Analyser son funnel e-commerce sur GA4 : méthode complète
La plupart des audits funnel CRO commencent par des hypothèses UX, une recherche de bonnes pratiques et une analyse sommaire de heatmaps ou de sessions enregistrées.
C'est une erreur.
Avant de regarder quoi optimiser, je vérifie que ma donnée est fiable, puis je regarde le funnel dans sa globalité et ensuite seulement je plonge dans une analyse étape par étape.
Cette démarche est issue de la mécanique du pilier Parcours, l'un des cinq du Prisme, le framework qui structure la façon dont on audite les programmes CRO.
Préparer le terrain avant de chercher des idées
En premier, je vérifie toujours la fiabilité de ma donnée, et pour ça il faut préparer le terrain.
C’est à dire que je m’assure :
- Que mes rapports Shopify excluent bien le trafic bot (pour paralléliser)
- Que les ventes remontent bien dans la GA4
- Qu’il n’y a pas de taux incohérents dans mon funnel
- Que mon GA4 capture au moins 70% de la donnée
Les bots sont de la pollution pour votre donnée
J'ai régulièrement des cas où l’entièreté d’un programme est remise en cause parce que le bot vient flood les statistiques.
En effet si vous comptez 1 vente pour 100 sessions et que vous rajoutez 50 sessions artificielles liées à aucune vente, votre CVR va avoir mauvaise allure.
Sur GA4, c'est activé par défaut sur les nouvelles propriétés.
Si je vois du trafic inhabituel malgré ça, c'est probablement du bot non référencé : je filtre alors par segment dans les explorations et j'exclus les IP internes depuis Admin > Filtres de données.
Dans Shopify, cela se joue au niveau des filtres avec le champ "visite humaine ou robot".
Assurez-vous de bien prendre l'automatisme de l'appliquer.
Une valeur monétaire doit remonter dans votre GA4
C'est logique, vous faites du e-commerce, si la valeur et la devise ne remontent pas vous allez avoir un problème. Je regarde donc systématiquement cet élément quand on m'ouvre les droits sur une nouvelle propriété.
Pour cela je me rends dans le rapport Achats d'e-commerce et je regarde simplement si les euros (ou whatever) remontent.
Les taux de passages incohérents sont des tue l'amour
Par nature un taux à 120% sur un parcours e-commerce est une incohérence.
Car sur un funnel on enlève de la matière, on n'en ajoute pas.
Je vérifie donc que des taux ne viennent pas être anormalement hauts.
70% de correspondance, c'est ma limite, mais ça n'engage que moi...
La dernière chose que je regarde est la quantité de donnée qu'arrive à prélever GA4 par rapport à ma donnée transactionnelle.
J'ai d'ailleurs fait un article complet dessus que je vous invite à lire :
Rémi Migliasso
Une fois la donnée validée, on peut analyser.
Je procède toujours du macro au micro : d'abord la grande image du funnel, ensuite la segmentation, enfin le zoom étape par étape.
L'ordre compte, car plonger directement dans le détail sans avoir vu la grande image, c'est diagnostiquer sans avoir examiné le patient.
Commençons par la grande image
La première partie de l'analyse consiste à prendre le plus de hauteur possible en regardant l'ensemble du parcours. Afin d'avoir une vue la plus juste possible je prends toujours deux échantillons.
- Le premier échantillon est sur les 30 derniers jours, c'est celui qui me permet d'avoir le snapshot le plus neuf possible. Il me permet d'écarter de possibles biais provoqués par des changements UX majeurs.
- Le deuxième est pour casser l'approche saisonnière. Si le premier échantillon était en haute saison, je prends son pendant en basse saison et inversement. Cela me permet d'écarter le biais de temporalité qui pour certaines marques peut être très fort.
Ensuite la mécanique est assez simple, je vais faire en sorte de retracer le chemin emprunté par mes utilisateurs en conditionnant ces derniers par le fait que je ne vais compter qu'un événement par utilisateur pour éviter de faire grimper les taux. Un utilisateur emportera donc un seul événement de vue de produit avec lui même s'il aura vu 8 produits.
Je vais alors analyser le nombre d'utilisateurs qui partent d'une étape à l'autre (Arrivée → Vue de produit → Ajout au panier → Checkout → Achat) : c'est le drop.
Je compare alors ces données aux moyennes métier par verticale.
Voici un aperçu du benchmark :
| Étape | Mode / Luxe | Beauté | Food & Beverage | Électronique |
|---|---|---|---|---|
| Session → Vue produit | 40-45% | 45-50% | 50-55% | 35-40% |
| Vue produit → Ajout panier | 6-8% | 10-12% | 12-15% | 5-7% |
| Ajout panier → Checkout | 30-35% | 35-40% | 40-45% | 28-33% |
| Checkout → Achat | 45-55% | 55-65% | 60-70% | 50-60% |
| Taux de conversion final | ~1-2% | ~3-4% | ~4,5-6% | ~1,5-2% |
Sur la partie session → Vue de produit je viens juste spécifier le type de page sur lequel l'utilisateur est arrivé. S'agit-il de la home, de la collection, de la product d'une page blog ?
