Analyse de cohorte
L'analyse de cohorte est une méthode qui consiste à regrouper les clients selon un point de départ commun, le plus souvent le mois ou la semaine de leur premier achat, puis à suivre l'évolution du comportement de ce groupe au fil du temps par rapport à d'autres cohortes. Elle révèle les tendances en matière de rétention, de dépenses et d'attrition qu'un seul indicateur agrégé, calculé en moyenne sur l'ensemble des clients, masquerait.
Définition de l’analyse de cohorte
L’analyse de cohorte est une méthode de compréhension du comportement client qui consiste à regrouper les personnes selon un point de départ commun dans le temps, le plus souvent le mois ou la semaine de leur premier achat, puis à suivre le comportement de chaque groupe au cours des mois suivants. Au lieu d’examiner un seul chiffre de rétention ou de dépenses mélangé sur l’ensemble de la clientèle, l’analyse de cohorte sépare les clients en « cohortes » afin de rendre visibles les tendances dans le temps : les clients acquis plus récemment restent-ils plus longtemps que ceux acquis il y a un an, ou la rétention se dégrade-t-elle silencieusement même si le chiffre d’affaires total continue de croître parce que l’acquisition de nouveaux clients masque le déclin ? L’analyse de cohorte est une technique standard dans les entreprises par abonnement, mais elle s’applique tout aussi directement au e-commerce, où le comportement pertinent est généralement le réachat, la rétention ou les dépenses cumulées plutôt que le renouvellement d’abonnement.
Comment fonctionne l’analyse de cohorte
La construction d’une analyse de cohorte commence par la définition du regroupement de cohorte, le plus souvent le mois civil au cours duquel un client a passé sa première commande. Chaque client est affecté à une seule cohorte en fonction de cette date de premier achat. Ensuite, pour chaque mois suivant l’acquisition, l’analyse calcule le pourcentage de cette cohorte ayant effectué un autre achat, ou le chiffre d’affaires généré par cette cohorte, formant ainsi une grille avec les cohortes en lignes et les « mois depuis l’acquisition » en colonnes.
Un exemple concret : un magasin acquiert 1 000 nouveaux clients en janvier. Parmi eux, 280 effectuent un deuxième achat au cours du premier mois suivant l’acquisition (mois 1), 190 sont encore actifs au mois 3 et 140 restent actifs au mois 6. Le magasin répète ce même suivi pour sa cohorte de février, celle de mars, et ainsi de suite. Si la cohorte de février montre 320 clients encore actifs au mois 1 contre 280 pour celle de janvier, c’est un signal significatif : la rétention s’améliore, et il vaut la peine de rechercher ce qui a changé entre janvier et février, que ce soit un nouveau canal d’acquisition, une séquence d’e-mails d’onboarding ou un changement de tarification.
Pourquoi l’analyse de cohorte est importante pour les marques de e-commerce
Les indicateurs agrégés comme un taux de rétention unique ou la valeur vie client moyenne peuvent masquer des tendances importantes, car ils moyennent le comportement de clients acquis à des moments très différents et dans des conditions très diverses. Un magasin dont le chiffre de rétention global semble stable peut en réalité connaître une amélioration de la rétention parmi les nouvelles cohortes, compensée par une baisse de rétention parmi les cohortes plus anciennes qui se désabonnent — une distinction aux implications stratégiques très différentes. L’analyse de cohorte rend l’effet de changements spécifiques visible et attribuable : si une marque modifie sa séquence d’e-mails d’onboarding en mars, comparer le taux de réachat au mois 1 de la cohorte de mars avec celui de la cohorte de février isole l’effet de ce changement spécifique bien plus nettement que d’observer le taux de rétention mensuel global, qui mélange clients anciens et nouveaux.
