L’analyse des comportements des consommateurs à l’ère du numérique

Par Emilie Beauchamp, étudiante à la maîtrise en sciences de la consommation 

Dans le monde, on compte environ 100 milliards d’objets connectés (L’actualité, 2018), ceux-ci génèrent quotidiennement l’équivalent de 2,5 téraoctets de données (Karoui, Davauchelle et Dudezert, 2014). Le volume de données produit en ligne est appelé à croitre dans les prochaines années. En effet, d’ici 2020 ce marché aura une croissance moyenne annuelle de 25% (Frost et Sullivan, 2014 disponible à partir de Montréal international 2016). Ces données s’inscrivent dans ce qui est appelé le « big data » (i.e., les données massives). Plus précisément, ce concept est défini comme : « le traitement d’ensembles de données si volumineux qu’ils deviennent difficiles à gérer avec des outils classiques de gestion de bases de données. » (Montréal international, 2016).

Pour les entreprises, toutes ces données représentent diverses opportunités d’affaires. Pour nommer seulement quelques exemples, celles-ci peuvent aider les dirigeants d’entreprises à appuyer leurs décisions, à mieux cibler les comportements des consommateurs, à comprendre la logique d’achat ainsi qu’à identifier des anomalies et des fraudes (L’actualité, 2018; Frost et Sullivan, 2014 disponible à partir de Montréal international 2016).De surcroit, une utilisation efficace des données permet d’améliorer la performance des organisations (Gouvernement du Québec, 2018).

Or, l’ampleur de ces données peut rendre complexe la tâche des entreprises lorsque vient le temps d’en faire l’analyse (Zouhri, 2016). En effet, à cause de l’abondance des données et de la rapidité à laquelle elles sont collectées, les entreprises font face à de multiples défis en lien avec le processus d’exploitation des données. Ce dernier fait référence à la collecte des données, leur traitement, leur analyse et leur opérationnalisation (Karoui et al., 2014). Ce processus est présenté à la figure 1.

Figure 1.
Le processus d’exploitation des données par OCDE, Data-driven Innovation: Big Data for Growth and Well-Being, 2015

D’ailleurs, pour arriver à traiter toutes les données issues du « big data », le domaine de l’analytique numérique a pris de l’ampleur. Il consiste plus précisément à analyser l’audience et les comportements des visiteurs sur un site Internet ou une application. Par ailleurs, Rogers, MacEwan et Pond (2008) mentionnent qu’en raison de l’abondance de métriques pouvant découler de l’analyse des données, il s’avère important d’établir ceux que les entreprises désirent mesurer. Ainsi, il est nécessaire que les entreprises se fixent des objectifs numériques en lien avec leur mission et qu’elles mesurent l’atteinte de ceux-ci en tirant profit des analyses numériques. D’ailleurs, en ce qui a trait à l’utilisation efficace de l’analytique numérique, il existe quatre grands principes directeurs (1) les entreprises doivent définir les buts ou objectifs; (2) elles doivent mesurer les résultats; (3) elles doivent utiliser les données pour apporter des améliorations (4) elles doivent communiquer les conclusions des analyses aux parties prenantes de l’entreprise (Hendricks, Plantz et Pritchard, 2008). Ces lignes directrices sont en adéquation avec le principe énoncé par Snibbe (2006) qui est que les entreprises qui ont des objectifs bien définis au sujet de ce qu’elles désirent capturer par l’analyse des données évitent en grande partie le risque de se perdre dans toutes les données existantes.

Dans ce contexte, on constate qu’il s’avère important pour les entreprises de cibler leurs analyses sur Internet en fonction de leurs objectifs et d’en mesurer leurs performances. Ainsi, en appliquant ces méthodes basées sur leurs objectifs, les entreprises peuvent faire une utilisation efficace des données numériques. Parallèlement, elles peuvent prendre des décisions stratégiques plus éclairées. Par ailleurs, Capgemini (2012) rapporte que les entreprises qui basent leurs décisions fondées sur les données numériques sont 5% à 6% plus profitables que celles qui s’appuient essentiellement sur l’intuition et l’expérience.

