L’article suivant présente un cas d’utilisation basé sur certaines données ouvertes fournies par Google Analytics, mais les cas d’utilisation sont infinis. Contactez-nous pour soumettre le vôtre.

Cas d’usage

Imaginez que vous soyez responsable eCommerce du site Google Merchandise Store et que vous soyez responsable de la performance des ventes. L’un des indicateurs clés que vous suivez constamment est le « revenu par utilisateur ».

Maintenant, imaginez que nous sommes lundi matin et que vous regardez la performance de cette semaine par rapport à celle d’avant. Mauvaise nouvelle: les revenus par utilisateur ont diminué de 4,96 $ à 4,04 $. C’est une diminution de -18,6% ! Vous vous demandez: « Mais qu’est-ce qui pousse donc ma conversion à la baisse cette semaine ? »

En règle générale, ce type de questions déclenche une série de questions et d’analyses complexes au sein de l’organisation et finit généralement bien après par une vague idée de «quelque chose pourrait expliquer en partie cela, mais nous ne savons pas dans quelle mesure, de toute façon, c’est une vieille histoire maintenant… »

Mais comme vous êtes prévoyant, vos données sont effectivement disponibles via le compte de démonstration de Google Analytics… qui permet à vos analystes d’y travailler. Ce qui donne accès à une base de données comme celle ci-dessous, et c’est à partir de là que le travail commence :

Analyse de votre équation de marché

Avant de commencer à analyser, il faut déjà savoir ce que l’on souhaite analyser. Qu’est ce qui compose mon revenue / utilisateur. Ceci est la première étape avant de pouvoir identifier quelle étape du tunnel de conversion est à l’origine de ma baisse. Par exemple, dans Google Merchandise Store, nous divisons $ / utilisateur en 4 mesures principales :

$/User = Session/User * Checkout/Session * Purchase/Checkout * $/Purchase

Notez que, tant que les données sont étiquetées ce tunnel peut être beaucoup plus complexe, même avec des fourchettes différentes en parallèle. Ça fonctionne encore !

Grâce à votre outil d’analyse DataMa un 1er graphique en cascade (waterfall) vous permet d’identifier d’abord la contribution de chaque étape du tunnel de conversion à l’écart global observé entre «Début» (cette semaine) et «Fin» (la semaine dernière). Le résultat vous amène un graphique tel que l’aurait fait n’importe quel bon consultant :

«Hmm d’accord, on dirait que notre Checkout / Session est à l’origine de la plupart des changements. Maintenant, regardons les changements des dimensions sous-jacentes derrière cette baisse… »

Analyse des dimensions sous-jacentes

C’est là que l’outil DataMa commence à être vraiment utile, lorsqu’il s’agit d’analyser l’effet de chaque dimension existante dans le jeu de données afin de les réconcilier avec le tunnel (ou cascade) construit précédemment. Il s’agit d’un processus en deux étapes: d’abord, analyser les effets mix sur chaque dimension, puis l’analyse des effets performance, qui permet de comprendre quel segment de chaque dimension influent véritablement sur les variations observées.

Une vue quasi similaire à la précédente vous permet de visualiser très rapidement les dimensions qui se cachent derrière chacune des variations. Vous pouvez directement identifier qu’a l’étape Checkout/ Session, il y a un effet mix important (que nous vous expliquons juste après) et un effet performance principalement basé sur la dimension medium. En effet mon trafic organic a particulièrement moins bien converti, toutes choses égales par ailleurs. Cette vue n’agrège que les dimensions les plus significatives, mais pour aller plus loin, il va falloir rentrer dans le détail des différents effets. 

Analyse des effets Mix

En tant que responsable eCommerce, vous connaissez peut-être les effets mix : par exemple, supposons que les utilisateurs mobiles convertissent généralement beaucoup moins bien que les utilisateurs desktop (ce qui est souvent le cas). Si la semaine dernière vous avez eu beaucoup plus d’utilisateurs desktop que cette semaine, la conversion de cette semaine sera mathématiquement inférieure, uniquement en raison de la modification du mix sur la dimension device.

Eh bien, l’analyse des effets mix que fait DataMa ne fait que reproduire cette logique, mais pour chaque étape du tunnel de conversion et pour chaque dimension fournie dans le jeu de données. Tant que ces dimensions ne sont pas interdépendantes, vous obtenez une part de l’écart à chaque étape que vous pouvez attribuer à l’effet mix sur une dimension donnée :

“Ok… environ un tiers de la baisse observée à Checkout/ Session n’est que des effets de mix dus aux dimensions device et medium”. La vue détaillée ci-dessus, vous permet de constater également que le nombre de sessions « organic » a augmenté un peu. Etant donné que les sessions « organic » convertissent nettement moins bien que la moyenne des checkouts, la conversion globale est réduite également par cet effet mix.