Tableau comparatif : analyse de cohorte vs autres approches d’analyse client
| Approche | Ce qu’elle mesure | Dimension temporelle | Meilleur usage |
|---|---|---|---|
| Analyse de cohorte | Comment les groupes acquis à différents moments se comportent dans le temps | Explicite, par période d’acquisition | Isoler les effets des changements d’acquisition ou de produit |
| Analyse RFM | Récence, fréquence, valeur monétaire à un instant donné | Instantané, pas de série temporelle | Segmenter la clientèle actuelle pour le ciblage |
| Taux d’attrition | Part des clients perdus sur une période | Agrégé sur l’ensemble des clients | Vérification de l’état de santé général |
| Valeur à vie (LTV) | Revenu total attendu par client | Peut être basé sur les cohortes ou mélangé | Justifier les dépenses d’acquisition |
| Segmentation client | Groupes partageant des caractéristiques comportementales ou démographiques | Instantané ou continu | Cibler les messages et les offres |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Analyse de cohorte et commerce axé sur l’IA
L’analyse de cohorte est avant tout une discipline d’analyse interne plutôt qu’un outil avec lequel les assistants d’achat IA interagissent directement, mais elle joue un rôle dans la façon dont les marques évaluent les clients que ces assistants amènent. Alors qu’un volume croissant d’achats provient de découvertes via l’IA, que ce soit via ChatGPT Shopping, Perplexity Shopping ou des recommandations de produits pilotées par l’IA, les marques souhaitent de plus en plus savoir si les clients acquis via ces canaux se rétiennent et dépensent différemment de ceux acquis via la recherche traditionnelle ou le social payant. Construire une cohorte spécifiquement autour de la source d’acquisition, y compris le trafic référé par l’IA, permet à une marque de répondre directement à cette question plutôt que de la deviner à partir d’un seul chiffre de rétention global.
Les outils eshop_get_retention et eshop_get_ltv d’AmICited sont tous deux structurés autour des cohortes d’acquisition par conception, en suivant la rétention et la valeur cumulée des nouveaux clients de chaque mois dans le temps. Cette structure permet de comparer facilement, par exemple, si les clients acquis au cours d’un mois avec une campagne majeure de visibilité IA présentent une courbe de rétention différente de celle des clients acquis le mois précédent, sans avoir à construire la logique de cohorte manuellement à partir d’exportations brutes de commandes.
Bonnes pratiques pour l’analyse de cohorte
- Définissez les cohortes par un événement cohérent et significatif, le plus souvent le mois du premier achat, et maintenez cette définition stable sur toute la période de reporting afin que les cohortes restent comparables
- Suivez plus d’un indicateur par cohorte lorsque c’est possible, comme le taux de réachat et les dépenses cumulées, car une cohorte peut bien se rétentionner tout en dépensant moins, ou vice versa
- Comparez les cohortes par rapport à des changements spécifiques connus (nouveau canal d’acquisition, changement de prix, mise à jour de l’onboarding) plutôt que de simplement observer les courbes dériver sans hypothèse
- Accordez aux cohortes récentes suffisamment de temps pour mûrir avant de tirer des conclusions, car le comportement d’une cohorte au premier mois ne prédit pas toujours sa trajectoire finale
- Segmentez davantage les cohortes par canal d’acquisition ou premier produit acheté lorsque la vue par mois d’acquisition seule n’explique pas une divergence
Erreurs courantes dans l’analyse de cohorte
Une erreur fréquente consiste à tirer des conclusions d’une cohorte trop récente pour avoir mûri, en comparant les premiers chiffres d’une cohorte de deux mois à la trajectoire complète d’une cohorte d’un an et en prenant une avance ou un retard précoce pour une tendance durable. Un autre problème courant est de définir les cohortes de manière incohérente dans le temps, par exemple en passant de l’événement d’acquisition « premier achat » à « date d’inscription » en cours de période de reporting, ce qui brise la comparabilité entre les cohortes construites avant et après le changement. Certaines équipes examinent également uniquement le pourcentage de rétention sans l’associer au chiffre d’affaires par cohorte, passant à côté de cas où une cohorte se rétentionne à un taux similaire mais dépense significativement moins par commande — une différence aux implications réelles pour les projections de valeur à vie. Un autre écueil consiste à traiter une baisse ponctuelle d’une cohorte comme une tendance permanente sans vérifier s’il existe une cause externe, comme un pic d’acquisition saisonnier qui a attiré des clients à faible intention qui n’auraient jamais eu une rétention aussi bonne qu’une cohorte typique, indépendamment de tout changement interne. Enfin, certaines marques construisent des tableaux de cohorte sans jamais les relier aux dépenses d’acquisition, passant à côté du cas d’usage le plus direct : confirmer si les clients d’un canal valent ce qu’il en coûte pour les acquérir, une fois leur véritable schéma de rétention et de dépenses connu.