Dans un même ordre d’idées, les macro- et microconversions sont elles aussi importantes pour comprendre et optimiser les sites Internet et les stratégies marketing numériques des entreprises. Les conversions, qu’elles soient micro ou macro, font référence aux actions espérées par l'organisation de la part des internautes. Elles sont étroitement liées aux objectifs généraux du site Internet. En ce qui a trait aux macroconversions, elles sont les actions principales souhaitées que les visiteurs réalisent sur le site (ex. : un achat, une prise de rendez-vous en ligne, etc.). Pour ce qui est des microconversions, elles sont des actions secondaires souhaitées que les visiteurs réalisent sur le site (ex. : la consultation d’une fiche-produit, l’utilisation du moteur de recherche interne du site, etc.). Il est donc essentiel pour les entreprises de les comprendre et de les sélectionner soigneusement.

Les taux de conversions associés aux macro- et microconversions vont permettre de mettre en évidence la performance globale du site. Du côté des macroconversions, elles sont généralement utilisées comme principale mesure du succès du site Internet à convertir les internautes. Alors que, les microconversions permettent de comprendre le parcours de l’internaute sur le site Internet vers la conversion. En plus, selon Kaushik (2008), les microconversions confèrent plusieurs bénéfices aux entreprises qui les utilisent. Par exemple, elles permettent de mesurer l’impact multicanal en ayant une vision du portrait global des activités du site Internet. Notamment, elles permettent de mesurer quels canaux d’acquisition est le plus important pour l’entreprise. Finalement, elles mettent en lumière les diverses « personas » des visiteurs du site Internet. Cela est possible, car l’utilisation de microconversions est souvent utilisée de pair avec la segmentation des visiteurs/activités sur le site Internet. En d’autres mots, l’analyse des données se fera sur un petit segment comportant un grand nombre de données (Kaushik, 2008). De surcroit, l’analyse de toutes les microconversions va permettre à l’entreprise de mieux investir tous les montants dépensés en marketing (Han, 2017).

L’entonnoir de conversion à l’ère du numérique

Par Valérie Bourret, étudiante à la Maîtrise en Sciences de la consommation

À l’ère du numérique, la majorité des entreprises utilise maintenant, ou prévoit utiliser dans un avenir rapproché, le marketing en ligne dans le cadre de leur modèle commercial (Olausson, 2018). La technologie d’aujourd’hui permet à une entreprise d’enregistrer de façon détaillée chaque point de contact entre les consommateurs et son site Internet durant leur parcours en ligne, et ce, qu’il se termine par un achat/conversion ou non (Hongshuang & Kannan, 2014). Lorsque l’équipe responsable du marketing en ligne maitrise bien son art, elle sera en mesure d'estimer les taux de conversion (Olausson, 2018), c'est-à-dire le pourcentage des visiteurs qui effectueront une action donnée sur le site Internet ou les médias sociaux de l’entreprise (Olausson, 2018). L'action peut se traduire en un clic sur une publicité (une microconversion) ou l’achat d’un produit (une macroconversion) et plus encore (Olausson, 2018).

Dans le cas où l'entreprise est en mesure d’estimer la valeur de chaque action effectuée par un visiteur, dont ultimement celle du taux de conversion, elle sera en mesure de calculer la valeur de l'état initial d’un visiteur dès qu’il entre sur son site (Olausson, 2018). Cela signifie donc que l’entreprise connaît la valeur des consommateurs et qu’elle peut estimer la possibilité qu'une personne qui clique sur l'une de ses publicités convertisse et devienne réellement client (Olausson, 2018). Elle sera également en mesure de calculer la valeur de ses clics (Olausson, 2018) et d’anticiper ses besoins afin de tenter de les satisfaire. Le processus d'achat/conversion en ligne du consommateur comporte principalement trois étapes, soit l’apprentissage (cognitif), l’émotion (affectif) et le comportement (conatif) (Pauwels et al., 2016). À titre d’exemple, ces étapes peuvent être mesurées par le biais de microconversions numériques comme cliquer sur une annonce de recherche payée ou encore avec une mention j’aime de la marque sur Facebook (affective) (Pauwels et al., 2016).

