Analyse de cohorte

Qu’est ce qu’une analyse de cohorte ?

En data marketing, les analyses de cohorte sont principalement utilisées pour analyser la rétention client d’une entreprise.

La rétention client d’une entreprise représente sa capacité à conserver ses clients dans le temps : à les fidéliser sur la durée. Un client fidèle étant un client qui génère fréquemment de la valeur supplémentaire (par exemple : de nouveaux achats) dans le temps.

Beaucoup d’entreprises font encore l’erreur de se concentrer exclusivement sur l’acquisition de nouveaux clients. Les campagnes de rétention (via e-mail et/ou SMS et/ou notification push) sont pourtant moins coûteuses et ont un ROI très intéressant.

Dans le contexte de la rétention client, une cohorte est un groupe de clients reliés par un ou plusieurs critères communs sur une période donnée. Exemple de cohorte avec un critère commun : les nouveaux clients acquis en juin 2022.

Dans le contexte de la rétention client, l’analyse de cohorte consiste à suivre l’évolution d’un KPI de rétention (taux de rétention, taux de churn, customer lifetime value, customer value, nombre d’achats, etc) selon différentes cohortes dans le temps. Cela permet en partie d’identifier si une action mise en place pour améliorer la rétention client globale (exemple : mise en place d’un programme de fidélité) a eu un impact positif sur la rétention client globale et donc sur les revenus durables de l’entreprise concernée.

Si vous voulez aller plus loin sur le sujet, c’est un peu plus bas que ça se passe 👇 🤓

1. Formation sur Google Analytics 4

2. Formation sur Google Tag Manager

3. Formation sur les paramètres UTM

4. Formation sur le plan de taggage

5. Formation sur Looker Studio

6. Formation sur Matomo

7. Formation sur Google Tag Manager Server-Side

8. Formation sur l’attribution marketing

9. Formation sur l’API de conversion Facebook

10. Formation sur Google BigQuery

Comment interpréter un tableau d’analyse de cohorte ?

Voici un exemple de ce à quoi pourrait ressembler un tableau d’analyse de cohorte macro (un seul critère commun) pour une entreprise de type e-commerce avec :

1. Critère commun = Les nouveaux clients (ayant réalisé leur premier achat) ;
2. Échelle temporelle = Mensuelle ;
3. KPI de rétention = Nombre moyen d’achats.

Voici comment lire ce tableau d’analyse de cohorte :

1. En janvier 2022 (M1 – Mois 1), 2 057 clients ont réalisé leur premier achat, et ces nouveaux clients ont en moyenne réalisé 1,02 achat (en comptant le premier achat) 5 mois plus tard (M6 – Mois 6) ;
2. En mars 2022 (M1 – Mois 1), 2 168 clients ont réalisé leur premier achat, et ces nouveaux clients ont en moyenne réalisé 1,64 achat (en comptant le premier achat) 5 mois plus tard (M6 – Mois 6) ;
3. En juillet 2022 (M1 – Mois 1), 2 782 clients ont réalisé leur premier achat, et ces nouveaux clients ont en moyenne réalisé 3,85 achats (en comptant le premier achat) 5 mois plus tard (M6 – Mois 6).

Ici, au vu de l’augmentation du nombre moyen d’achats à M+5 entre la cohorte de janvier et celle de juillet 2022, on pourrait en déduire que la stratégie de rétention mise en place pour améliorer la rétention client globale (exemple : mise en place d’un programme de fidélité) fonctionne plutôt bien et qu’il faut continuer dans cette direction.

Comme mentionné un peu plus haut, dans le contexte de la rétention client, une cohorte peut regrouper plusieurs clients en fonction de plusieurs critères communs sur une période donnée.

Combiner plusieurs critères communs peut être intéressant lorsque l’on souhaite creuser et comprendre le résultat d’une analyse de cohortes macro (un seul critère commun).

Chez Boryl les entreprises pour qui nous avons mis en place des analyses de cohorte sont principalement des e-commerce B2C et des SaaS B2B.

Voici des exemples de critères communs additionnels que l’on retrouve souvent chez nos clients e-commerce B2C :

1. Source d’acquisition (exemple de cohorte : les nouveaux clients acquis via la source Google Ads en juin 2022) ;
2. Premier panier acheté (exemple de cohorte : les nouveaux clients acquis en juin 2022 dont le panier été « chaussure rouge Nike x 1 ») ;
3. Genre (exemple de cohorte : les nouveaux clients de genre féminin acquis en juin 2022) ;
4. Pays (exemple de cohorte : les nouveaux clients français acquis en juin 2022) ;
5. Tranche d’âge (exemple de cohorte : les nouveaux clients de moins de 40 ans acquis en juin 2022).

Dans le cas d’un e-commerce B2C, les cohortes sont généralement construites et suivies sur une échelle mensuelle, trimestrielle, semestrielle ou annuelle selon le secteur du e-commerce B2C concerné.

Voici des exemples de critères communs additionnels que l’on retrouve souvent chez nos clients SaaS B2B :

1. Source d’acquisition (exemple de cohorte : les nouveaux clients acquis via la source Google Ads en juin 2022) ;
2. Offre d’acquisition (exemple de cohorte : les nouveaux clients acquis via l’offre « Enterprise » en juin 2022) ;
3. Secteur de l’entreprise (exemple de cohorte : les nouveaux clients dans le secteur de la finance acquis en juin 2022) ;
4. Nombre d’employés de l’entreprise (exemple de cohorte : les nouveaux clients de + 500 employés acquis en juin 2022) ;
5. Type d’onboarding (exemple de cohorte : les nouveaux clients acquis en juin 2022 via un onboarding en visio) ;
6. Account manager (exemple de cohorte : les nouveaux clients acquis en juin 2022 et ayant Paul Dupont en account manager ) ;
7. Pays de l’entreprise (exemple de cohorte : les nouveaux clients français acquis en juin 2022).

Dans le cas d’un SaaS B2B, les cohortes sont généralement construites et suivies sur une échelle mensuelle ou annuelle selon le secteur du SaaS B2B concerné.

OLTP, OLAP, Données non structurées, Données structurées, Docker, Gouvernance des données, DFS, MySQL, PostgreSQL, Data cleaning, Analyse ad hoc, Data lake, Power BI, Analyse descriptive, Analyse multidimensionnelle, SIAD, ARR, Taux de rétention, Taux d’attrition, Data mining, Pie chart, Histogramme, Dashboard, Graphique, Tableau software, Box plot, Bar chart, Area chart, Data visualisation, KPI, Analyse de cohorte, MRR, API, Data warehouse, Data engineering, CLV, ETL, dbt (Data Build Tool), Data catalog, Marketing Automation, Segmentation RFM