Nous remercions la Banque Nationale pour sa commandite qui nous permet d'offrir gratuitement le simulateur de Marketing numérique de HEC MONTRÉAL à nos étudiants du BAA !

Rechercher
Rechercher
Rechercher
Fermer ce champ de recherche.
S'abonner à l'infolettre

Infolettre

Pièges courants dans l’interprétation des données d’analyse web

Lors de l’analyse des performances de votre site web, il existe de nombreuses erreurs dangereuses, mais courantes, qui peuvent modifier considérablement les conclusions que l’on en tire. Dans cet article, nous aborderons quelques pièges communs dont nous pouvons être victimes lorsqu’on analysera le trafic sur les sites Web, comment les éviter, et comment interpréter ces indicateurs délicats. Plus spécifiquement, on passera en revue des effets des métriques de vanités, les effets du biais de confirmation, et les effets de l’absence de segmentation des données.

1. Métriques de vanité

L’une des erreurs les plus courantes que j’ai constatée est l’utilisation des métriques de vanités. Les auteurs de ‘Lean Analytics’, Croll & Yoskovitz, décrivent les métriques de vanité comme des chiffres qui semblent impressionnants à un premier regard, mais ne reflètent pas nécessairement le vrai succès de votre plateforme et peuvent être trompeurs (2013). 

Les métriques de vanité sont souvent utilisées dans des présentations des performances d’une campagne marketing à court terme ou dans les rapports de performances périodiques. Par exemple, présenter que votre site a connu une augmentation des visites, peut induire les gens en erreur en leur faisant croire à une multitude de fausses réalités.

L’une des erreurs les plus graves que j’ai constatée liées à l’utilisation d’indicateurs de vanité était quand une post-mortem a été réalisée sur une campagne qui a duré 6 semaines. L’analyste qui a créé la présentation des résultats de la campagne, qui consistait principalement en des mesures de vanité, a fait croire que la campagne était rentable. Cependant, lorsque la campagne a été répétée, un nouvel analyste de l’équipe a découvert que la promotion n’avait été rentable ni la première ni la deuxième fois.

Alors, comment éviter de tomber dans le piège des métriques de vanité ? Il est essentiel de se concentrer sur les métriques qui sont alignées avec les objectifs de votre organisation, notamment des métriques actionnables. Au lieu d’être obsédé par des chiffres bruts, identifie des métriques qui indiquent du vrai engagement, comme le temps passé sur une page, les taux de conversions, ou de la rétention.

,

.

Et que faire avec les métriques qui sont souvent erronées comme des métriques de vanité ? Prenons le taux de rebond, par exemple. Un taux de rebond élevé peut se présenter comme quelque chose de mauvais, mais cela se peut que simplement les visiteurs aient trouvé exactement ce qu’ils cherchaient sur la page et n’avaient pas besoin d’explorer votre site Web. Comprendre le contexte derrière les chiffres est essentiel pour effectuer des décisions informatives.

2. Biais de confirmation

Le biais de confirmation arrive quand nous interprétons les données d’une façon qui confirme nos hypothèses existantes, en ignorant la preuve qui les contredit. Il s’agit d’un problème inné auquel tous les humains sont confrontés, car nous devons traiter les informations rapidement pour nous protéger dans la vie, alors nous comptons sur des comportements instinctifs et automatiques pour nous mettre à l’abri du danger (Casad et Luebering, 2024).

,

,

Voici un exemple: vous commencez une nouvelle campagne de markéting chez votre organisation, et vous êtes convaincu qu’il va être un grand succès. Quand vous allez commencer à voir une petite augmentation en trafic, vous pourrez l’attribuer uniquement au succès de la campagne, en ignorant d’autres facteurs potentiels comme les tendances saisonnières ou les actions des compétiteurs.

D’un autre côté, la façon la plus courante dont j’ai vu le biais de confirmation est lorsque quelqu’un voit des données qui contredisent une hypothèse initiale, et il choisit de les ignorer sans aucune enquête, car il a vu d’autres mesures qui confirment leurs attentes initiales.

Ce biais de confirmation peut entraîner un cycle dangereux de mauvaise interprétation, où vous sélectionnez uniquement les données qui supportent votre hypothèse et laissez tous ceux qui la contestent.

Alors, comment battre le biais de confirmation dans l’analyse Web ? Premièrement, vous devez reconnaître vos biais personnels et les confronter. Produire des hypothèses est une étape importante et nécessaire pour l’analyse des changements de votre site, mais en contestant vos hypothèses régulièrement et en cherchant de la preuve contradictoire, vous pouvez prévenir d’être victime du piège du biais de confirmation.

