Analytics du marketing mobile

Métriques d’acquisition : mesurer la portée et l’efficacité des coûts

Les indicateurs d’acquisition s’intéressent à la manière dont les utilisateurs et les utilisatrices entrent dans l’écosystème mobile, soit par le téléchargement d’une application soit par la visite d’un site web mobile, et aux coûts associés à ces actions.

• Installations/téléchargements : pour les applications mobiles, le nombre d’installations ou de téléchargements constituent le premier indicateur de performance. Ce volume doit toutefois être interprété avec prudence : un nombre élevé d’installations n’est pas synonyme de succès si ces utilisateurs et les utilisatrices se désengagent rapidement ou n’interagissent pas de manière significative.

• Coût par installation (CPI) et coût par acquisition (CPA) : ces métriques quantifient l’efficacité des campagnes d’acquisition. Le CPI représente le coût moyen pour générer une nouvelle installation d’application, calculé en divisant le total des dépenses publicitaires par le nombre d’installations attribuées. Le CPA va plus loin en évaluant le coût associé à une action spécifique au-delà d’une simple installation, telle que l’inscription d’un utilisateur ou d’une utilisatrice, l’achèvement d’une séquence d’intégration ou un premier achat. Le CPI et le CPA sont tous deux essentiels pour comparer la performance financière des différents canaux et campagnes publicitaires.

• Coût d’acquisition client (CAC) : le CAC offre une vue plus globale des coûts d’acquisition en se concentrant spécifiquement sur une acquisition payante. Il est calculé en divisant le total des coûts de vente et de marketing (y compris les salaires, les frais généraux, les dépenses publicitaires, etc.) sur une période donnée par le nombre de nouvelles acquisitions payantes pendant cette période. Le CAC est généralement plus élevé que le CPI ou le CPA car il tient compte du fait que toutes les acquisitions (installations ou actions initiales) ne seront finalement pas monétisées. Il relie directement l’investissement en acquisition au potentiel de génération de chiffre d’affaires.

 
Métriques d’engagement : évaluer les interactions et la fidélité

Une fois les utilisateurs et les utilisatrices acquis, les métriques d’engagement mesurent l’intensité et la fréquence de leurs interactions avec votre application ou votre site mobile. Un engagement élevé est souvent le prérequis de la monétisation et de la fidélisation à long terme.

• Utilisateurs et utilisatrices actifs par jour (DAU) et par mois (MAU) : la valeur DAU représente le nombre d’utilisateurs et d’utilisatrices uniques qui interagissent avec l’application sur une journée donnée, tandis que le MAU mesure les utilisateurs et les utilisatrices uniques sur une période de 30 jours. Ces métriques indiquent la taille globale de la base active et le degré de « fidélité » général de l’application. Le rapport DAU/MAU (souvent exprimé en pourcentage) donne un aperçu de la fréquence des visites : plus il est élevé, plus les utilisateurs et les utilisatrices reviennent régulièrement.

• Durée et fréquence des sessions : la durée moyenne des sessions mesure le temps passé dans l’application par interaction. La fréquence des sessions indique quant à elle à quelle cadence un utilisateur ou une utilisatrice revient sur une période donnée (par exemple, par jour, par semaine). Ensemble, ces métriques évaluent la profondeur et la régularité des interactions. Des sessions plus longues et une fréquence plus élevée traduisent un engagement plus fort.

• Taux de fidélisation : cette métrique essentielle mesure le pourcentage d’utilisateurs et d’utilisatrices qui reviennent après leur première utilisation (par exemple, fidélisation au jour 1, au jour 7 ou au jour 30). Des taux élevés sont essentiels pour une croissance durable, indiquant que l’application offre une valeur continue et incite à revenir. Il s’agit d’un indicateur fort de l’adéquation produit-marché et de la viabilité à long terme.

• Taux d’attrition : contrairement à la fidélisation, le taux de désabonnement représente le pourcentage d’utilisateurs et d’utilisatrices qui cessent d’utiliser l’application sur une période définie. Lorsqu’il est élevé, il indique un problème potentiellement lié à l’expérience utilisateur, à un manque de valeur perçue, à des problèmes techniques ou à une intégration inefficace. Il est alors impératif de mettre en œuvre des actions pour le faire baisser.

Des mesures d’engagement solides sont un prérequis essentiels pour maximiser la valeur client (CLV). Elles constituent des indicateurs avancés du potentiel de monétisation futur et de la santé globale de l’entreprise. De mauvaises mesures d’engagement mènent inévitablement à une CLV médiocre, quel que soit le nombre d’utilisateurs et d’utilisatrices initialement acquis ou leur faible coût. Par conséquent, les efforts stratégiques axés sur l’amélioration de l’engagement et de la fidélisation, même minimes, peuvent produire des impacts positifs substantiels sur le chiffre d’affaires et la rentabilité à long terme.

