Tirez les bons insights de vos données grâce à l’analyse de cohorte

Une idée fausse circule selon laquelle l’analyse des données au niveau le plus élevé, et sur le périmètre le plus large possible, permettrait de fournir la vue d’ensemble la plus complète. En réalité, c’est l’inverse : les données peuvent être trompeuses si elles sont trop vastes. Les bonnes dimensions, la juste segmentation et l’alignement des données, voilà ce qui permet de voir ce qui fonctionne, et ce qui ne fonctionne pas. Plus important encore, observer les données dans le bon contexte est capital.

Supprimer les éléments parasites

Le contexte peut être vraiment compliqué à isoler, et de plus, le contexte peut signifier un tas de choses différentes à la fois. L’une des premières choses que l’on apprend dans un cours de statistiques, c’est que les données ne déterminent jamais la causalité, mais uniquement la corrélation. Et lorsqu’il s’agit de corrélation, il faut supprimer autant d’éléments parasites que possible pour en démontrer une forte. Un nettoyage total des données n’est jamais possible, mais en choisissant les filtres qui sauront les clarifier au maximum, vous pourrez obtenir des conclusions plus solides.

Voici en exemple un cas pratique de “pommes avec des pommes”. Le but : comparer les habitudes de consommation d’une douzaine de pommes par une famille. Nous établissons qu’une « famille » doit être composée d’un minimum de 4 personnes, et nous comparons la consommation d’un achat de quantité identique (une douzaine) :

• La famille A achète une douzaine de pommes le dimanche
  
• La famille B achète une douzaine de pommes le mercredi

_{Les pommes avec les pommes : progression dans le temps des habitudes de consommation des familles de plus de 4 personnes}

En observant les données non groupées, on peut dire que le samedi est un jour de pic de consommation, mais en dehors de cela, il est difficile de comprendre les données. En regroupant les données par jour d’achat, les tendances sont simples à observer : la famille A consomme des pommes lentement, mais à un rythme plutôt régulier, mais semble se lasser des pommes à partir du troisième jour, car la consommation se met à stagner. La famille B quant à elle, n’a pas été très enthousiasmée par son premier achat de pommes, mais à partir des jours 3 et 4 la consommation a explosé (ils ont peut-être trouvé une délicieuse recette de tarte aux pommes ?).

Revenons au monde de la technologie publicitaire, et réexaminons ce cas de revenu moyen par utilisateur. Il ne suffit pas de comparer le revenu moyen par utilisateur d’un jour à l’autre. Nous devons prendre en considération les éléments parasites, et les filtrer : comparer le ARPU sur les mêmes jours de la semaine, comparer le nombre d’utilisateurs, l’activité, et savoir s’il y a eu une promotion ou une offre qui aurait pu entraîner plus d’achats. Quel que soit les KPIs que vous analysez, vous devez vous assurer que vous mettez en parallèle des données qui sont comparables : c’est à dire que vous comparez bien des pommes avec des pommes.

La Cohorte à la rescousse

Lorsqu’il s’agit de confronter les KPIs et d’évaluer le succès de la stratégie, l’analyse de Cohorte est l’outil qu’il vous faut.

Analyse de Cohorte : consiste à regrouper les utilisateurs ayant des caractéristiques communes, et à mesurer des KPIs spécifiques sur des périodes différentes.

La Cohorte ne consiste pas seulement à analyser les KPIs. En révélant les tendances cachées, l’analyse de Cohorte fournit les insights qui vous permettent d’optimiser les campagnes live, et d’opérer en temps réel les modifications qui viendront stimuler l’engagement et le revenu.

Démarrer avec la Cohorte

L’analyse de Cohorte peut sembler un peu intimidante au premier abord, mais en suivant quelques étapes simples, vous pourrez la maitriser en un rien de temps.

Configuration de la requête

Avant toute chose, vous devez établir ce que cherchez à découvrir. Définir vos KPIs ainsi que vos mesures de réussite vous permettra d’avancer dans la bonne direction. Mesurez-vous les campagnes en les mettant en parallèle afin de comparer les sources média ? Ou peut-être mesurez-vous le succès d’une même campagne mais dans différentes régions ? Et d’ailleurs, comment définissez-vous exactement le succès ? Une fois que vous aurez une idée précise de la question que vous posez, et des mesures dont vous aurez besoin pour y répondre, vous aurez fait la moitié du travail.

