Par cohorte : parmi les client·es qui ont passé leur première commande un mois donné, quelle part a recommandé dans les douze mois suivants. Tout autre calcul mélange des client·es qui ont eu le temps de revenir avec d'autres qui viennent d'arriver, et il vous pénalise dès que vous recrutez.
Le repère
La formule tient en une division : le nombre de client·es de la cohorte qui ont passé une deuxième commande dans la fenêtre, divisé par le nombre de client·es de la cohorte. Le résultat dépend surtout des personnes que l'on met au dénominateur.
Nous l'avons mesuré cet été, dans l'audit d'une marque saisonnière que nous accompagnons, quelques millions d'euros de ventes en ligne. Le même export clients y donnait deux réponses.
Sur l'ensemble des client·es recruté·es sur vingt-quatre mois, 9,8 % avaient recommandé. Sur celles et ceux qui avaient au moins douze mois de recul, la proportion montait à 13,1 %. La boutique et le fichier étaient identiques, et l'écart d'un tiers venait des client·es arrivé·es depuis moins d'un an, pour la plupart l'hiver précédent, qui n'avaient pas encore connu d'hiver suivant pour revenir.
Nous avons mis les chiffres côte à côte dans le rapport, en indiquant que seul le second servait à décider.
La règle
Choisissez une fenêtre qui correspond au rythme d'achat de votre produit, puis gardez-la. Trois mois suffisent pour un consommable, douze pour du prêt-à-porter, et il en faut davantage pour de l'ameublement ou pour une marque saisonnière, dont la clientèle revient l'année suivante ou pas du tout.
Une cohorte se compare ensuite à une autre cohorte du même âge, par exemple celle de mars à 90 jours avec celle de février à 90 jours.
Les étapes
Shopify regroupe déjà les client·es par date de première commande dans son rapport d'analyse de cohortes, rangé dans la catégorie Clients des rapports. Pour découper les chiffres à votre façon, un export des commandes suffit.
- L'export. Récupérez les commandes avec l'identifiant client·e et la date.
- Le rattachement. Associez chaque personne à son mois de première commande.
- Le comptage. Dans une cohorte donnée, comptez celles et ceux qui ont une deuxième commande dans la fenêtre.
- Le découpage. Séparez les résultats par premier produit acheté et par canal d'acquisition, car c'est à ce niveau qu'un écart devient une décision.
- Le suivi. Relevez la cohorte la plus récente à 30, 60 et 90 jours, sans attendre qu'elle ait un an.
Le tableau est à copier, puis à remplir avec vos propres mois :
| Cohorte (mois de 1re commande) | Nouveaux·elles client·es | Réachat à 30 j | Réachat à 90 j | Réachat à 12 mois |
|---|---|---|---|---|
| Janvier | … | … | … | … |
| Février | … | … | … | … |
| Mars | … | … | … | pas encore mûre |
Une fois la première ligne complète, vous pouvez dire à votre direction :
« Sur la cohorte de janvier, X % des client·es ont recommandé en douze mois, et nous comparerons les prochaines cohortes au même âge. »
Le piège
Les rapports mettent surtout en avant un autre chiffre. Shopify considère comme client·e de retour toute personne dont l'historique contient déjà une commande, et la part que ces client·es représentent sur une période baisse mécaniquement quand vous recrutez beaucoup.
Le mois où l'acquisition décolle, la fidélité semble reculer alors que personne n'est parti, et vous risquez d'annoncer une mauvaise nouvelle qui n'en est pas une.
Gardez cette part pour suivre le mélange entre ancien·nes et nouveaux·elles client·es, et réservez le taux par cohorte au jugement sur la fidélité.
Reste le fichier lui-même. Une personne qui commande avec deux adresses e-mail possède deux profils, et elle compte donc pour deux client·es à achat unique.
Shopify permet de fusionner deux profils depuis la liste des client·es : traitez au moins les doublons évidents avant de lancer le calcul.
