Les analyses e-commerce vous aident à optimiser en permanence votre boutique en ligne. Si vous avez déjà songé à évaluer les changements apportés à votre boutique en ligne en termes de chiffre d'affaires généré, cet article vous sera utile. En revanche, si vous n'utilisez les chiffres que comme simple accessoire, car les décisions à prendre sont basées sur d'autres critères, cet article vous ennuiera probablement.
Voici ce que vous trouverez dans cet article de blog :
L'analyse du commerce électronique nécessite des statistiques
Pourquoi le chiffre d'affaires et non le taux de conversion ?
Obstacles à l'interprétation des chiffres d'affaires
Obstacle n° 1 : tendance au mirage
Obstacle n° 2 : chance ou compétence – valeurs aberrantes
Obstacle n° 3 : absence de base de calcul
Pour évaluer quantitativement la qualité d'une boutique en ligne et prendre des décisions, nous examinons les chiffres et effectuons des analyses e-commerce. Nous appelons ces chiffres des KPI(indicateurs clés de performance) ou des métriques commerciales. Malheureusement, les chiffres peuvent aussi être trompeurs... car il est plus naturel pour nous de découvrir des schémas ou d'établir des liens de cause à effet que de reconnaître des coïncidences. Certains des exemples suivants te sembleront certainement familiers :
Restez informé des dernières nouveautés en matière de personnalisation : inscrivez-vous à la newsletter epoq. Inscrivez-vous dès maintenant !
En matière de chiffres d'affaires, le risque d'être « victime » de son intuition est particulièrement élevé. En effet, les chiffres d'affaires varient beaucoup plus que, par exemple, un taux de clics : soit vous avez un clic, soit vous n'en avez pas. Afin d'augmenter la fiabilité des chiffres, nous devons donc contrer cette intuition trop humaine. C'est là que les statistiques entrent en jeu. Elles sont certes ennuyeuses, mais elles sont nécessaires.
Les tests A/B sont désormais une méthode généralement acceptée dans le cadre de l'analyse du commerce électronique pour vérifier si les modifications apportées à la boutique en ligne entraînent réellement une amélioration par rapport aux indicateurs clés de performance (KPI) prédéfinis.
Le KPI généralement discuté partout sur Internet est letaux de conversion. Celui-ci présente l'avantage d'être assez facile à déterminer. Par exemple, en comptant les visites dans la boutique en ligne qui aboutissent à un achat. Le problème avec le taux de conversion est toutefois qu'il permet de mesurer le nombre d'achats, mais ne donne aucune indication sur le chiffre d'affaires réalisé. Cela n'est pas satisfaisant dans la mesure où le chiffre d'affaires réalisé est finalement le facteur décisif.
Ton seul objectif est d'augmenter le taux de conversion ? Dans ce cas, je te recommande simplement de baisser tes prix. Mais cela aura-t-il toujours un impact positif sur ton résultat net ? C'est une autre question.
Une chose est sûre : le chiffre d'affaires doit être pris en compte dans un test A/B. Il existe différentes approches dans le domaine de l'analyse du commerce électronique pour mesurer le chiffre d'affaires :
Dans ce qui suit, nous aimerions vous présenter trois obstacles pouvant survenir lors de l'interprétation des chiffres d'affaires dans le domaine de l'analyse du commerce électronique, à l'aide d'exemples concrets. Pour des raisons de protection des données, les exemples suivants sont tous fictifs, mais inspirés de tests réels effectués avec et chez epoq. À la fin, nous répondrons également à la question de savoir lequel des indicateurs de chiffre d'affaires mentionnés ci-dessus est le plus adapté aux tests A/B.
