L’analyse mensuelle des revenus par cohortes utilisateur via GA4 et BigQuery permet d’identifier la valeur réelle et l’évolution des clients après acquisition, essentielle pour adapter vos stratégies marketing. Découvrez comment exploiter concrètement cette data en SQL et visualisation pivot.
3 principaux points à retenir.
- La cohort analysis révèle l’évolution précise du revenu post-acquisition.
- BigQuery SQL permet un traitement automatisé et scalable des données GA4.
- Visualiser les résultats dans Google Sheets facilite l’interprétation des tendances par cohorte.
Qu’est-ce que l’analyse de cohorte appliquée à la revenue ecommerce ?
L’analyse de cohorte, c’est un peu comme un microscope qui nous permet de zoomer sur la réalité des comportements clients, en délaissant les vues de synthèse incomplètes et souvent trompeuses. Imaginez un instant votre e-commerce comme un jardin. Vous y plantez des graines, à des périodes différentes : certaines en été, d’autres au printemps, et vous les arrosez de différentes façons. De vos efforts, vous récoltez des fruits qui ne poussent pas tous de la même manière. C’est exactement ça, l’analyse de cohorte appliquée au revenu e-commerce.
En regroupant vos clients en fonction de leur date d’acquisition, vous pouvez observer leur évolution dans le temps. Par exemple, une cohortes de clients acquis en mars pourrait montrer un revenu net par utilisateur supérieur à celui de ceux acquis en juillet. Pourquoi? Peut-être à cause d’une campagne marketing particulièrement efficace ou d’un pic saisonnier. Les réponses à ces questions se cachent dans les nuances, et la cohorte vous éclaire sur ces mystères.
Comme on dit à Brive, un bon plan de marquage vaut mieux qu’un bon reporting ! Si besoin, consultez moi - faites appel à un super consultant en tracking client et server side.
- Comprendre la variation de la valeur client dans le temps.
- Adapter vos stratégies marketing selon les comportements d’achat observés.
- Mesurer l’efficacité des promotions et campagnes publicitaires.
Vu sous cet angle, l’analyse de cohorte ne se contente pas de fournir des chiffres flatteurs. Elle met au jour les dynamiques cachées de la valeur client et les différentes façons dont vos utilisateurs réagissent aux campagnes marketing. En analysant les comportements réels des groupes de clients, il devient possible de raffiner vos approches pour améliorer la fidélisation et renforcer les habitudes d’achat répété.
Pour aller plus loin, consultez cet article utile sur l’analyse des cohortes avec GA4. Gagner en pertinence et en précision dans vos analyses, c’est ce qui vous permettra de faire passer votre stratégie à la vitesse supérieure.
Comment structurer la requête SQL pour extraire les revenus mensuels par cohorte dans GA4 ?
Analyser le revenu mensuel des cohortes utilisateur dans GA4 en utilisant BigQuery est une tâche passionnante, mais qui nécessite de structurer votre requête SQL de manière méthodique. Commençons par découper cette requête en étapes claires.
La première étape consiste à identifier la première interaction de l’utilisateur avec votre site. Cela se fait par le biais de la Common Table Expression (CTE) nommée first_touch. Grâce à cette CTE, nous utilisons la fonction MIN() pour déterminer le premier événement de chaque utilisateur, ce qui nous permet de définir les cohortes.
WITH first_touch AS (
SELECT
user_pseudo_id,
MIN(event_timestamp) AS first_event_ts,
TIMESTAMP_MICROS(MIN(event_timestamp)) AS first_event_time,
DATE(TIMESTAMP_MICROS(MIN(event_timestamp))) AS cohort_day
FROM
`bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
GROUP BY
user_pseudo_id
),
Une fois que nous avons cela, la deuxième étape implique l’extraction des événements d’achat et des revenus correspondants, via la CTE purchase_events. Ici, nous allons filtrer uniquement les événements d’achat et rassembler les données nécessaires, y compris le montant des revenus.
purchase_events AS (
SELECT
user_pseudo_id,
TIMESTAMP_MICROS(event_timestamp) AS purchase_time,
DATE(TIMESTAMP_MICROS(event_timestamp)) AS purchase_day,
ecommerce.purchase_revenue AS revenue
FROM
`bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE
event_name = 'purchase'
),
Enfin, la CTE cohort_revenue est utilisée pour joindre ces données. C’est ici que nous calculons la différence en mois entre la date d’acquisition (première interaction) et chaque achat. Cette étape cruciale nous permet de déterminer combien de temps après l’acquisition chaque utilisateur effectue un achat.
