Comment analyser les revenus mensuels post-acquisition avec GA4 et BigQuery ?

Par

L’analyse mensuelle des revenus par cohortes après acquisition avec GA4 et BigQuery permet d’identifier précisément la valeur et l’évolution des clients dans le temps. Découvrez comment exploiter ces outils pour affiner vos décisions marketing et augmenter la rentabilité de vos campagnes.

3 principaux points à retenir.

  • La cohorte d’acquisition identifie les utilisateurs selon leur premier contact, clé de l’analyse.
  • BigQuery et GA4 permettent de calculer les revenus mensuels par cohorte, révélant les tendances réelles.
  • Visualiser ces données via un tableau croisé dynamique facilite la prise de décisions marketing précises.

Qu’est-ce que l’analyse par cohortes et pourquoi l’utiliser pour le chiffre d’affaires ?

L’analyse par cohortes est un outil analytique redoutable qui permet de segmenter les utilisateurs en groupes, appelés « cohortes », selon une date d’acquisition ou un critère commun. Cette approche sur mesure ne se contente pas de présenter des métriques statistiques en surface, elle suit l’évolution du comportement des utilisateurs dans le temps. Ainsi, une fois que vous avez regroupé vos utilisateurs en cohortes, vous pouvez plonger dans les détails de leurs interactions et dépenses post-acquisition.

Mais pourquoi se donner autant de mal ? L’intérêt est clair : l’analyse par cohortes dévoile des tendances et des comportements qui, autrement, pourraient passer sous silence par l’analyse des métriques globales. En d’autres termes, elle met en lumière des insights précieux sur le chiffre d’affaires, permettant de comprendre comment divers groupes d’utilisateurs réagissent au fil du temps, en tenant compte de leur date d’acquisition.

Dans un contexte e-commerce, cette analyse est particulièrement pertinente. Elle permet d’affiner le retour sur investissement (ROI) des campagnes marketing et d’identifier la fidélité des clients. Par exemple, en comparant le chiffre d’affaires généré par différentes cohortes, vous pouvez déterminer si certaines campagnes attirent des clients plus engagés que d’autres. Des questions essentielles émergent alors :

  • Comment évolue le revenu par cohorte au fil du temps ?
  • Quelle est l’efficacité de mes campagnes marketing en termes de rétention client ?
  • Les fluctuations saisonnières influencent-elles la valeur à vie des clients ?
Découvrez égalementComment prétraiter les données en Python en 8 astuces ?

Avec des données réelles en main, vous pouvez mieux comprendre les habitudes d’achat en fonction des périodes d’acquisition. Par exemple, une cohorte de clients acquise lors d’une promotion estivale pourrait montrer des comportements d’achat significativement différents de ceux acquis pendant une période d’hiver moins active.

Utiliser l’analyse par cohortes, c’est se doter d’un super pouvoir pour mieux affiner ses stratégies. Parallèlement, intégrer des outils comme Google Analytics 4 est essentiel. Pour explorer comment GA4 facilite ce type d’analyse, consultez cet article où vous trouverez des informations précieuses.

Comment structurer une requête SQL BigQuery pour analyser les revenus par cohortes ?



Pour analyser les revenus mensuels post-acquisition avec GA4 et BigQuery, une requête SQL bien structurée est essentielle. Commençons par créer la première table, first_touch, qui nous permettra d'identifier la date d'acquisition des clients.



Cette table se concentre sur l'identifiant pseudo-utilisateur (user_pseudo_id) et utilise la fonction MIN() pour obtenir le temps de l'événement le plus ancien. Cela nous donne un timestamp que nous transformons ensuite en une date grâce à DATE(). Cette étape est cruciale car elle nous attribue à chacun un jour de cohorte, reflétant leur première interaction avec le site.




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
),



Découvrez égalementComment 5 containers Docker transforment votre PME ?
La suite logique de notre requête est la table purchase_events. Ici, nous nous concentrons sur les événements d'achat. Nous sélectionnons également le temps d'achat, la date de l'achat et le revenu généré par chaque transaction. En filtrant uniquement les événements nommés purchase, nous obtenons une vue claire et précise des revenus associés à chaque utilisateur.



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'
),



Ensuite, nous devons regrouper ces deux tables pour calculer la différence en mois entre la date de la première acquisition et les dates d'achat. Cela se passe dans la table cohort_revenue, où nous faisons une jointure entre first_touch et purchase_events.


Nous calculons le nombre de mois après l'acquisition à l'aide de l'expression suivante qui prend en compte les différentes longueurs de mois :



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,



Enfin, voici un tableau récapitulatif des étapes clé :


    

  • Table first_touch : Identifie la date d'acquisition des utilisateurs.
    • 

  • Table purchase_events : Isolate les événements d'achat et leurs revenus.
    • 

  • Table cohort_revenue : Joint les données et calcule la différence en mois entre acquisition et achats.
    • 



Découvrez égalementQuels patterns analytiques un data scientist doit maîtriser?
Pour plus de détails sur l'analyse avec GA4 et BigQuery, cliquez ici.




Comment interpréter et visualiser les résultats pour optimiser sa stratégie marketing ?


Interpréter les résultats d’une analyse de cohorte peut s’apparenter à déchiffrer un code secret. Au premier abord, cela peut paraître chaotique, mais chaque chiffre raconte une histoire – une histoire sur vos clients, leur comportement après acquisition et, surtout, sur leur valeur à long terme.


