Autant un e-commerçant avec du volume ou un site BtoC genre Meetic profitent à plein de ce type d’analyse (j’en sais queque chose j’ai été dans le dating), autant pour une startup c’est moins évident.

Sur Sellsy, on a essayé et on a des trucs qui tournent, mais l’analyse atteint vite ses limite pour plusieurs raisons :

L’échantillon est trop faible et la typologie des visiteurs évolue énormément avec l’évolution du produit (nous avons carrément inversé le ratio solos/pme en un an par exemple, donc analyser les metrics d’un an à l’autre est useless).

Les solutions dispos sont hardcore à implémenter dès qu’on commence à avoir des produits complexes (plusieurs tarifs d’abonnements, options, options par utilisateurs, produits ponctuels…). On a essayé plusieurs systèmes comme Kissmetrics ou autres, mais le paramétrage est dément pour avoir quelque chose qui au final ne nous apprend pas grand chose. On a stoppé là dessus.

Enfin, le produit évolue vite et dans de nombreuses directions. La stratégie consistant à ajouter du tracking partout ralenti considérablement le développement. Hors nous savons que nous profitons bien plus concrètement de nos innovations (en les facturant) qu’en analysant notre cohorte d’inscrits ou en faisant des heatmaps.

Du coup, on a codé nos outils, en interne, qui nous aident à « présélectionner » les prospects chauds sur des critères simples, mais efficaces. Au lieu d’analyser le groupe, on se concentre sur l’individu qui a la meilleure chance de devenir client.

Je remarque aussi que beaucoup de startups se gargarisent des « vanity metrics » (par exemple le nombre d’utilisateurs ou nb de connexions) qui ne servent le plus souvent qu’à faire joli, au lieu de se concentrer sur des « actionable metrics » (%PU, ARPU, CAC, K-LTV, etc.) qui sont de vrais mesures de la santé de l’entreprise.

Les boite du social gaming sont vraiment à fond sur les stats, il est intéressant de regarder ce que font Kontagent, KISSmetrics, Claritics ou encore MixPanel (et plein d’autres).

maintenant ça se met comment en place ce type d’analyse, ça peut se faire avec Google Analytics ou il faut utiliser les logs serveurs et faire joujou sur Excel ?

L’erreur fréquente est justement de vouloir sortir le service qui englobe tout les idées de départs en terme de fonctionnalités, image, évolution.

Alors que la construction d’un service se fait en fonction du traffic

Bien sûr, toute entreprise dont le modèle ne se réduit pas à une transaction unique à l’instant t se doit de mettre en place un suivi de cohortes pour mettre en rapport une « Life Time Value » et un « Coût d’Acquisition » résultante composite d’indicateurs variés, piloter tout ça, et mille choses annexes encore qui ne sont pas l’objet de ma remarque… 😉

Mon retour d’expérience est que malheureusement start-ups et sociétés plus matures ne sont pas logées à la même enseigne…

Par ex, les chiffres de cohortes crunchés par un marchand bien établi (panier moyen, taux de repeat, etc…) lui permettront un pilotage opérationnel fin de sa marge de contribution en « réglant » ses investissments mkg

En revanche, je constate trop souvent que les analyses de cohortes d’une jeune start-up sont peu fiables et inexploitables… sauf à se faire plaisir ou à essayer de convaincre des investisseurs 😉

les raisons sont multiples : croissance rapide sur faible nombre de clients/users, produit en évolution, base « béta » ou « early adopter » trop « typée », investissements marketings opportunistes et non-scalables, etc.. bref, trop de paramètres non stabilisés, avec aussi évidemment une faiblesse théorique : il y a toujours des metrics pour lesquels vous n’avez pas assez de données pour que vos analyses tiennent la route d’un point de vue statistique… (exemple trivial: il faut 18 mois d’observation pour connaitre le taux de repeat de votre site marchand que vous avez lancé il y a 6 mois…)

Au bilan, vous risquez de vous retrouver avec des données
a)très volatiles : vous trouvez « 100 » le Mois 1, « 50 » le M2, « 200 » le M3… toutes choses égales par ailleurs
b)peu « scalables » : avoir un super ARPU sur 100 clients ne présume pas vraiment de ce que sera l’ARPU avec 20 000… sauf évidemment pour le business plan xls

Cela dit, je confirme avec vous l’intérêt d’affuter ses analyses de cohortes au moins pour analyser ce qu’on peut du passé et pour anticiper la suite des événements, notamment en raffinant le modèle de données de ses metrics et les outils d’analyse, sans compter que les implications IT de l’exercice sont parfois profondes…

(et comme c’était mon premier commentaire sur le site, j’en profite pour dire à son auteur tout le bien que j’en pense !)

Un autre graphique utile qu’on a utilisé : en abscisses le temps, en ordonnées tous les utilisateurs par ordre chronologique (sampler s’il y en a trop, mais ça peut être 1px / utilisateur). (x,y) représente l’activité de l’utilisateur y à l’instant x.

Ce type de graphe est plus difficile à lire mais plus parlant que les cohortes. Il permet entre autres de voir en détail quels utilisateurs sont très actifs sur votre service et à quel cohorte ils appartiennent.

J’aime beaucoup l’idée des cohortes pour le trafic viral. Si on a moyen de tracker précisément quel utilisateur recommande le service à un autre, un « arbre généalogique » des recommandations pourrait aussi être intéressant.