cohort_revenue AS (
SELECT
ft.user_pseudo_id,
ft.cohort_day,
pe.purchase_day,
EXTRACT(MONTH FROM pe.purchase_day) - EXTRACT(MONTH FROM ft.cohort_day) +
12 * (EXTRACT(YEAR FROM pe.purchase_day) - EXTRACT(YEAR FROM ft.cohort_day)) AS months_after_acquisition,
pe.revenue
FROM
first_touch ft
JOIN
purchase_events pe
ON
ft.user_pseudo_id = pe.user_pseudo_id
)
Dans le SELECT final, nous agrégeons ces mesures pour obtenir le total des revenus, le nombre d’acheteurs, et le revenu moyen par utilisateur pour chaque cohorte par mois :
SELECT
FORMAT_DATE('%Y-%m', cohort_day) AS cohort_month,
months_after_acquisition,
ROUND(SUM(revenue), 2) AS total_revenue,
COUNT(DISTINCT user_pseudo_id) AS purchasing_users,
ROUND(SUM(revenue) / COUNT(DISTINCT user_pseudo_id), 2) AS average_revenue_per_user
FROM
cohort_revenue
GROUP BY
cohort_month, months_after_acquisition
ORDER BY
cohort_month, months_after_acquisition;
Visualiser ces données dans un tableau croisé dynamique peut également améliorer votre compréhension des performances de chaque cohorte, comme vous pouvez le voir dans cette vidéo ici. Suivre les revenus au fil du temps par cohorte apporte une clarté précieuse sur l’évolution du comportement des utilisateurs et leur valeur à vie.
Comment interpréter et exploiter les résultats de l’analyse de cohorte ?
Une fois que vous avez votre table finale issue de la requête, il est temps de plonger dans les résultats et de scruter leur signification. En gros, vous voulez détecter comment les revenus évoluent au fil des mois pour chaque cohorte. Qui ne voudrait pas savoir si ses clients récents dépensent plus que ceux des mois précédents ? C’est là qu’une restitution via un tableau croisé dynamique dans Google Sheets prend tout son sens. Visualiser les données rend les tendances beaucoup plus claires et vous permet d’identifier rapidement les fluctuations saisonnières et l’impact de vos campagnes marketing.
En utilisant un tableau croisé dynamique, vous pouvez organiser les données par mois, cohortes et revenus totaux. Grâce à la possibilité d’ajouter des filtres et des segments, vous pouvez facilement repérer des pics de revenus. Par exemple, si une campagne de Black Friday a triplé vos revenus par rapport au mois précédent, c’est un signal clair qu’il faut répliquer. De même, certains clients peuvent montrer une valeur durable au-delà des promotions, ce qu’il est crucial de comprendre pour ajuster vos stratégies à long terme.
Il faut toutefois rester vigilant. L’analyse des cohortes n’est pas une science exacte et peut parfois mener à des conclusions hâtives. Les tailles des cohortes jouent un rôle important : de petites cohortes peuvent présenter des résultats erronés ou biaisés, surtout si les clients sont peu nombreux. De plus, les effets saisonniers, comme une période de soldes ou les vacances d’été, peuvent également fausser les indicateurs de performance. Assurez-vous donc de vérifier vos données sur plusieurs mois pour obtenir une vue d’ensemble cohérente.
Voici un tableau synthétique des indicateurs clés à surveiller :
- Taux de croissance mensuel des revenus – Mesurer l’augmentation des revenus mois après mois.
- Nombre d’utilisateurs ayant effectué un achat – Qui a dépensé et combien ?
- Dépense moyenne par utilisateur – Pour mesurer la valeur client durable.
- Variations saisonnières – Adapter vos stratégies à la lumière de tendances saisonnières.
En gardant un œil sur ces indicateurs, vous augmenterez vos chances d’optimiser votre segmentation et de maximiser votre retour sur investissement. Pour en savoir plus sur l’importance de ces analyses, n’hésitez pas à consulter cet article.
En quoi l’analyse de revenus par cohortes change-t-elle votre compréhension client ?
L’analyse mensuelle des revenus par cohortes, exploitant GA4 et BigQuery, offre une vision claire et dynamique du comportement des clients acquis. Elle met en lumière la valeur réelle dans le temps, permet d’optimiser budget marketing et fidélisation en ciblant les cohortes les plus rentables. À travers une requête SQL précise et une visualisation pivot, cette approche supprime les illusions des aggregats statistiques pour ancrer la stratégie dans des données solides et exploitables. Un outil indispensable pour tout ecommerce souhaitant transformer la data en avantage concurrentiel.
FAQ
Qu’est-ce qu’une cohorte dans l’analyse de données ecommerce ?
Pourquoi utiliser GA4 et BigQuery pour l’analyse de cohortes ?
Comment calculer le nombre de mois après acquisition dans une analyses cohorte ?
Quels sont les pièges à éviter dans l’interprétation des cohortes mensuelles ?
Comment visualiser efficacement les données d’une analyse de cohorte ?
A propos de l’auteur
Franck Scandolera est consultant et formateur expert en Web Analytics et Data Engineering depuis plus de dix ans. Responsable de l’agence webAnalyste, il accompagne les entreprises dans l’optimisation de leurs dispositifs GA4, BigQuery, et automatisations no-code. Son expérience terrain et pédagogique lui permet de transformer des datasets complexes en insights clairs et exploitables, notamment via l’analyse avancée des cohortes clients.