Un industriel européen de taille intermédiaire préparait un salon professionnel majeur avec plus de 2 000 exposants. Son équipe de développement d’entreprise y voyait une occasion privilégiée d’identifier des cibles d’acquisition, mais se retrouvait devant une mission impossible : passer au crible manuellement des milliers d’entreprises en deux semaines.

Contexte client

---

Le client est un industriel familial avec une stratégie M&A claire : acquérir des entreprises complémentaires pour étendre sa couverture géographique et ses capacités produit. Les salons sont des lieux concentrés pour trouver des cibles, mais l’équipe n’avait jamais pu traiter systématiquement les listes d’exposants avant un événement.

Les approches précédentes se limitaient à des recherches au coup par coup pendant le salon lui-même, avec à la clé des occasions manquées et des conversations non préparées. Il fallait arriver à l’événement avec une liste de cibles priorisée et des supports de prospection prêts à l’emploi.

Défis

---

• Volume de recherche : plus de 2 000 exposants à évaluer, chacun demandant une évaluation de taille, de structure actionnariale, de portefeuille produit et d’adéquation stratégique.
• Contrainte de temps : deux semaines seulement avant l’événement, ce qui rendait la recherche manuelle physiquement impossible.
• Qualité des données : les listes d’exposants ne contenaient que des informations sommaires (nom, numéro de stand, catégorie) sans données business structurées.
• Capacité de l’équipe : l’équipe de développement d’entreprise avait des deals en cours et ne pouvait pas dédier de ressources à temps plein à cette recherche.

Solution

---

J’ai construit un pipeline d’enrichissement piloté par l’IA qui a automatisé tout le processus de recherche et de qualification :

• Ingestion des données : j’ai parsé la liste brute des exposants et normalisé les noms d’entreprises pour les rapprocher d’autres sources.
• Enrichissement multi-sources : j’ai extrait les données entreprise depuis plusieurs APIs et sources publiques — estimations de chiffre d’affaires, effectifs, type d’actionnariat et descriptions produit.
• Classification IA : j’ai utilisé des modèles de langage pour évaluer l’adéquation stratégique au regard des critères d’acquisition du client, avec des notations Classe A (haute priorité), Classe B (à explorer) et Classe C (hors cible).
• Génération de prospection : j’ai créé des modèles d’introduction personnalisés pour chaque cible Classe A et B, avec des points de discussion tirés de l’analyse d’adéquation stratégique.

Le système a traité 373 entreprises de la liste des exposants, enrichi chacune avec plus de 15 points de données, puis généré des scores d’adéquation.

Résultats

---

En deux semaines, l’équipe est passée de rien à une liste de cibles complète pour le salon :

• 373 entreprises enrichies avec des données business structurées.
• 155 cibles Classe A identifiées comme candidats à l’acquisition prioritaires.
• 130 cibles Classe B signalées pour des conversations exploratoires.
• Modèles de prospection prêts pour chaque cible qualifiée.
• Justification stratégique documentée pour chaque décision de classification.

L’équipe de développement d’entreprise est arrivée au salon avec un plan d’action clair : quels stands visiter, de quoi parler, et comment chaque conversation pouvait mener à un dossier. Ce qui aurait été une tâche manuelle impossible est devenu une capacité systématique et reproductible.

Points clés

---

Le système vit désormais dans la stack de l’équipe de développement d’entreprise. Ce qu’il montre :

1. La vitesse compte. Ramener des semaines de recherche à quelques jours, c’est toute l’utilité.
2. La classification concentre l’attention. Toutes les cibles ne se valent pas ; un scoring systématique évite à l’équipe de travailler les mauvaises entreprises.
3. La préparation change les conversations. Arriver avec une liste qualifiée et des points de discussion transforme une visite de stand en piste de deal.
4. La reproductibilité se capitalise. Le même pipeline se réutilise pour les salons suivants, et la base de cibles en propre se construit dans le temps.