Métriques de monétisation : mesurer le chiffre d’affaires

Les indicateurs de monétisation suivent directement la performance financière des efforts de marketing mobile et de l’application elle-même, en évaluant l’efficacité de la conversion de la base d’utilisateurs et d’utilisatrices en chiffre d’affaires.

• Chiffre d’affaires moyen par utilisateur/utilisatrice (ARPU) : il est calculé en divisant le chiffre d’affaires total généré sur une période spécifique par le nombre total d’utilisateurs et d’utilisatrices actifs pendant cette même période. Il donne une vue d’ensemble de la contribution moyenne au chiffre d’affaires de l’ensemble de la base, y compris les utilisations payantes et non payantes.

• Chiffre d’affaires moyen par utilisateur payant/utilisatrice payante (ARPPU) : il se concentre spécifiquement sur le chiffre d’affaires généré par les utilisateurs et les utilisatrices qui effectuent des achats ou contribuent financièrement. Il est calculé en divisant le chiffre d’affaires total par le nombre d’utilisateurs et d’utilisatrices qui paient. Il offre ainsi une vue plus claire de l’efficacité de la monétisation parmi le segment d’utilisateurs et d’utilisatrices convertis et aide à comprendre les habitudes de dépenses de la clientèle de qualité. La comparaison entre l’ARPU et ARPPU met en exergue la proportion d’utilisateurs et d’utilisatrices qui génèrent du chiffre d’affaires.

• Valeur durée de vie client (CLV) : la CLV (parfois appelée LTV) est une métrique prédictive représentant le chiffre d’affaires net total qu’une entreprise peut attendre d’un client moyen ou d’une cliente moyenne tout au long de sa relation avec l’application ou la marque. Elle prend en compte la valeur moyenne des achats, la fréquence des achats et la durée de vie client (souvent dérivée des taux de rétention/désabonnement). C’est sans doute l’une des mesures les plus cruciales pour une croissance durable, car elle déplace l’attention des gains à court terme vers les relations client et la rentabilité à long terme. Un modèle commercial réussi exige généralement que la CLV soit nettement supérieure au CAC.

• Retour sur dépenses publicitaires (ROAS) : il mesure le chiffre d’affaires brut généré pour chaque dollar dépensé en publicité. Il se calcule en divisant le revenu directement attribuable à une campagne publicitaire par le coût de celle-ci. Il permet d’évaluer la rentabilité des investissements publicitaires et d’optimiser les campagnes tactiques.

Modèles d’attribution courants

Il existe plusieurs modèles pour attribuer le crédit, dont le choix impacte significativement la perception de la performance des canaux.

• Attribution au premier contact : attribue 100 % du crédit au tout premier point de contact marketing avec lequel un utilisateur ou une utilisatrice a interagi avant la conversion.

• Attribution au dernier contact : attribue 100 % du crédit au dernier point de contact avant la conversion. C’est historiquement le modèle le plus courant car il est simple à mettre en place, mais il ignore souvent les interactions antérieures qui ont pu jouer un rôle clé.

• Attribution multipoint  : tente de répartir le crédit entre plusieurs points de contact du parcours utilisateur. Les variations les plus courantes incluent :

• Attribution linéaire : distribue le crédit de manière égale entre tous les points de contact.

• Dépréciation dans le temps : accorde plus de crédit aux points de contact les plus proches dans le temps de la conversion.

• Attribution en U (basée sur la position) : attribue un crédit plus élevé aux premier et dernier points de contact, tout en répartissant le reste entre les interactions intermédiaires.

La sélection d’un modèle d’attribution doit idéalement refléter le parcours client type et les objectifs de l’entreprise, mais les contraintes pratiques et la disponibilité des données influencent souvent cette décision.

Défis de l’attribution mobile

Dans l’environnement mobile, l’attribution est confrontée à plusieurs défis importants.

• Attribution post-impression (VTA) : il s’agit d’attribuer les conversions qui se produisent après l’exposition à une publicité (une impression) qui n’a pas entraîné de clic. Bien que les vues de publicités puissent influencer le comportement, mesurer ce lien de manière fiable et éviter les fausses corrélations sont techniquement difficiles et reposent souvent sur des méthodologies spécifiques employées par les réseaux publicitaires et les plateformes de mesure publicitaire (MMP). Déterminer la fenêtre d’attribution appropriée (combien de temps après avoir vu une publicité une conversion peut être créditée) reste un enjeu majeur.

