Dans le monde numérique, chaque action ou presque laisse des traces ; ce constat a radicalement changé le dilemme des analyses marketing : si par le passé, les données étaient peu nombreuses et imprécises, aujourd’hui, le raz de marée d’informations plus ou moins structurées accessible via les outils de mesure les plus communs change la donne, le mantra n’étant plus le manque de données, mais une organisation qui permet de les comprendre et de les mettre en contexte.
La précision de la mesure publicitaire s’est ainsi accrue, non seulement grâce au développement des plateformes et du volume de données disponible, mais aussi grâce à la structure de mesure et des standards qui ont été adoptés autour de ces données. Ainsi, la tâche est relativement simple lorsque les indicateurs clés de performance (KPI) sont mesurables avec précision via votre système de données, par exemple un nombre de transactions à atteindre, ou une valeur de panier moyen à maintenir. Mais qu’en est-il lorsque ces KPI ne sont pas mesurables directement via votre plateforme ? Comment mesurer la reconnaissance de marque ou le ressenti à son égard ? Vous trouverez ci-dessous des éléments qui pourront guider votre réflexion afin de mesurer l’efficacité de vos campagnes de marque.
Première étape : déterminer votre méthodologie
Comme dans toute bonne analyse, la première étape est de définir votre méthodologie, et de la citer de manière claire et précise dans votre rapport de conclusion. Plusieurs éléments sont à prendre en compte.
Choisir vos sources des données
Bien qu’énormément de données soient disponibles, il faut vérifier l’intégrité et valider la liste officielle des sources de données que vous allez utiliser lors de votre analyse. Attention au scope de données utilisées : si vous n’utilisez que Google Analytics, vos données seront limitées à votre site seulement. Si vous voulez connaître le comportement de vos utilisateurs au-delà de ce cadre, il faudra aller vers d’autres outils, comme les statistiques de votre page Facebook par exemple.
La plupart du temps, les analyses sont faites avec Google Analytics (en last clic ! voir plus bas pour plus de détails), mais si elles sont disponibles, essayez d’élargir votre analyse à toutes les sources de données pertinentes à votre disposition :
- Statistiques sociales de votre page ou de vos publicités Facebook : tous les indicateurs sociaux de la plateforme comme les likes, les fans, les partages, les commentaires, etc.
- Statistiques de vos réseaux Search et Display : intentions de recherches, impressions et clics sur vos mots clés brandés, etc.
Ces plateformes regorgent de données très précises (impressions, clics, etc.). Mais pourquoi se limiter à des données quantitatives ? Les sondages comme Google surveys vous permettent de poser directement des questions pertinentes directement à vos utilisateurs.
Établir les métriques et dimensions sur lesquelles votre analyse sera basée
Après avoir inventorié ces sources de données, il faudra choisir les indicateurs que vous analyserez. Google propose un très bon modèle avec les outils de sa suite ici :
On observe ici la méthodologie utilisée qui relie les indicateurs au cycle d’achat de l’utilisateur : Premier contact (awareness, l’utilisateur a conscience que votre marque existe), considération (l’utilisateur relie ses besoins à votre marque) puis action (conversion). La tâche de l’analyste ici est donc de recréer le parcours utilisateur et d’y attacher les KPI qui mesurent le mieux chaque étape.
Enfin, n’oubliez pas d’utiliser les rapports multicanaux de Google Analytics. La plupart du temps, les analyses sont faites avec la Core Reporting API, qui couvre la majorité des rapports. La MCF API vous permet d’attribuer une valeur à chaque point de contact du parcours utilisateur et non pas seulement au dernier. Attention aussi à la logique de cette API, elle ne fonctionne qu’avec les conversions (objectifs et transactions), et non les indicateurs “classiques” de la Core Reporting API (sessions, utilisateurs pages vues, etc.).
Étant donné que les campagnes de notoriété ont pour but de faire connaître et non de convertir, une analyse avec un modèle d’attribution « first click » ou un modèle linéaire sera bien plus pertinente dans cette situation que le modèle « last non direct » utilisé dans la plupart des rapports Google Analytics.
Déterminer les plages de dates
Attention ensuite à bien déterminer les plages de dates, car elles doivent être comparables. De plus, si votre export de données n’est pas automatisé, une erreur de plage vous fera recommencer du travail “pour rien”. Voici donc quelques critères à prendre en compte lors de leur détermination :
- Durée égale entre les plages. À noter que ce critère n’est pas obligatoire dans le sens où on peut aussi faire des moyennes pour comparer des plages de dates à durée inégale.
- Nombre de jours de fin de semaine présents dans l’analyse, qui peut impacter les résultats.
- Saisonnalité du site : la fin décembre et le premier janvier sont toujours plus bas pour une majorité de sites, mais aussi en fonction de votre industrie : période de REER pour les sites de finance personnelle, ou mois de novembre décembre avant les fêtes de fin d’année pour un site cybercommerce.
- Intégrité du système de mesure : était-il constant et fiable sur les deux périodes ?
- Votre site a-t-il assez de trafic pour une comparaison semaine après semaine honnête ? Si ce n’est pas le cas, la méthode de moyenne par jour / semaine / deux semaines / mois est possible.
Deuxième étape : extraction et analyse des chiffres
La première étape est de comparer l’évolution de la contribution des canaux concernés (organique et direct) au trafic global, et ce tant en volume (de 800 à 1 000 sessions, soit + 200 sessions) qu’en contribution ( de 5 à 10%, soit 5 points de pourcentage d’augmentation). Cette analyse est disponible directement dans la plupart des plateformes, comme ici dans Google Analytics.
Ensuite, on peut pousser plus loin l’analyse. L’analyse de l’évolution vous donnera le taux de variation entre les deux périodes. Mais ce taux est-il significatif ? En effet, votre trafic connaît naturellement des variations positives et négatives. En d’autres termes, si votre trafic a varié, a-t-il plus varié que d’habitude ? C’est ce que nous allons mesurer avec le calcul du coefficient de variation :
Les trois données nécessaires pour évaluer cela sont :
- La moyenne : valeur moyenne de la série de nombres
- L’écart type : mesure de dispersion de la série de nombres
- Le coefficient de variation : écart type divisé par la moyenne, ce qui donne la variation moyenne de la série de nombres
Facilement calculable avec un tableur comme Google Sheet ou Excel, voici un exemple de calcul de coefficient de variation :
Vous pouvez ensuite comparer votre variation en lui enlevant le coefficient de variation. On observe alors que ce n’est pas forcément parce que la variation de l’indicateur est plus élevée pendant la campagne que l’impact est le plus important : bien que les conversions aient augmenté plus que les sessions, la contribution de la campagne a été plus forte sur l’achalandage que sur les conversions.
Pensez à varier vos sources de données ! La majorité des utilisateurs n’utilisent que Google Analytics pour ce genre d’exercices, mais les autres sources sont des mines d’or pour ce type d’analyse. Entre autres, les outils de sondages ont une utilisation plus facile que jamais. Ils constituent une conversation directe avec vos utilisateurs, alors pourquoi s’en priver ?
Bonne analyse !
-1.png)
