Comment utiliser l'analyse des cohortes de clients pour mesurer les performances des annonces

De nos jours, les entreprises opèrent dans un monde numérique, ayant d'énormes quantités de données clients à collecter, enregistrer et procéder à un examen minutieux dans les moindres détails. Ce n'est pas une option facile, même pour les petites entreprises, sans parler des grandes entreprises. Au fur et à mesure que les affaires évoluent, on comprend également qu'il est possible de faire de la publicité plus efficacement et d'optimiser le budget publicitaire.

Dans ce cas, nous décrivons la solution fournie par l'équipe OWOX BI pour une grande entreprise fournissant une suite intégrée de produits pour les entreprises. La suite comprend des outils de gestion de projet, de documentation, de CRM, de téléphonie, de calendriers, etc. Ce client avait des difficultés à dépenser le budget publicitaire plus efficacement tout en effectuant une analyse de cohorte de clients.

Comme le principal défi pour les spécialistes du marketing était d'atteindre plus de clients, tout a été fait pour obtenir le plus d'inscriptions au service possible. Après avoir gagné beaucoup de clients actifs dans la base de données, il est apparu nécessaire d'améliorer le cycle de vie des clients. Les experts en marketing souhaitaient consacrer leurs ressources publicitaires uniquement au public cible prêt à acheter leur produit car les coûts d'acquisition de clients ont augmenté avec la concurrence commerciale. En conséquence, la plupart des efforts publicitaires commencent à porter leurs fruits deux mois ou plus après l'achat, car la plupart des clients paient leur abonnement sur une base mensuelle.

C'est pourquoi, pour dépenser plus efficacement le budget publicitaire, il a été décidé de mener une analyse de cohorte de clients. Une cohorte est un groupe d'utilisateurs partageant certaines caractéristiques communes. En regroupant les utilisateurs en cohortes en fonction de l'heure de leur première inscription, les spécialistes du marketing cherchaient à obtenir des informations plus détaillées sur ce que font leurs clients après leur inscription sur le site Web. L'analyse de cohorte permet également de calculer les revenus de chaque cohorte, d'évaluer l'efficacité des campagnes d'acquisition de clients et d'optimiser les coûts publicitaires. De plus, la comparaison des données comportementales des cohortes sur différentes sources, canaux et campagnes permet de comprendre quelles campagnes fonctionnent le mieux pour l'acquisition de clients et lesquelles améliorent le taux de rétention et motivent les utilisateurs à s'inscrire sur plusieurs portails.

Puisqu'il était nécessaire de fournir une analyse de cohorte efficace, toutes les données devraient être fusionnées dans un seul système. Un autre défi était constamment confronté à l'échantillonnage des données tout en travaillant avec la version gratuite de Google Analytics. Les analystes voulaient éviter ou au moins minimiser l'échantillonnage des données sans avoir à exporter les données quotidiennement.

En outre, un certain nombre de mesures spécifiques devaient être incluses dans le rapport d'analyse de cohorte :

• Nombre d'enregistrements — le nombre de portails enregistrés.
• MAU — le nombre d'utilisateurs actifs mensuels.
• CR à MAU - le nombre d'utilisateurs actifs mensuels par rapport au nombre d'utilisateurs enregistrés.
• Rétention 2ème jour — le nombre de clients qui sont revenus le deuxième jour après avoir enregistré un nouveau portail.
• Part de rétention 2e jour — le pourcentage de clients qui visitent à nouveau le site Web le deuxième jour après l'inscription.
• Utilisateurs payants — le nombre de clients payants.
• CR to Paying — le nombre d'utilisateurs payants par rapport au nombre d'utilisateurs enregistrés.
• Revenu SUM — le revenu total généré par une cohorte.
• Taux de désabonnement - le pourcentage de désabonnement des clients.
• ROMI — le retour sur investissement marketing, calculé comme revenus/coûts × 100 %.