Cela permet d'avoir une vision un peu plus précise sur cette étape trop large.
Selon la réponse, on ne lit pas le même problème : une entrée par la home renvoie aux arbitrages de la homepage, une entrée par la collection à ceux du rayon.
Segmentons maintenant la donnée
J'ai désormais une vision sur les étapes du parcours qui fonctionnent ou qui peinent. Afin de venir étoffer ma compréhension, je vais maintenant segmenter mon parcours en fonction de plusieurs dimensions, voici les principales.
- Par catégorie d'appareil: mobile/desktop/tablette/TV
- Par source/medium
- Par catégorie de landing page
- Par type de visiteur
Pour chacune de ces dimensions je viens appliquer la segmentation du parcours. Nous pouvons formuler cette étape comme des questions, par exemple :
- Comment se comporte le parcours si nous isolons le mobile ?
- Comment se comporte le parcours si nous isolons le paid (cpc) ?
- Comment se comporte le parcours si nous isolons le trafic arrivé sur une page collection ?
- Comment se comporte le parcours si nous isolons le trafic qui arrive sur le site pour la première fois ?
- Etc, etc ...
Cette vision toujours macro (vue sur l'entièreté du funnel en une image) nous permet alors de comprendre que tout segment ne se comporte pas de la même façon. Certains segments sont plus nombreux que d'autres ou encore plus affinitaires, plus rémunérateurs ...
Nourri par les apprentissages que chaque segment m'a apporté sur la grande image, je vais alors venir plonger dans la donnée.
Rentrer dans chaque étape du funnel
À partir d'ici, chaque étape a sa littérature propre : les leviers de la fiche produit pour le passage à l'ajout au panier, ceux du panier pour l'entrée en checkout, ceux du checkout pour la validation finale.
Le quantitatif dit où ça fuit, ces audits disent quoi aller regarder sur place.
Maintenant, je vais donc naturellement aller chercher à rentrer plus précisément dans ma donnée pour savoir où intervenir.
Pour cela je vais faire appel à un nouvel ensemble de métriques de second niveau :
| Niveau | KPI |
|---|---|
| 1 | Landing → Product view |
| 1 | Product view → Cart |
| 1 | Cart → Checkout |
| 1 | Checkout → Purchase |
| 1 | Users → Purchase |
| 1 | % Users |
| 2 | Collection → Product view |
| 2 | Homepage → Product view |
| 3 | Revenu par utilisateur |
| 3 | Revenu par utilisateur vs moyenne |
| 3 | Users → Purchase vs moyenne |
| 3 | Purchase (nombre) |
| 3 | Panier moyen |
| 3 | Taux de rebond |
Ces KPI vont ensuite m'être utiles pour analyser chaque étape du parcours avec des dimensions propres à chacune.
Dimensions explorées sur l'étape Landing → Product View
- Par page de destination
- Par source/medium
- Par type d'utilisateur
- Par catégorie d'appareil
Dimensions explorées sur l'étape Product View → Add to Cart
- Par item name
- Par product landing page
- Par source/medium
- Par type d'utilisateur
- Par catégorie d'appareil
Dimensions explorées sur l'étape Add to Cart → Begin Checkout
- Par canal d'acquisition par défaut
- Par catégorie d'appareil
- Par type d'utilisateur
Dimensions explorées sur l'étape Begin Checkout → Purchase
- Par canal d'acquisition par défaut
- Par catégorie d'appareil
- Par type d'utilisateur
Au bout de ce process, j'ai une image quantitative précise du funnel : où ça fuit, sur quel segment, à quelle étape.
Mieux qu'une liste de recommandations, une carte.
Je sais quelles étapes sous-performent par rapport aux benchmarks de leur verticale, je sais si le problème est généralisé ou concentré sur un segment (mobile, paid, nouveaux visiteurs), et je sais dans quel ordre prioriser les chantiers.
C'est cette carte qui va ensuite alimenter le backlog de tests. On peut d'ailleurs à présent s'appuyer sur nos 194 points de contrôle scorés par impact et par coût, plutôt que sur l'intuition ou des best practices génériques.
Notre réflexion est pilotée par la donnée, segmentée, contextualisée.
Un funnel qui fuit sur le mobile en paid peut relever du Parcours, sur l'UX, la performance ou la lisibilité, comme il peut relever de l'Acquisition, avec une audience mal ciblée ou une landing page inadaptée. Les chiffres situent le symptôme, la lecture croisée des cinq piliers du Prisme désigne la cause.
Dans un prochain article, j'attaquerai justement le pilier Acquisition : comment j'évalue la qualité du trafic, canal par canal, avant même de regarder ce qu'il fait sur le site.