Voici une formule très pratique pour les questions d’analyse de Cohorte :

Regrouper les utilisateurs qui ont les mêmes caractéristiques pour comparer le comportement et les mesures sur une période définie.

_{Exemples de filtres et de regroupements que vous pouvez choisir dans l’analyse de Cohorte}

Les caractéristiques sont la dimension selon laquelle vous mesurerez vos résultats. Les KPIs sont la métrique réelle que vous allez analyser, et la période définira la fenêtre utilisée pour la mesure.

Prenons un exemple dans lequel nous voulons évaluer le succès d’une certaine campagne à travers différents pays. Nous voulons observer le comportement de l’utilisateur le jour où il a installé l’app, le jour qui suit, et plusieurs jours après. En alignant les jours d’installation, nous mettons les curseurs à zéro et pouvons ainsi analyser le comportement de l’utilisateur et son interaction avec l’app. L’alignement de cette métrique pour tous les utilisateurs permet de comparer efficacement des pommes avec des pommes. Lors du paramétrage de la cohorte que nous souhaitons examiner dans le dashboard, nous choisirons l’app correspondante. Dans l’exemple ci-dessous, nous allons grouper les cohortes par pays , puis sélectionner la semaine qui va du 1er au 07 avril 2019. Nous définissons le nombre minimum par cohorte à 10 utilisateurs. Nous ajoutons un filtre sur la campagne correspondante : la campagne spring_sale_april . Voici à quoi le paramétrage ressemblera :

Paramétrage des regroupements, filtres et dimensions de Cohorte dans le tableau de bord AppsFlyer

Et lorsque nous sommes prêts, nous cliquons sur le boutonAppliquer pour exécuter la requête.

Analyse des résultats

L’affichage de nos données dépend des événements in-app prédéfinis. Dans cet exemple, nous allons observer deux différentes métriques prédéfinies : les sessions moyennes par utilisateur, et le revenu moyen par utilisateur.
En se penchant sur le nombre moyen de sessions par utilisateur, voilà ce qu’on observe :

_{Les utilisateurs russes sont très engagés dans l’app, mais est-ce vraiment tout ?}

À première vue, la campagne Spring semble se dérouler exceptionnellement bien en Russie (RU), mais très mal en Indonésie (ID). En affichant les données sous forme de tableau, nous pouvons voir qu’il y a une croissance progressive mineure en Inde (IN) et en Chine (CN), avec un gros pic de sessions moyennes par utilisateur en Russie le jour 30. Il est important de noter que par défaut, ces données sont cumulatives.

_{Tableau de visualisation des sessions moyennes par utilisateurs, regroupées par pays. Le jour 0 correspond au jour d’installation}

Mais ces données ne nous donnent pas une vue d’ensemble complète. Nous observons que l’engagement est élevé en Russie, par rapport à d’autres pays, et qu’il continue de grimper au fil du temps. Cela veut-il dire que la campagne a été plus fructueuse en Russie ?

_{Pour chaque histoire, il y a toujours (au moins) deux versions}

Pas vraiment.  Si nous affichons maintenant les données selon le revenu moyen par utilisateur, c’est une toute autre histoire : bien que les utilisateurs russes soient actifs dans la campagne, ils ne dépensent pas d’argent. Les utilisateurs chinois par contre, ont une dépense par visite en moyenne plus élevée. Nous pouvons en conclure qu’il serait bon d’optimiser la campagne sur le marché russe pour les encourager à effectuer des achats (en proposant une offre spéciale, un coupon ou une vente). Puisque les dépenses de l’utilisateur chinois stagnent aux environs du jour 4, nous pouvons programmer une campagne de retargeting sur cette période. Les utilisateurs indiens affichent une progression constante dans les dépenses, ce qui est exactement ce que nous cherchons.

Une autre information majeure que nous pouvons tirer de ces deux analyses de Cohorte, c’est le comportement étonnant des utilisateurs indonésiens. Malgré une bonne quantité d’installations (249), il n’existe quasiment aucun lancement d’app, et absolument aucun achat. Cela peut-être le signe d’une éventuelle fraude, et nécessite une analyse plus approfondie via le tableau de bord Protect360.

Vos insights n’attendent que vous

Maintenant que nous avons abordé les bases de l’analyse de Cohorte, vous devriez pouvoir rendre lisibles les masses de données qui entrent dans votre tableau de bord sans trop de difficultés. Découvrez le rapport de rétention, le petit frère du rapport de cohorte, dans une logique similaire pour une analyse du niveau de désabonnement de vos apps.