Découvrez comment les cohortes vous permettent de segmenter et de mieux comprendre vos clients, augmentant ainsi la valeur et la fidélité dans le commerce électronique B2B et le SaaS.
Les cohortes sont un concept clé qui trouve son origine dans la recherche épidémiologique et font référence à un groupe d'individus qui partagent une caractéristique commune au cours d'une période donnée. Par exemple, une cohorte peut être composée de personnes nées la même année, de résidents de la même zone géographique ou de personnes ayant commencé un traitement médical au même moment. Cette approche permet aux chercheurss) observez et analysez les différents facteurs, à la fois environnementale et mode de vie, influencer la santé et le comportement de ces groupes au fil du temps.
Dans le contexte du commerce électronique ou des entreprises SaaS B2B, l'analyse de cohorte est utilisée pour étudier le comportement des clients au fil du temps et comprendre comment leurs actions évoluent dès leur première interaction avec notre entreprise. Dans ce contexte, une cohorte est définie, par exemple, comme groupe de clients ayant effectué leur premier achat le même mois. En suivant le comportement de cette cohorte, les analystes peuvent observer les habitudes d'achat, les taux de rétention et de fidélité, ainsi que l'efficacité des stratégies marketing au fil du temps.
L'analyse de cohorte en entreprise permet aux entreprises identifier les tendances cruciales et les domaines à améliorer. Par exemple, en examinant le comportement d'une cohorte spécifique en termes de fréquence d'achat, de dépenses moyennes et de taux d'abandon, une entreprise peut détecter si certaines modifications apportées à son site Web, à ses promotions ou à ses campagnes marketing ont eu l'impact souhaité. Si une cohorte affiche un taux d'abandon élevé après le premier mois, cela peut indiquer la nécessité d'améliorer l'expérience post-achat ou de mettre en œuvre des stratégies de fidélisation plus efficaces, telles que des programmes de fidélité ou des campagnes de réengagement.
De plus, ce type d'analyse peut s'avérer essentiel pour personnaliser l'expérience client. En comprenant comment les différentes cohortes réagissent aux différents stimuli marketing ou aux changements de produits, les entreprises peuvent mieux segmenter votre audience et proposer des promotions et des recommandations plus pertinentes. Par exemple, si une cohorte qui a accédé au site par le biais d'une promotion sur les réseaux sociaux montre un intérêt accru pour des produits spécifiques, l'entreprise peut diriger des campagnes marketing similaires auprès de futurs clients ayant des profils et des comportements similaires.
Il ressort de ce qui précède qu'une analyse de cohorte ne doit pas nécessairement être réalisée à un niveau général, mais plutôt que les clients peuvent être segmentés pour créer et analyser des cohortes de différents types. Ainsi, par exemple, la segmentation des cohortes peut impliquer de diviser les clients en groupes spécifiques en fonction de certaines caractéristiques sur la base d'un schéma temporel qui correspond généralement à des mois. Voici quelques méthodes courantes pour segmenter les cohortes.
1. Canal d'acquisition
La segmentation des cohortes en fonction du canal par lequel les clients ont été acquis (réseaux sociaux, recherches organiques, campagnes par e-mail, publicité payante, etc.) permet d'évaluer l'efficacité de chaque canal. Cela vous permet d'ajuster les investissements marketing et d'optimiser les stratégies pour chaque canal. Par exemple, si les clients acquis grâce à la publicité payante affichent un taux de rétention plus élevé, vous pouvez envisager d'augmenter le budget sur ce canal.
2. Type de produit acheté
La segmentation des cohortes selon le type de produits achetés nous permet de comprendre les préférences et les comportements des clients par rapport aux différentes catégories de produits. Par exemple, les clients qui achètent des produits de luxe peuvent avoir des comportements d'achat et des besoins différents de ceux qui achètent des produits de tous les jours. Cette segmentation permet de personnaliser l'expérience d'achat et les stratégies marketing pour chaque groupe.
3. Géographie
La segmentation géographique des cohortes nous permet d'analyser les différences de comportement des clients en fonction de leur localisation. Les préférences et les habitudes d'achat peuvent varier considérablement d'une région à l'autre. Il est donc essentiel de comprendre ces différences pour personnaliser efficacement les offres et les campagnes marketing.
4. Valeur du premier achat
La division des cohortes en fonction de la valeur du premier achat peut fournir des informations sur la façon dont la valeur initiale dépensée est liée à la rétention et au LTV. Par exemple, les clients qui effectuent initialement un achat de grande valeur peuvent avoir un comportement d'achat différent de celui de ceux qui commencent par des achats de moindre valeur. Cette analyse permet d'identifier les segments de clientèle les plus intéressants et de développer des stratégies pour les fidéliser.
