Quels indicateurs mettre en place pour commencer à utiliser les Analytics sur son produit ?
Comment identifier les améliorations ou évolutions à apporter pour augmenter sa valeur ?
Comment bien vérifier qu’une évolution porte ses fruits ?
Chez Sirup lab, cela fait plusieurs années que nous utilisons Google Analytics, et sa version simplifiée pour mobile : Firebase Analytics.
Nous les utilisons pour aider startups et entrepreneurs à rendre leur produit économiquement viable. Nous les aidons à croître beaucoup plus rapidement.
Nous avons déjà doublé le chiffre d'affaires de plusieurs partenaires en appliquant des évolutions simples aux bons endroits.
Explorer des tableaux de bord réels reste le meilleur moyen de bien comprendre comment configurer la collecte de donnée, mais ces tableaux sont confidentiels et donc difficiles à partager (sans flouter 90 % des images).
Pour bien illustrer cette démarche nous étudions donc ici 2 tableaux de bord conçus par Google. Ils sont entièrement disponibles pour tous à des fins éducatives :
Nous ferons ensuite une synthèse sur une méthode simple, accessible à tous, à mettre en place sur votre propre projet.
Il s’agit de définir les indicateurs en forte corrélation avec la valeur de l’application, et donc souvent avec les revenus.
L’application connectée à ce tableau est un jeu gratuit. Les revenus proviennent principalement de la publicité et un peu d’achat dans l’application. Convertir les visiteurs en utilisateurs actifs, c’est-à-dire des utilisateurs qui reviennent, est donc la priorité.
18 indicateurs sont configurés, mais uniquement 6 sont actifs.
Parmi eux :
Nous avons donc une séquence chronologique avec des indicateurs sur le 1er lancement, quelques jours plus tard, et sur du long terme, alignés avec les objectifs de revenu du produit.
L’application connectée à ce tableau est un site marchand. Les revenus sont générés par des achats ponctuels. Convertir des visiteurs en clients est donc la priorité.
4 Objectifs sont configurés. Parmi eux :
Ici aussi nous remontons dans la chronologie avec des indicateurs de plus en plus en amont.
Une fois les grands indicateurs définis, il s’agit d’observer plus en détail à quelle étape les utilisateurs décrochent pour cibler les améliorations et les évolutions.
Cet entonnoir affiche plus en détail la conversion de visiteur en utilisateur. Il permet d’identifier les frictions potentielles pour terminer un niveau du jeu.
Notez que Firebase n’offre que des entonnoirs ouverts. Cela signifie que les utilisateurs à une étape n’ont pas forcément observé l’étape précédente.
Cela reste cependant une approximation suffisante pour optimiser cette portion de la conversion.
Ici, nous voyons clairement qu’une grande partie des utilisateurs qui lancent l’application pour la première fois ne commencent pas de niveau. Une portion beaucoup moins importante commence un niveau mais ne le finit pas.
Amener plus de nouveaux utilisateurs à commencer un niveau est une bonne piste d’exploration.
Cet entonnoir affiche en détail les étapes précédant l’acte d’achat.
Ceci est en entonnoir fermé. Ça signifie que les utilisateurs à une étape donnée ont tous observé l’étape précédente.
Le taux d’abandon le plus fort est sur la dernière étape avec 19 % de conversion sur l’achat.
Amener plus de personnes qui ont choisi leur mode de facturation et de livraison à payer est donc une piste d’exploration.
Une fois les indicateurs et leurs étapes définis, il s’agit d’ajouter quelques indicateurs d’usage (event) qui pourront être utilisés sur une étude future. Ce que vous ne mesurez pas maintenant est perdu.
Chaque étape du jeu est mesurée.
Les étapes de succès sur les différents parcours, incluant les invitations.
Les événements d’échec sont également mesurés (échec de niveau, réinitialisation de niveau).
Sous cette forme, une analyse est difficile. Ces événements trouveront leur place dans un entonnoir ou pour définir une audience (dessous).
Seuls 6 événements sont configurés ici.
Les ”Event actions” sont utilisées. Uniquement 2 catégories sont définies.
C’est une bonne pratique puisque les systèmes récents (Firebase Analytics ou Google Tag Manager) ne supportent aussi que des couples action / valeur.
Les labels sont utilisés pour identifier l’objet de l’action (un article dans la plupart des cas)
Ici aussi, nous observons des événements pouvant dégrader les conversions (Remove from cart).
Une fois tous nos indicateurs mise en place, nous allons diviser l’audience en groupes plus petits partageant des événements en commun pour préciser les analyses.
Ici, l’audience est divisée selon une courbe d’apprentissage.
Les utilisateurs experts ont complétés tous les niveaux.
Chaque groupe précédent a découvert un peu moins de l’application.
Cela divise l’audience totale progressivement jusqu’au groupe expert avec la plus haute rétention, et donc générant le plus de revenus publicitaires.
Un groupe sur les plantages est en place pour mesurer l’impact négatif sur les conversions.
Google Analytics permet de configurer des audiences de plusieurs façons.
Il est possible de configurer des segments. Ils ne sont pas partageables largement. Nous ne pouvons pas les afficher ici.
Il est aussi possible de configurer des dimensions ou des variables personnalisées. Nous avons ici une dimension “user category”.
Ici, la décomposition se fait sur un type de persona : les employés (de Google ?) ou des distributeurs.
Une fois votre audience cible et les frictions identifiées, il s’agit d'expérimenter des modifications ou des évolutions et vérifier une augmentation de la valeur.
Le test AB consiste à comparer la performance d’une ancienne version de l’application avec de nouvelles versions sur la même plage de temps et sur des groupes d’utilisateurs significatifs.
C’est la méthode la plus simple pour s’assurer qu’une modification est utile.
La première expérimentation cible l’activation en augmentant le démarrage d’un niveau.
Comme évoqué plus haut, Google cherche à augmenter la proportion d’utilisateur qui démarre un niveau. Cela doit se faire sans les faire fuir ensuite. On observe donc un objectif secondaire pour augmenter la réalisation de 5 niveaux.
Chaque expérimentation contient de la même façon un objectif principal et des objectifs secondaires. Cela permet d’éviter qu’un gain d’un côté engendre une perte de l’autre.
“Optimize” permet de faire l’équivalent sur Google Analytics.
Les tests ne sont cependant pas accessibles sur ce compte de démo 😭.
Bien que chaque produit et chaque système statistique soient différents, vous devriez pouvoir configurer ceci partout :
Cela vous aidera à mieux identifier les parties de votre produit à améliorer, à augmenter régulièrement sa valeur et donc à rendre votre produit économiquement viable beaucoup plus rapidement.
Si vous souhaitez l’aide d’experts pour vous aider à le prendre en main, faites appel à nous ! Nous offrons des ateliers aux incubateurs, donnons des formations d’équipe et renforçons les équipes produit en place.
Nous envoyons une fois par mois nos nouveaux articles, tutoriaux et notre veille technologique