• Suivi cross-device : les utilisateurs et les utilisatrices interagissent fréquemment avec les marques sur plusieurs appareils (découverte sur une application mobile, recherche sur un site web de bureau, puis conversion sur une tablette). Relier ces interactions pour obtenir une vision unifiée du parcours client est notoirement difficile en raison de l’éclatement des identifiants et des différences de mécanismes de suivi entre les plateformes (cookies web vs ID publicitaires mobiles). Cette fragmentation complique la construction d’une vue d’ensemble véritablement unifiée du parcours client.

• Jardins clos : les principales plateformes publicitaires comme Meta et Google fonctionnent comme des « jardins clos ». Elles possèdent de grands volumes de données sur l’activité utilisateur au sein de leurs propres écosystèmes et utilisent souvent leurs propres systèmes d’attribution internes. Les informations transmises qu’elles transmettent peuvent occasionnellement diverger de celles des MMP tierces en raison de différences dans la logique d’attribution, les fenêtres de suivi ou l’accès aux données. Les spécialistes marketing doivent souvent concilier ces rapports hétérogènes.

• Règlementation sur la confidentialité des données : il s’agit là du principal défi auquel l’attribution mobile est actuellement confrontée. Les règlementations comme le RGPD et le CCPA, associées aux politiques appliquées par les plateformes, notamment le cadre App Tracking Transparency (ATT) d’Apple, ont eu un impact fondamental sur la confidentialité des données et le suivi de l’analytics mobile. L’ATT exige que les applications obtiennent le consentement explicite de l’utilisateur ou de l’utilisatrice avant d’accéder à l’identifiant unique pour les annonceurs (IDFA) de l’appareil à des fins de suivi sur les applications et sites web de différentes entreprises. Étant donné que de nombreuses personnes refusent, l’accès à l’IDFA a considérablement diminué. En réponse, Apple a introduit SKAdNetwork, un cadre d’attribution respectueux de la confidentialité. Ce système transmet des données d’attribution directement depuis le système d’exploitation vers les réseaux publicitaires, mais ces données sont agrégées (non individualisées), différées et limitées en termes de granularité, notamment sur les évènements post-installation. Cela réduit considérablement la précision et la rapidité des analyses d’attribution pour les campagnes iOS. Des contraintes similaires impactent également les identifiants publicitaires Android (Google Advertising ID ou GAID) et le suivi basé sur le navigateur.

Suivi des évènements

Le suivi des évènements consiste à configurer une plateforme d’analytics, telle qu’Adobe Analytics, pour enregistrer des actions ou des occurrences utilisateur spécifiques prédéfinies au sein de l’application. Ces évènements peuvent englober tout ce qui est considéré comme important à suivre, des interactions simples telles que les clics, les affichages d’écrans ou les actions de défilement, aux étapes majeures comme terminer un tutoriel, ajouter un produit au panier, compléter un niveau de jeu, partager du contenu ou effectuer un achat.

Le suivi complet des évènements fournit des données granulaires sur la manière dont les personnes interagissent avec les différentes fonctionnalités et contenus de l’application. Il permet aux équipes marketing et produit de mesurer l’adoption des fonctionnalités, de comprendre les schémas d’engagement, de suivre la progression à travers les workflows clés et d’identifier les actions spécifiques corrélées à la rétention ou à la monétisation. Ces données granulaires constituent la matière première d’analyses plus sophistiquées comme l’analyse des funnels et des flux utilisateur.

Analyse de funnel

L’analyse de funnel visualise les étapes séquentielles qu’un utilisateur ou une utilisatrice doit franchir pour atteindre un objectif précis ou suivre un parcours de conversion dans l’application. Cela inclut, par exemple, le processus d’inscription, le processus de paiement sur un site de e-commerce, la séquence du tutoriel d’onboarding ou les jalons requis pour effectuer une action principale dans une application de productivité. L’analyse mesure le nombre de personnes qui terminent avec succès chaque étape et, surtout, calcule le taux de conversion (ou le taux d’abandon) entre chaque phase.

La valeur principale de l’analyse de funnel réside dans l’identification des goulots d’étranglement et des points de friction dans les parcours critiques. En repérant exactement là où un processus est abandonné, les équipes peuvent concentrer leurs efforts d’optimisation sur l’amélioration de ces étapes. Par exemple, si un processus de paiement montre un abandon important entre la consultation du panier et l’initiation du paiement, cela peut indiquer un problème potentiel avec la conception, la clarté de l’écran ou les méthodes de paiement disponibles.