Afin d’orienter leurs investissements en marketing numériques dans divers canaux (comme la recherche payée, le référencement, etc.), les entreprises dépendent de mesures agrégées (Hongshuang & Kannan, 2014). De façon générale, les espaces de marketing en ligne sont vendus aux enchères (Olausson, 2018) par le biais de plateformes telles que Google Ads, Google Marketing Platform et Google Ad Manager par exemple (Poole, 2018). Différentes entreprises soumissionnent donc pour le même espace publicitaire ou pour le même mot clé en fonction de la valeur attendue de chacun et paient en fonction de l’exposition reçue (Olausson, 2018). Dans le domaine de l’analytique numérique, l'exposition est mesurée en fonction du nombre d'utilisateurs ayant vu la publicité (impressions) ou du nombre d'utilisateurs ayant interagi avec l'annonce (par exemple, le nombre de clics) (Olausson, 2018). Compte tenu de la taille et de la croissance rapide du marché du marketing numérique, il est primordial pour une entreprise de constamment veiller à maintenir la précision de ses estimations de la valeur d'une impression ou d'un clic (Olausson, 2018). De cette façon, elle est en mesure de dépenser son budget marketing en ligne plus efficacement (Olausson, 2018).

Le parcours complet du consommateur à travers une campagne marketing aboutissant à une vente ou une conversion est représenté par le concept de l’entonnoir de conversion (Wang & Mao, 2018). De plus, il est maintenant possible d’appliquer les données marketing disponibles grâce à l’analytique numérique à l'apprentissage automatique afin d’optimiser cesdits entonnoirs de conversion (Wang & Mao, 2018). Ces analyses aident à guider le consommateur vers une suite logique d’étapes afin d’optimiser ses déplacements vers les prochaines étapes de l’entonnoir (Wang & Mao, 2018). Avec l'autorisation de l'utilisateur et l’aide d’un modèle d'apprentissage automatique, l’entreprise peut collecter des données sur diverses actions effectuées par les visiteurs de son site Internet à des fins de formation pour son modèle d’apprentissage renforcé (Wang & Mao, 2018). Par exemple, il est possible de compiler les données concernant les différents comportements des visiteurs envers un même produit ou face à une situation similaire et de les segmenter selon le lieu de résidence, par exemple, afin d’en ressortir les différences et d’adapter son message publicitaire et son offre selon la localisation (Wang & Mao, 2018). Les données de formation servent donc à former un modèle d’apprentissage automatique plus efficace et plus performant (Wang & Mao, 2018) et contribuent à l’optimisation de la satisfaction des visiteurs. De plus, ce modèle permet d’identifier les données réellement nécessaires et d’éliminer les données qui ne bonifient pas le processus d’analyse en cours (Wang & Mao, 2018). Une fois mis au point, le modèle prédit les actions optimales à effectuer afin de faire évoluer le consommateur dans l'entonnoir de conversion (Wang & Mao, 2018).

Cependant, les spécialistes du marketing doivent garder un œil sur la performance du modèle. Les données associées aux conversions numériques sont à la base du succès de toute stratégie de marketing en ligne. Les spécialistes du marketing peuvent modifier les paramètres d’un entonnoir, par exemple les états et les actions, en fonction de leurs analyses (Wang & Mao, 2018). Une bonne compréhension de l'efficacité des différents types de promotion de l’entreprise est donc nécessaire afin d’être en mesure fournir des recommandations pertinentes sur la prise de décisions concernant les stratégies numériques (Haan, Wiesel , & Pauwels , 2016). Il est particulièrement important que l’expert en analytique amène cette expertise dans l’organisation, car les gestionnaires ont généralement tendance à s'appuyer sur des règles simples, telle que les méthodes d’essai erreur ou celle du dernier clic (Haan et al., 2016). Cependant, ces méthodes ainsi que les méthodes similaires comportent d’importants biais (Haan et al., 2016).

Il est donc primordial que l’équipe d’analytique numérique d’une entreprise soit à l’affut de tout changement au comportement des visiteurs ainsi que de tout changement en l’efficacité de leur modèle de prédiction. Dans le cas où il faut apporter certains correctifs, il sera important de les apporter rapidement. C’est pourquoi les données associées aux conversions numériques définies par l’entreprise doivent être à la base de toute recommandation faite concernant la performance et l’optimisation de son site Internet. Ne pas considérer ces données lors de la modification de certains aspects du site Internet, ou encore de garder le statu quo, peut avoir des effets négatifs pour l’entreprise, par exemple une diminution considérable du nombre d’abonnés, du taux de conversion ou encore l’insatisfaction des consommateurs.