Vous voyez ici un graphique présentant les chiffres des 5 premiers jours d'un test A/B. Il indique la valeur moyenne du panier par jour. Le nombre de paniers vendus dans les groupes A et B est identique :
Graphique représentant la valeur moyenne du panier jusqu'au 5e jour du test A/B
Le résultat semble assez clair. Au cinquième jour, le groupe B, représenté par la ligne verte, affiche déjà un résultat supérieur de 4,6 % à celui du groupe A, représenté par la ligne bleue. On pourrait donc déjà arrêter le test, n'est-ce pas ? En réalité, le test se poursuit comme suit :
Graphique représentant la valeur moyenne du panier après le 5e jour du test A/B
Au bout de 30 jours, le groupe A, représenté par la ligne bleue, affiche une amélioration de près de 10 %. Mais que s'est-il passé ici ? Il s'agit d'un effet statistique aléatoire. Même si un groupe est en moyenne meilleur qu'un autre, certaines valeurs de panier peuvent faire apparaître l'autre groupe comme meilleur à court terme. Comme nous l'avons déjà mentionné au début, nous, les humains, sommes plus doués pour reconnaître des schémas que des coïncidences. Nous continuons simplement la courbe dans notre tête. En réalité, il n'est pas rare que le groupe gagnant soit à la traîne au début du test.
Voici un tableau qui montre l'état actuel d'un test A/B concernant l'indicateur clé de performance « valeur moyenne du panier » :
Valeur moyenne du panier d'achat du test A/B
Le groupe A est donc presque 7 % meilleur que le groupe B. Cela semble à nouveau assez clair. Faut-il donc désactiver le test A/B ? Non, car là encore, il y a un obstacle. Mais celui-ci n'apparaît que lorsque l'on examine les paniers individuels ou la répartition des valeurs des paniers dans les deux groupes :
Valeurs du panier d'achat du test A/B avec illustration de l'exception (bosse bleue à droite)
Pour comprendre ce graphique, il suffit de retenir ceci : plus la courbe est haute, plus le nombre de paniers vendus correspondant à la valeur indiquée sur l'axe horizontal x est élevé. Les valeurs des paniers des groupes A et B sont presque identiques. Mais voyez-vous la petite bosse bleue sur la droite ? Elle représente une valeur de panier de 2 000 € et constitue donc une exception.
Cette valeur explique-t-elle pourquoi le groupe A obtient de meilleurs résultats que le groupe B ? Essayons de permuter les valeurs maximales des deux groupes. Le groupe B reçoit le panier d'une valeur de 2 000 € et le groupe A reçoit le panier le plus cher du groupe B, d'une valeur d'environ 779 €. Le tableau ci-dessus se présente alors comme suit :
Valeur moyenne du panier d'achat du test A/B avec des valeurs maximales échangées
Le groupe B est 6,5 % meilleur que le groupe A. La situation s'est complètement inversée. C'estla valeur extrême seule qui détermine quel groupe est le « vainqueur ». En statistique, on appelle ces valeurs extrêmes des valeurs aberrantes.
Mais qu'est-ce que cela signifie pour nous ? Dans notre cas, derrière cette valeur aberrante pourrait se cacher, par exemple, une cliente qui achète une fois par saison tout ce qui lui plaît dans la collection actuelle. Cette cliente est un cas particulier, même s'il est intéressant pour le commerçant. Elle s'est « immiscée » dans le test A/B actuellement en cours et a étéattribuéeau hasardau groupe A. Cela ne permet toutefois pas de savoir si la modification choisie dans la boutique en ligne derrière le groupe A parvient réellement à générersystématiquementdes valeurs de panier aussi élevées.
Tu connais peut-être cela dans le domaine sportif : si un footballeur réussit une fois à marquer un but directement sur coup franc, c'est sans doute un coup de chance. En revanche, s'il y parvient plusieurs fois par saison, c'est qu'il a tout simplement « le don ».
