas au moment du contact, aucun taux de réponse ne rattrape le problème.

Un prestataire qui vous annonce que ça marche à tous les coups n'a pas fait assez de campagnes, ou ne vous dit pas tout.

L'infrastructure : ce qui limite vraiment le volume

Le mur du passage à l'échelle n'est pas le nombre de profils disponibles, c'est le nombre de comptes et d'adresses depuis lesquels vous pouvez agir sans dégrader votre situation.

Chaque compte supporte un rythme donné. Le dépasser ne va pas plus vite : ça abîme le compte, et un compte abîmé coûte bien plus cher que les quelques jours gagnés. Le dimensionnement se calcule donc à l'envers de l'intuition : on part du rythme soutenable par compte, et on en déduit le volume atteignable dans le mois — jamais l'inverse.

C'est aussi pour ça que multiplier les canaux bat l'augmentation du volume sur un seul. Le même message, envoyé sur LinkedIn puis par email à quelques jours d'intervalle, obtient davantage qu'un doublement du volume sur LinkedIn seul. Les repères publics vont dans le même sens : LinkedIn tourne autour de 17 % de réponses quand l'email automatisé reste proche de 5 %, mais les deux ensemble touchent des gens que ni l'un ni l'autre n'aurait atteints.

Le cadre juridique, sans faux-semblant

Les conditions d'utilisation de LinkedIn interdisent l'extraction automatisée, quel que soit l'outil employé. Aucun service tiers ne rend conforme une pratique qui ne l'est pas : il déplace le risque, il ne le supprime pas. Les articles qui présentent tel outil comme « sûr » ou « conforme » vous vendent une tranquillité qu'ils ne peuvent pas garantir.

Par ailleurs, un nom, une fonction et un email professionnel restent des données personnelles au sens du RGPD, y compris lorsqu'ils sont publiquement accessibles. La CNIL a précisé le cadre de la réutilisation de ces données à des fins de démarchage : il faut une base légale, une information des personnes, et un droit d'opposition qui fonctionne réellement.

Ce n'est pas un conseil juridique et votre situation mérite l'avis d'un professionnel. C'est un rappel de bon sens : ces questions se traitent au moment de la conception, pas au moment de la mise en demeure.

Ce qu'il faut retenir

Trois choses, dans cet ordre. Le ciblage décide du résultat, pas l'outil d'extraction. Un signal d'activité vaut mieux qu'un critère de catégorie. Et le volume se dimensionne à partir de ce que votre infrastructure supporte, jamais à partir de ce que vous voudriez atteindre.

Le reste — la qualité de l'accroche, la relance, le choix du canal — compte réellement, mais ne rattrape jamais un fichier construit sur les mauvaises personnes.

Cet article fait partie du Guide Complet de l'Automatisation B2B. La construction d'un fichier de prospection à grande échelle est détaillée dans cette étude de cas.