L'objectif a été atteint en utilisant la base de données cloud Google BigQuery de la manière suivante :

1. Configuration de l'importation des données sur le comportement des clients et des données sur les coûts marketing dans Google BigQuery à l'aide d'OWOX BI Pipeline.
2. Envoi de données d'utilisateur et de transaction à Google BigQuery via le protocole de mesure.
3. Regrouper les utilisateurs par cohortes dans Google BigQuery et choisir toutes les métriques nécessaires.
4. Envoi des données de Google BigQuery à Google Sheets et création de rapports d'analyse de cohorte.

Le schéma ci-dessous montre le flux de données :

Voyons maintenant chaque étape en détail.

Après avoir examiné toutes les plates-formes alternatives, l'entreprise a choisi Google BigQuery pour combiner les données. Les données de comportement des utilisateurs Web ont été importées dans Google BigQuery à l'aide d'OWOX BI Pipeline. Voici les avantages de cette solution :

• Aucun échantillonnage de données et limitation du nombre de dimensions et de statistiques dans les rapports Google Analytics. Vous trouverez plus d'informations sur les limitations ici.
• Les données du site Web apparaissent dans Google BigQuery en seulement 5 minutes.
• Les revenus et les coûts publicitaires peuvent être comparés par sessions et par utilisateurs, offrant ainsi de meilleures informations sur la rentabilité de la cohorte. OWOX BI Pipeline permet de voir combien d'argent a été dépensé pour acquérir chaque utilisateur, en répartissant les coûts publicitaires sur les sessions utilisateur.

Toujours à l'aide d'OWOX BI Pipeline, les données des services publicitaires sont d'abord importées dans Google Analytics, puis dans Google BigQuery. L'exception concerne AdWords puisque Google Analytics a une intégration native avec celui-ci.

Les données sur les clients sont collectées dans le système CRM. Ainsi, les données sur les utilisateurs qui visitent à nouveau le site Web le deuxième jour après l'enregistrement du portail sont exportées vers Google BigQuery. Les données sur les utilisateurs actifs et les transactions sont également exportées vers Google BigQuery via le protocole de mesure.

Avec toutes les données nécessaires collectées dans Google BigQuery, les cohortes ont été créées et les métriques choisies pour chacune des cohortes ont été calculées.

Comme les clients paient les produits mensuellement, la période d'analyse a été fixée à un mois. Les cohortes ont été créées en fonction de l'heure de la première inscription. Cela signifie que tous les utilisateurs qui se sont inscrits, disons en juillet, appartiennent à la même cohorte. Avec les métriques calculées dans Google BigQuery, le tableau a la structure suivante :

Comme les données ont été exportées depuis Google BigQuery (via le module complémentaire OWOX BI BigQuery Reports), elles ont été visualisées dans Google Sheets. Ces données sont automatiquement mises à jour quotidiennement et peuvent être filtrées par canal, source, campagne et contenu publicitaire.

Le rapport démontre que les initiatives publicitaires aident non seulement à acquérir de nouveaux clients, mais augmentent également la valeur à vie des clients, ramenant les clients déjà acquis qui cherchent à ajouter un autre portail.

Dans la plupart des cas, les investissements publicitaires commencent à rentabiliser en trois mois.

Bien que la création du rapport ait été une tâche difficile avec de nombreux facteurs variables, le résultat en valait vraiment la peine. Un ensemble de rapports automatisés réguliers a été créé pour le service marketing. Avant cela, les spécialistes du marketing devaient créer ces rapports manuellement, tout revérifier et consacrer beaucoup de temps et d'efforts.

En raison de nouveaux rapports, il s'est également produit des découvertes intéressantes. Par exemple, il a été constaté que la publicité ne fonctionne pas seulement pour l'acquisition de clients, mais qu'elle contribue également à la fidélisation de la clientèle et aide à obtenir plus d'inscriptions du même client.

• La société dispose désormais d'un ensemble de rapports entièrement automatisés qui permettent de mesurer mensuellement les performances des canaux, des sources et des campagnes publicitaires sur des cohortes de clients.
• Connaissant les performances de leur publicité, les spécialistes du marketing peuvent désormais optimiser les coûts afin d'augmenter le revenu total de chacune des cohortes et de réduire le taux de désabonnement.
• Grâce à l'analyse de cohorte, il est maintenant possible de déterminer les sources qui attirent les clients les plus fidèles. Ces données peuvent également être utilisées pour le remarketing.