Nous examinons à nouveau les résultats d'un test A/B, cette fois-ci pour l'indicateur clé de performance « chiffre d'affaires total » :
Évaluation du test A/B en fonction du chiffre d'affaires total
Le groupe B s'impose clairement avec une augmentation du chiffre d'affaires de près de 14 %. Mais si tu as suivi cet article jusqu'ici, tu sais que l'histoire ne s'arrête pas là. Il manque quelque chose dans le tableau, tu vois quoi ? Exactement : le nombre d'unités vendues/paniers. Une fois les paniers ajoutés, le tableau se présente comme suit :
Évaluation du test A/B en fonction du chiffre d'affaires total et complétée par la valeur moyenne du panier
« C'est bien beau, mais qu'est-ce que ça peut me faire, la valeur moyenne du panier ? Le groupe B a vendu plus de paniers et réalisé plus de chiffre d'affaires, c'est parfait ! » C'est vrai. C'est pourquoi nous examinons également le nombre de visites dans la boutique et les indicateurs clés de performance associés,le taux de conversionetle chiffre d'affaires par visite dans la boutique:
Évaluation du test A/B en fonction du chiffre d'affaires total, de la valeur moyenne du panier, du nombre de visites en boutique, y compris le taux de conversion et le chiffre d'affaires par visite en boutique.
« Encore des chiffres », t'entends-je dire, « mais le groupe B réalise toujours plus de chiffre d'affaires ! » C'est vrai, le groupe B réalise plus de chiffre d'affaires en valeur absolue. Mais si l'on se base sur le nombre de visites en boutique, c'est-à-dire la taille, qui est répartie à parts égales dans un test A/B, le groupe B a réalisé moins de chiffre d'affaires. Pourquoi est-ce si important dans la pratique ?
La répartition des visiteurs de la boutique entre les groupes A et B est aléatoire. Il est donc tout à fait naturel que tantôt l'un, tantôt l'autre groupe ait plus de visiteurs et réalise ainsi un chiffre d'affaires plus élevé. Comparez cette répartition à un lancer de pièce : si vous lancez 10 fois, vous n'obtiendrez pas toujours 5 fois pile et 5 fois face, mais parfois 7 fois pile / 3 fois face, 4 fois pile / 6 fois face, etc.
Pour toi, cela signifie que les chiffres d'affaires ne peuvent être comparés que sur une base identique. Sinon, c'est le hasard qui décidera finalement du gagnant du test A/B lors de la répartition des groupes. Normalise la valeur dans la colonne tout à droite à 1 000 visites pour que ce soit plus clair :
Chiffre d'affaires Test A/B normalisé sur 1 000 visites en boutique
Si l'on part de la même base de calcul, le résultat s'inverse à nouveau. Quel est donc le bon KPI de chiffre d'affaires ? En résumé, on peut dire quele KPI « chiffre d'affaires par visite » est le plus significatif pour le chiffre d'affaires total. Si vous pouvez démontrer une augmentation de ce KPI dans un test A/B, cela signifie que vous avez également augmenté le chiffre d'affaires total.
Restez informé des dernières nouveautés en matière de personnalisation : inscrivez-vous à la newsletter epoq. Inscrivez-vous dès maintenant !
L'analyse du commerce électronique vous offre des possibilités pour éviter les écueils. Comme nous l'avons vu, l'écueil n° 3 est facile à éviter en choisissant un meilleur KPI. Les écueils n° 1 et 2, en revanche, ne peuvent être évités qu'avec un bon programme d'évaluation statistique. Celui-ci doit tenir compte des incertitudes liées à un manque de données et/ou à des valeurs aberrantes potentielles. Cela permet d'éviter d'annoncer prématurément un gagnant qui n'en est peut-être pas un. Les tests prennent ainsi un peu plus de temps en moyenne, mais à mon avis, une décision correcte vaut toujours mieux qu'une décision rapide, mais potentiellement erronée.
Afin de pouvoir évaluer les changements dans la boutique en ligne à l'aide d'analyses e-commerce, il est indispensable d'examiner le chiffre d'affaires lors d'un test A/B. Le chiffre d'affaires par visite est le meilleur indicateur à cet effet. Pour cela, il est nécessaire de disposer de bons programmes statistiques afin de pouvoir opposer des chiffres fiables à l'intuition.
Découvrez comment Ex Libris augmente son chiffre d'affaires dans le commerce électronique
Lisez dès maintenant l'étude de cas !