5. Comportement de navigation
La segmentation des cohortes en fonction du comportement de navigation sur le site Web (par exemple, le temps passé sur le site, le nombre de pages visitées) peut fournir des informations sur l'engagement initial. Les clients qui montrent un niveau élevé d'interaction avec le site dès le début peuvent être plus susceptibles de devenir des clients réguliers.
Comme celles-ci, d'autres segmentations pertinentes peuvent exister... En utilisant ces formes et d'autres formes de segmentation, les entreprises peuvent acquérir une vision plus approfondie de leurs clients, améliorer la fidélisation, optimiser les stratégies marketing et, en fin de compte, augmenter les ventes et la satisfaction des clients.
Comment est construite une analyse de cohorte.
Pour faciliter l'exercice, nous allons utiliser un modèle standard que vous pouvez télécharger ici.
- La première chose sera Populariser le modèle avec les informations de votre entreprise. Comme vous pouvez le voir dans le modèle, il commence par la cellule « B4 », qui doit être remplie avec le nombre de nouveaux clients ayant effectué leur premier achat ce mois-là. Dans notre exemple, nous parlons du mois de janvier 2022 et le nombre de nouveaux clients était de 43 ce mois-là.
- Ensuite, nous allons remplissez la case « B5 » avec le nombre de nouveaux clients ayant passé leurs premières commandes au mois de février 2022 et ainsi de suite.
- Puis nous avons complété la colonne « C » en commençant par la cellule « C4 » avec le nombre de commandes passées par de nouveaux clients ayant effectué un achat pour la première fois en janvier 2022. Notez que le nombre de commandes ce mois-ci doit être au moins égal au nombre de nouveaux clients.
- La colonne « D » nous le compléterons avec le nombre de commandes passées au cours du mois de février 2022 par ceux qui sont devenus clients pour la première fois en janvier 2022.
- La colonne « E » nous le compléterons avec le nombre de commandes passées en mars 2022 par des clients ayant acheté pour la première fois en janvier 2022. Et ainsi de suite.
Ainsi, la ligne 4 représentera les commandes passées par les clients qui ont acheté pour la première fois en janvier 2022 au cours des mois précédant le mois de l'étude. Et comme nous voulons estimer le nombre de fois qu'un client achètera au cours de sa vie en tant que tel, nous allons prolonger l'analyse de plusieurs mois supplémentaires afin de pouvoir faire des projections. Combien de mois ? Nous l'expliquerons plus tard.
Une fois que nous aurons « rempli » le modèle avec les données de commande comme expliqué, nous examinerons le tableau ci-dessous, qui sera automatiquement rempli en fonction des données que nous avons utilisées.
- De cette façon, la colonne « C» indiquera le nombre de fois que les clients ayant passé leur première commande au cours du mois de janvier 2022 ont effectué des achats le même mois. Dans ce cas, 1,05 signifie que seulement 5 % des clients qui ont acheté pour la première fois ce mois-là ont effectué plus d'un achat le même mois. Et les données de la cellule « G31 », soit 0,15, signifient que seuls 15 % des clients ayant effectué leur premier achat au cours du mois de juin 2022 ont de nouveau passé une commande au cours du mois de novembre 2022 (M+5). De cette façon, si nous faisons la moyenne de toutes les valeurs de la colonne « C » nous obtenons 1,04, ce qui signifie que sur 100 nouveaux clients, nous pouvons nous attendre à 104 commandes le premier mois.
- ET la colonne « D »» signifie que sur 100 nouveaux appareils, nous pouvons nous attendre à ce qu'ils passent 67 commandes le mois suivant. Ainsi, si nous ajoutons la ligne 47 en utilisant les informations dont nous disposons (c'est-à-dire sans ajouter de projection), cette somme nous donne 6,49, ce qui représente le nombre de commandes passées en moyenne par chaque nouveau client.
Mais que se passera-t-il à partir de là ? Eh bien, pour le savoir, nous devons faire une « projection » et pour cela, nous allons recourir à la représentation des données que nous connaissons dans un graphique, en ajoutant une ligne de tendance logarithmique, qui est la fonction mathématique qui représente le mieux l'évolution du comportement des clients au fil du temps, et à partir de là, nous projetons jusqu'à ce que la fonction devienne « 0 », c'est-à-dire jusqu'à ce que les clients arrêtent d'acheter. Dans notre cas, cela se produira au cours du 45e mois. Si nous additionnons toutes ces valeurs, c'est-à-dire davantage de reais projetés, la somme sera de 8,45, ce qui signifie que pour chaque nouveau client, nous pouvons nous attendre à ce qu'il passe ce nombre de commandes au cours de sa durée de vie utile auprès de notre entreprise, qui sera en moyenne de 45 mois.
Pour compléter l'analyse avec des données plus précieuses, nous avons multiplié la valeur moyenne des commandes par ce chiffre et nous avons obtenu le LTV ou « Lifetime Value » d'un client.
Et le tour est joué ! C'est fait et c'est à cela que sert une analyse de cohorte.