Lorsque vous examinez les revenus moyens par utilisateur, soyez attentif aux variations selon les cohortes et le temps. Cette analyse n’est pas qu’un simple tableau de chiffres – elle révèle des informations cruciales. Par exemple, vous pourriez découvrir que les utilisateurs acquis en mars génèrent un revenu moyen significativement plus élevé que ceux acquis en janvier. Pourquoi? Peut-être en raison d’une campagne marketing réussie ou de l’impact du printemps qui incite à plus de dépenses. Voilà une précieuse information qui pourrait orienter vos futures campagnes marketing.


Découvrez égalementQuels sont les meilleurs cours SQL gratuits avec certificat ?
Ce que vous devez surveiller:
  • Saisonnalité: Les variations de comportement des consommateurs au cours de l’année ne peuvent être ignorées. Par exemple, des événements comme le Black Friday ou Noël peuvent fausser vos données si vous n’en tenez pas compte.
  • Promotions ou campagnes spécifiques: Si une campagne a été particulièrement efficace à un moment donné, cela peut influer sur la comparaison avec d’autres cohortes. Soyez vigilants à ne pas attribuer le succès d’une cohorte simplement à sa date d’acquisition sans analyser le contexte.

Pour visualiser ces données, rien de tel qu’un tableau croisé dynamique dans Google Sheets. En quelques clics, vous pouvez saisir vos résultats et, avec un peu de mise en forme conditionnelle, mettre en avant les tendances fortes. Changez les couleurs des cellules en fonction des performances: du rouge pour les faibles performances au vert pour les excellentes. Cela vous donne une lecture visuelle immédiate de la santé de vos cohortes.

Imaginez un tableau où chaque cellule correspond à un mois dans la vie d’une cohorte d’acquisition. Les cadeaux d’analyse peuvent alors se transformer en décisions éclairées pour votre stratégie marketing. L’illustration ci-dessous montre comment cela pourrait se présenter :


| Cohorte      | Mois 1 | Mois 2 | Mois 3 | 
|--------------|--------|--------|--------|
| 2023-01     | 100€   | 80€    | 60€    |
| 2023-02     | 120€   | 150€   | 180€   | 
| 2023-03     | 200€   | 220€   | 240€   |

C’est un moyen efficace de repérer rapidement la présence de tendances ou d’anomalies potentielles. Un responsable marketing ou un data analyst ne pourrait rêver d’un outil plus utile pour piloter les décisions d’optimisation.

Comment tirer profit au mieux de l’analyse par cohortes pour booster vos revenus ?

Découvrez égalementComment automatiser efficacement le feature engineering en Python ?

L’analyse mensuelle des revenus par acquisition via GA4 et BigQuery est bien plus qu’un exercice technique : elle offre un regard précis sur la valeur réelle et l’évolution des clients. En isolant les cohortes, vous détectez les campagnes qui performent et celles à revoir, tout en anticipant l’impact de la saisonnalité. Ainsi, vous améliorez la rétention et alignez mieux vos budgets marketing aux sources les plus rentables. Pour tout business e-commerce, cette approche est un levier d’optimisation incontournable, qui transforme la donnée brute en décisions concrètes et profitables.

FAQ

Qu’est-ce qu’une cohorte dans l’analyse marketing ?

Une cohorte regroupe des utilisateurs ayant une caractéristique commune, comme la date d’acquisition. Cela permet d’analyser leur comportement dans le temps et d’identifier des tendances spécifiques à chaque groupe.

Pourquoi utiliser GA4 avec BigQuery pour cette analyse ?

GA4 collecte une très grande quantité d’événements utilisateurs détaillés, et BigQuery facilite leur traitement rapide et évolutif via SQL. Cette combinaison est idéale pour des analyses complexes comme les cohortes et le suivi précis des revenus.

Comment calculer le revenu moyen par utilisateur dans une cohorte ?

Il faut diviser la somme totale des revenus générés par cette cohorte durant une période donnée par le nombre d’utilisateurs distincts ayant effectué un achat durant cette même période.

Quels biais doit-on surveiller dans l’analyse des cohortes ?

Il faut prendre en compte la saisonnalité, les événements promotionnels (Black Friday, Noël) et le volume d’utilisateurs par cohorte. Ces facteurs peuvent fausser l’interprétation des revenus par période.

Comment visualiser efficacement les résultats de l’analyse cohortale ?

L’emploi d’un tableau croisé dynamique (pivot table) dans Google Sheets ou Excel, avec une mise en forme conditionnelle, permet de repérer rapidement les cohortes performantes et les tendances sur plusieurs mois.

 

 

A propos de l’auteur

Je suis Franck Scandolera, consultant expert et formateur en Web Analytics, Data Engineering et IA basée à Brive‑la‑Gaillarde, avec plus d’une décennie d’expérience en optimisation des dispositifs analytics, notamment GA4 et BigQuery. J’accompagne agences et e-commerces en France et en Europe francophone à tirer le meilleur de leurs données, grâce à des solutions robustes et centrées usage métier. Responsable de l’agence webAnalyste et de l’organisme Formations Analytics, je partage depuis des années cette expertise pointue pour rendre les analyses complexes accessibles et actionnables.

Retour en haut
AIgenierie