Deuxièmement, inclure des perspectives diverses dans le processus d’analyse peut aider à mitiger le biais. En collaboration avec vos collègues ou en cherchant des avis des experts externes, vous pouvez trouver de nouveaux insights. Finalement, utiliser des techniques d’analyse robustes, comme les tests d’hypothèses et la validation statistique, peut aider à rassurer l’objectivité dans les interprétations

3. Absence de segmentation

Finalement, on va naviguer dans le piège de ne pas segmenter vos données effectivement.

Quand vous regardez vos données sans les segmenter en des catégories significatives, vous manquez des insights valables qui peuvent vous informer sur vos stratégies et vos prises de décision. Comme l’explique le Dr Fonseca de l’université de Lisbonne, “companies that identify underserved segments can then outperform the competition by developing uniquely appealing products and services” [les entreprises qui identifient les segments mal desservis peuvent alors surpasser la concurrence en développant des produits et des services d’un attrait unique] (2011). 

Personnellement, lorsque j’ai commencé à travailler dans un rôle plus orienté analyste, c’est l’erreur qui m’a le plus rattrapé. Un cas précis qui m’a marqué, et un bon exemple de l’importance de segmentation des données, est une analyse que j’ai effectuée sur les performances de certains produits sur la première page d’une circulaire. Sans la segmentation, ma conclusion était que les produits n’avaient pas généré uplift requise pour justifier la réduction de prix nécessaire pour les afficher sur la première page. Après l’avoir examiné avec un collègue, elle a découvert que même si les performances étaient médiocres dans un grand nombre de magasins, les magasins situés dans des régions plus culturellement diversifiées affichaient de très bonnes performances. La recommandation finale a donc été de faire jouer ces produits comme une page supplémentaire dans la circulaire qui est valide uniquement dans les magasins qui sont situés dans des quartiers plus culturellement diversifiés. Tout ce que j’ai à dire sur cette histoire, est que j’étais chanceux d’avoir été uniquement une stagiaire !

En segmentant les données basées sur les catégories des produits, vous pouvez identifier les items de haute performance, vous pouvez comprendre les préférences des clients et vous pouvez ajuster vos efforts markéting. Sans cette segmentation, vous pouvez distribuer vos ressources inefficacement ou vous pouvez négliger des opportunités.

Similairement, les segmentations démographiques vous laissent comprendre le comportement de différents groupes de clients. Âge, sexe, géolocalisation et autres facteurs démographiques peuvent influencer significativement les préférences des utilisateurs et leurs comportements d’achat. Sans la segmentation démographique, vous risquez de faire des hypothèses qui ne sont pas vraies pour tous les segments de notre clientèle. Par exemple, ce qui fonctionne avec les clients jeunes n’est pas nécessairement ce qui va fonctionner avec les clients plus âgé

Quelques types de strategies de segmentation.

Alors, comment effectivement segmenter vos données pour extraire des insights actionnables ? Vous devez clairement définir vos critères de segmentation qui s’alignent avec vos objectifs d’entreprises et votre clientèle cible. Que ce soit des catégories de produits, des régions géographiques, ou autres variables démographiques, les segments doivent refléter les facteurs les plus pertinents à vos objectifs. Aussi, ces stratégies de segmentation doivent être régulièrement révisées et affinées avec l’évolution de votre organisation. Les préférences des clients et les dynamiques du marché évoluent, alors il est essentiel d’adapter votre approche de segmentation pour rester à la pointe du progrès.

 

Pour conclure, la priorisation des métriques actionnables, confronter le biais de confirmation et adopter la segmentation comme une stratégie fondamentale vont tous contribuer à la réduction des erreurs dans l’analyse web. En adoptant ces stratégies, nous nous donnons les moyens d’effectuer des décisions informer et de réaliser des résultats concrets. 

 

Références

Biais de confirmation | Définition, exemples, psychologie et faits [Confirmation Bias | Definition, Examples, Psychology, & Facts]. Britannica, 14 Feb. 2014, https://www.britannica.com/science/confirmation-bias.

Croll, A. et B. Yoskovitz. Lean Analytics : Utiliser les données pour construire plus rapidement une meilleure startup [Lean Analytics: Use Data to Build a Better Startup Faster]. Premier, O’Reilly Media, Inc., 2013.

Fonseca, Jaime & S, Jaime. (2011). Pourquoi la segmentation est-elle importante ? Identifier les segments de marché à l’aide d’une méthodologie mixte [Why Does Segmentation Matter? Identifying Market Segments Through a Mixed Methodology].

Picture of DiMinnoJasmina

DiMinnoJasmina

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Découvrir d'autres articles

small_c_popup.png

Avez-vous finis votre lecture de l'article?

Vous pourriez tester vos connaissances numérique

25 questions pour déterminer si vos lectures sur le blogue ont fait de vous un expert du numérique