Vous avez implémenté un outil de consentement ou CMP (Consent Management Platform) tel que Didomi, Axeptio ou d’autres encore, suite aux règlementations en vigueur de la RGPD (Règlement Général sur la Protections des Données), et vous aimeriez expliquer son impact sur vos analyses…
Aie. C’est compliqué ?… Entre le taux d’interaction, d’acceptation, le Traffic, le bounce la conversion… Il y a beaucoup d’indicateurs, qui viennent de sources différentes, qui ont tous été chamboulés et qu’on a parfois bien du mal à réconcilier.
Pas de panique, après la lecture de cet article, vous saurez quantifier de manière simple et visuelle, l’impact de chacun des changements sur votre business réel.
Découvrons ensemble comment DataMa décompose le problème et le résume en une slide.
1. Construire son équation de marché
L’« équation de marché “ est une approche analytique qui permet de relier mathématiquement des indicateurs entre eux. En problem solving, c’est un outil précieux pour ne pas se perdre dans les indicateurs inutiles et se concentrer tout de suite, sur l’origine d’un problème.
Dans le cas présent, nous allons lier les indicateurs provenant de la CMP, de l’outil d’analytics et de l’ERP pour comprendre de manière exhaustive la performance de votre site web.
Performance dans la CMP
Votre CMP est là pour récolter le consentement (ou pas !) de vos utilisateurs dans l’utilisation de vos différents cookies et outils de tracking/ personnalisation.
L’interface de management du CMP vous donne de manière plus ou moins agrégée accès à certaines statistiques de sa performance. Généralement, celles-ci incluent le nombre d’utilisateurs qui arrivent sur le site, leurs taux d’interaction avec le bandeau de gestion des cookies (ce paramètre n’intervient que quand le bandeau ne bloque pas la navigation de l’utilisateur) et son taux d’acceptation ( qui est parfois détaillé en acceptations partielles ou complètes. Si on devait définir un indicateur global de la performance de votre CMP, on aurait probablement un taux consentement qui serait le produit des deux taux précédents :
Le taux d’acceptation global serait ainsi l’indicateur de performance de votre CMP.
De la CMP à l’outil d’Analytics :
Dans votre outil Analytics (Google Analytics par exemple), vous allez retrouver les sessions des utilisateurs qui ont accepté les cookies via votre outil CMP. Le taux de consentement se détermine comme le rapport entre les sessions Google Analytics (GA) et celles initialement identifiées par votre CMP :
Pour le comparer avec la période de l’année précédente, tant que nous n’avons pas d’historique avec l’utilisation d’un outil de consentement, il faut prendre un taux de consentement global égal à 100%. En effet en l’absence de CMP, toutes les sessions sont trackées. Quand nous comparerons deux périodes ayant l’outil CMP, nous pourrons étudier les variations sur le taux de consentement global.
Performance dans l’outil d’Analytics :
Prenons l’exemple d’un site marchand. Votre performance online peut être mesureé au revenu généré sur votre site. C’est votre KPI principal. Mais celui-ci se décompose habituellement en sous-indicateurs :
En prenant un tunnel de conversion très simplifié dans notre exemple avec le nombre de sessions qui ne bouncent pas, les transactions et les revenus générés qui sont l’objectif que vous suivez, on peut facilement décomposer ce KPI principal de la manière suivante :
(Le tunnel de conversion peut s’adapter à vos besoins en décomposant le parcours étape par étape, par exemple en regardant le taux de passage entre l’étape 1 et 2, puis de 2 vers 3 …).
De l’outil D’analytics à la donnée ERP
Bien entendu, toujours en suivant notre exemple de site marchand, le revenu observé dans l’outil de tracking n’est pas celui qui est à la fin du mois sur notre compte en banque
Généralement, le revenu réel est mesuré dans un outil plus proche de la comptabilité réelle, que cela vienne d’un outil CRM (Customer Relationship Management,) ou d’un ERP (Enterprise Resource Planning).
On peut facilement lier le revenu réel généré au revenu GA en créant un indicateur intermédiaire de « recouvrement » entre le revenu analytics et le revenu réel.
Constitution de l’équation de marché
En rassemblant les points précédents, nous pouvons à présent écrire l’équation de marché dans sa globalité, en rattachant les différents indicateurs que nous avons vus précédemment :
2. Analyser la performance
Générer le dataset
L’équation de marché vue plus haut mets en relation des métriques qui proviennent de sources de données différentes, et qui ne sont pas nécessairement compatibles dans les différentes dimensions d’analyse (par pays, marché, device etc…).
Nous allons donc constituer un dataset hybride, contenant des métriques et des dimensions dans une seule table, en « collant » les différentes sources les unes sous les autres, et en aggrégant les données au niveau pertinent
Comme ce genre de manipulation peut être pénible, en particulier si on veut ensuite les updater de manière régulière, DataMa a développé un nouveau module « DataMa Prep » qui permet de combiner différentes sources de données de manière simple et visuelle. Nous combinons alors ces trois dernières étapes, dans DataMa Prep, nous obtenons alors le « flow chart » de données suivant :
Les données CMP ou ERP peuvent être issues d’un Google Sheet ou d’un Excel selon les possibilités que vous offrent vos outils. Le dataset aura alors la forme suivante :
Réaliser l’analyse
A présent que nous avons le dataset et l’équation de marché, nous pouvons très simplement réaliser dans DataMa une analyse comparative de la performance, en année N vs. N-1.
Nous utilisons pour cela le module DataMa Compare et connecter très simplement le dataset précédemment réalisé
Il est alors possible de visualiser la variation de chacun de ces indicateurs dans une waterfall (graphique en cascade) et de se rendre compte de leur impact respectif sur le KPI principal, ici le revenu réel dans l’ERP.
Dans ce cas de figure, nous pouvons ainsi présenter de manière claire et succincte le bilan de l’analyse : l’impact business à court terme n’est pas négatif sur les revenus réels.
Nous décomposons les variations en 3 effets principaux :
Nous pouvons nettement observer la perte de sessions trackées qui entraîne une baisse de -65.7% des sessions due à l’outil CMP
2. Cependant la perte des sessions filtre en réalité majoritairement les sessions qui n’ont aucune interaction avec la première page, ce qui a pour conséquence d’améliorer le taux de rebond et le taux de conversion sur Google Analytics.
3. L’impact business direct est faible car on peut observer que les ventes réelles se retrouvent dans l’écart entre les revenus ERP et ceux de GA.
Nous pourrons ensuite dans l’outil DataMa Compare analyser les variations sur les différentes dimensions collectées dans le dataset, pour éventuellement améliorer le taux de consentement. Car il faut bien noter que si l’impact à court terme n’est pas négatif sur le business réel, la baisse du tracking dans Google Analytics a un impact indirect sur la performance : la pertinence des algorithmes d’acquisition va être dégradée, et notre connaissance client et la façon d’optimiser le produit à long terme va aussi en pâtir…
Cette analyse vous a plu ?
Faites la même à la maison ? !
Créez un compte sur www.solutions.datama.fr
Adaptez et uploadez le dataset utilisé dans cet article
