Digital Analytics
Replay

Conversion et Analytics, quelles sont les bonnes pratiques ?

Le Digital Analytics est un moyen d’optimiser la conversion d’un e-commerce. Cette conférence de la Paris Retail Week en évoque les bonnes pratiques.

Le Digital Analytics, arme de conversion massive de l'e-commerce

La société AT Internet est spécialiste du Digital Analytics depuis plus de 20 ans. Elle compte aujourd’hui 200 salariés et s’impose comme l’un des leaders mondiaux de l’Analytics selon le cabinet Forrester. Au cours de cette conférence de la Paris Retail Week 2018, elle expose les deux piliers sur lesquels son expertise repose, à savoir l’acquisition de données fiables et la mise à disposition d’outils pouvant être utilisés à tous les échelons de l’entreprise.

Quels sont les indicateurs de conversion les plus fréquents ?

Le chiffre d’affaires (CA) est la donnée la plus importante à prendre en compte lorsque l’on veut comprendre les leviers de conversion d’un site e-commerce. Le CA est le produit du nombre de visites, du taux de conversion et du panier moyen.

Lorsque les visites évoluent sur un site web, à la hausse comme à la baisse, le taux de conversion est directement impacté. Lorsqu’elles croissent, les conversions augmentent également, et inversement.

Le taux de conversion dépend de chaque device et de chaque support utilisé lors de la visite. Par ailleurs, ce n’est pas parce que le nombre de visites double que le taux de conversion va également doubler. En effet, les nouveaux visiteurs ne sont pas forcément aussi qualifiés que les anciens.

De plus, la très grande majorité des clients sont en mobilité ; ils peuvent se heurter à des problèmes de réseau ou à des difficultés d’accès à la 4G. Or, les problèmes techniques sont responsables d’un grand nombre d’abandons de paniers. Les retailers doivent donc effectuer des mesures techniques sur toutes les pages du tunnel d’achat.

Le panier moyen varie en fonction d’un certain nombre de paramètres, comme les offres promotionnelles en cours. L’e-commerçant doit se demander s’il est facile ou non de trouver sur internet des codes promotionnels pour son site. Si tel est le cas, un public qui n’est pas sa cible peut potentiellement l’utiliser.

Autre facteur, le nombre de commandes en fonction du chiffre d’affaires. En effet, si l’on constate davantage de commandes pour un CA identique, cela signifie que le panier moyen diminue. Mais ce constat n’est pas forcément négatif puisque les clients peuvent avoir tendance à fractionner les achats, c’est-à-dire effectuer de plus petites commandes de manière plus régulière.

Les frais de port ont également un impact psychologique et modifient le comportement des internautes. Certaines études prouvent par exemple que le taux de conversion est plus élevé si un bien à 50 euros avec livraison gratuite est comparé à un bien d’une valeur de 40 euros dont la livraison coûte 10 euros.

Enfin, la durée de validation du panier est également importante à mesurer, puisqu’elle permet de déterminer si le site est fréquenté par des acheteurs prenant le temps de réfléchir davantage que par des acheteurs impulsifs.

Les spécificités du Digital Analytics

Outre les composantes du chiffre d’affaires généré par un site e-commerce, la conversion répond à de nombreux autres critères qui doivent être pris en compte dans l’analyse des données :

  • Le retailer doit se demander quels sont les produits qui attirent ou qui repoussent le client et procéder à une optimisation de ses fiches produits. Comment un produit déclenche-t-il un clic ou attire-t-il l’attention du client ? Quelle est la compatibilité entre la liste de produits et chaque produit y figurant ? L’impact n’est en effet pas le même s’il figure sur la page d’accueil ou sur une liste de produits recommandés.
  • Divers éléments amènent le visiteur à mettre en panier ou à commander. Le visuel, les descriptions, l’ergonomie du site, le prix des articles, etc. Mesurer le nombre d’ajouts au panier et le comparer au nombre de visualisations des fiches produits est un indicateur permettant de comprendre ce qui est à l’origine du comportement des visiteurs. Il en va de même avec la comparaison entre le taux de produits achetés et les produits placés dans le panier.
  • L’A/B testing permet de trouver l’ergonomie en phase avec les tendances du marché et les attentes de la clientèle. Il peut s’agir d’une analyse de base impliquant de changer la couleur de quelques boutons ou de modifier le wording de base, ou bien de transformer radicalement l’ergonomie d’un site afin d’introduire un réel changement dans l’expérience client.
  • Les retailers doivent effectuer un arbitrage entre le « cross selling » (présentation de produits liés sur la page du panier) ou réduire au maximum les distractions à ce niveau du tunnel d’achat. Chaque commerce, chaque période de l’année et chaque secteur présentant ses spécificités, ce qui marche avec un site peut ne pas fonctionner avec un autre.
  • Analyser le nombre de paniers créés et en cours permet aux commerçants de visualiser le CA moyen potentiel du site, et de déterminer quels sont les horaires les plus propices à l’achat ou à la mise en panier. Ces données peuvent être croisées pour chaque utilisateur, permettant d’effectuer du retargeting plus pertinent, mieux ciblé.
  • La vitesse et le coût de livraison doivent également être pris en compte. Généralement, plus la livraison est rapide, plus le taux de conversion est élevé. Mais en croisant ces informations avec le coût de livraison, certains commerces peuvent s’apercevoir que la rapidité est moins importante que son coût, et que le taux de conversion le plus élevé peut être davantage lié à des prix bas. En fonction des préférences de la cible, le commerçant peut adapter son offre.
  • Il importe de segmenter les visiteurs afin de visualiser les problèmes techniques et les étapes du tunnel d’achat qui sont à l’origine de la plus grande perte de visiteur (consultation du panier, livraison, paiement, etc.). Ce type d’information permet de relancer plus intelligemment les visiteurs perdus au cours de leur parcours d’achat.
  • Pour fidéliser après un achat, le retailer peut s’appuyer sur une segmentation RFM (récence, fréquence, montant) et ainsi définir des groupes d’utilisateurs. Une dose de machine learning permet ensuite de réaliser de la prédiction en fonction des différents comportements. En effet, un client fortement désengagé à une période de l’année peut s’engager plus fortement le mois suivant. Grâce à ces données, il est possible de lui fournir de l’information plus qualitative, mieux ciblée, et ainsi pousser davantage à la conversion.

Il existe donc un grand nombre de données à analyser pour améliorer les performances d’un site e-commerce. Pour les retailers, il est moins important de récolter une quantité importante de données que de bénéficier de données de qualité et de savoir en évaluer la pertinence.

Intervenant :

publicité