Notez qu’une partie de l’écart restera toujours «inexpliquée» par les effets mix. Cela est normal, car certaines modifications (par exemple, les modifications apportées aux produits, la concurrence,…) n’affecteront pas la composition du trafic à chaque étape de l’entonnoir. Cependant, plus vous avez de dimensions déterminantes dans le jeu de données d’entrée, plus vous serez en mesure d’identifier ce qui est vraiment motivé par autre chose que l’effet « mix ».

Analyse de la performance des segments

Désormais, dans chaque dimension et chaque étape de l’entonnoir, en dehors des effets mix, vous pouvez vous demander quel segment spécifique génère l’écart observé. Par exemple, dans la dimension device, la conversion du segment mobile de Session à Checkout a peut-être diminué, ce qui a pour effet de réduire la conversion globale à cette étape. L’analyse de la performance des segments automatise cette approche pour vous.

Le résultat vous donne le plus gros segment qui influe la performance à la hausse (max) ou à la baisse (min) pour chaque étape et chaque dimension, en précisant l’impact de ce changement par rapport à la variation globale. Il est important de capturer cette information afin de comprendre si ce segment est le principal moteur de la variation de votre performance, du au fait que la majeure partie du trafic le traverse ou s’il fait juste face à un changement anormal de conversion.

“Hmm… On dirait que la chute sur le Checkout / Session est principalement due aux utilisateurs masculins qui atterrissent directement sur la page d’accueil (/home) et utilisent un desktop. Mais c’est simplement parce que ce sont aussi ces segments qui reçoivent la plupart des sessions. La baisse relative sur ces segments n’est pas bien supérieure à la baisse moyenne (vous voyez que dans les parenthèses les «x X», restent proches de 1). La seule chose qui vaille la peine de creuser plus profondément est la baisse sur organic, diminuant x2.43 plus vite que la moyenne, ce qui pour le coup est inquiétant… »

La vue détaillée

Comme nous savons que les détails sont importants, une fois que vous avez identifié les principaux facteurs, vous pourrez trouver utile de regarder de plus près ce qui se passe réellement pour une étape et une dimension données. La vue détaillée vous permet de le faire, en regardant les variations de mélange (axe X) et de conversion (axe Y) de chaque segment entre la semaine dernière (début de la flèche) et cette semaine (fin de la flèche). Cela vous donne la possibilité de plonger dans les données brutes.

«C’est là que vous voyez le segment organic passer de 43% à 48% des sessions tout en subissant une forte chute de sa conversion, déjà faible. Cela pourrait être causé par des changements dans le référencement. C’est là qu’il va falloir que j’enquête »

Conclusion

Bon, maintenant vous savez quoi faire: «Ma conversion est en train de chuter, principalement en raison du nombre croissant de sessions de moins en moins qualifiées qui proviennent du medium organic». Vous allez devoir probablement discuter avec le responsable du référencement et voir comment résoudre ce problème.

La bonne chose est que tous ces graphiques viennent dans un seul tableau de bord sur l’outil de visualisation DataMa, que vous connaissez maintenant très bien, afin que vous puissiez le partager rapidement avec vos parties prenantes pour soutenir la prise de décision.

Qui sommes nous ?

Comme tout n’est qu’un simple code R, il peut être facilement répliqué pour d’autres problèmes de gestion, d’autres métriques, d’autres dimensions à comparer… et s’exécutera juste en quelques secondes.

Voulez-vous essayer cet outil, pour votre propre entreprise et votre cas d’usage ? La démo est gratuite et entièrement confidentielle. Envoyez simplement un message ici et nous vous contacterons au plus vite. C’est simple. Ce n’est pas un projet BI de 6 mois. Tout ce dont nous avons besoin, c’est juste un jeu de données plat.

Chez DataMa, nous avons comme passion de vous aider à améliorer votre taux de conversion en ligne grâce à exploration de vos données. L’un des principaux problèmes auxquel nos clients sont régulièrement confrontés est la capacité de comprendre les différences entre deux segments d’un indicateur de performance donné. Nous avons donc créé un algorithme en R qui leur a rendu la vie beaucoup plus facile… C’est rapide, facile à comprendre et à communiquer, ça ne nécessite aucun outil de BI coûteux, pas de connaissance en informatique, et le résultat peut être branché sur n’importe quel outil de visualisation que vous avez déjà (Tableau, Shiny, Qlikview ou même Excel…). Nous pouvons réaliser une démonstration de l’outil adaptée à votre entreprise en quelques heures… gratuitement !

Si vous avez trouvé cet article intéressant, n’hésitez pas à le partager à votre réseau…merci !