Cas d’usage n° 3 : Impact du taux d’occupation sur la conversion

Catégorie Performance | Solution : DataMa Compare | Type : Ad hoc | Client : Web travel | Extension : Aucun
Tags: #Occupation #Stock #Conversion

Contexte

Le client est un acteur majeur du secteur de l’hôtellerie.

L’équipe Web produit avait un objectif ambitieux d’augmentation des conversions cette année par rapport à l’année précédente. Cependant, au milieu de l’année, l’objectif semblait difficile à atteindre. Alors que le trafic et la valeur moyenne des réservations augmentaient, la baisse des conversions était soupçonnée d’être liée à un problème de disponibilité des hôtels.

La question est de prouver et d’estimer l’impact de la pénurie d’occupation sur le taux de conversion.

Approche

Équation de marché

Alors que la première chose serait de vérifier l’effet du volume de trafic et de la valeur moyenne des réservations sur la conversion à l’aide d’une équation de marché classique (voir démo par défaut de DataMa), nous nous concentrerons pour l’instant sur la conversion.

L’idée est de diviser le taux de conversion en morceaux pour faire apparaître le facteur taux d’occupation. Cependant, le taux d’occupation est généralement un concept hors ligne, qui n’est pas directement lié à la conversion en ligne.

La complexité du taux d’occupation ou de l’analyse des stocks dans les voyages est que l’occupation d’un jour donné (le nombre de chambres disponibles divisé par le nombre total de chambres) est différente en fonction de la fenêtre de réservation ou du délai de réservation, c’est-à-dire la distance entre le jour de la recherche et le jour de la réservation.

Heureusement, le client dispose d’un « event » personnalisé dans son outil d’analyse web (Google Analytics) qui indique la disponibilité de cet hôtel (Disponible/ Partiellement disponible/ Non disponible) pour chaque page d’hôtel consultée.

Cette équation de marché est la suivante, et nous avons deux options pour aborder notre problème du point de vue d’un ensemble de données

Dataset

Dans ce cas d’usage, les données proviennent de Google Analytics et sont stockées dans Google BigQuery.

À partir de là, nous pouvons créer une logique SQL pour classer chaque session par disponibilité, au niveau de la session, afin de ne pas dupliquer les données.
Il existe essentiellement 4 types de disponibilité pour une session :
1/ Non atteint = Ne pas accéder à une page d’hôtel
2/ Non disponible = Accédez uniquement aux pages d’hôtels indisponibles
3/ Partiellement disponible = Accéder à une page d’hôtel partiellement disponible, mais pas entièrement disponible
4/ Disponible = Atteindre au moins une page d’hôtel disponible

Comme nous souhaitons également pouvoir ventiler les résultats et l’impact par marché et par appareil, nous ajouterons également ces deux dimensions. Et bien sûr, puisque nous voulons comprendre une baisse entre deux périodes, nous saisissons une sorte de dimension de date.

Une fois cela fait, nous avons deux options pour effectuer notre analyse dans DataMa.

Option 1: conserver les données telles quelles et visualiser l’impact de la disponibilité sous la forme d’un effet de mix de l’état de disponibilité sur la conversion – voir l’ensemble de données

Option 2: Annuler le pivotement des données pour transformer les dimensions en métriques en obtenant une métrique pour les sessions atteignant une page d’hôtel et une autre pour les sessions atteignant une page d’hôtel disponible – voir l’ensemble de données.

Nous ingérons les données à l’aide du connecteur DataMa Prep avec BigQuery (et l’annulation du pivotement pour l’option 2 peut être effectuée ici)

Points à retenir

Directement dans DataMa Compare, l’analyse permet de quantifier l’impact de la disponibilité sur la conversion.

L’ensemble de données de l’option 1 montre un effet de mix clair sur la disponibilité du statut. La part des sessions atteignant uniquement les résultats des pages d’hôtels indisponibles a considérablement augmenté, et elles se convertissent évidemment très mal, ce qui a donc un impact évident sur la conversion. L’avantage de cette vue est que vous pouvez facilement communiquer l’évolution de chaque type de sessions, y compris celles partiellement disponibles, ce qui constitue un peu une zone grise en termes d’impact.

1:Le waterfall DataMa Compare s’est ouvert lors de la conversion, montrant un effet de mix clair sur la dimension Disponibilité

2: Dans la slide Moves, nous pouvons voir les hôtels disponibles diminuer en termes de mix et de performance.

L’ensemble de données de l’option 2 permet de visualiser l’impact à travers la part de sessions atteignant au moins 1 page d’hôtel entièrement disponible par rapport au nombre de sessions voyant une page d’hôtel. L’avantage de cette vue est que vous pouvez ensuite facilement séparer l’impact de la disponibilité selon une autre dimension, comme le marché ou l’appareil.

3 :Waterfall fait un premier pas dans l’équation de marché sur les sessions disponibles

4 : Avec cette étape, vous pouvez facilement séparer par d’autres dimensions, comme le marché

Dans les deux cas, on constate que plus de la moitié de la baisse de conversion vient d’un problème de disponibilité.

Résultats

Les enseignements tirés ont été partagés au niveau de la direction et au niveau des pays, et ont conduit à une révision de l’objectif de conversion pour prendre en compte la limitation de l’occupation et ont lancé une vaste conversation sur l’augmentation de la disponibilité et de l’offre en réduisant le stock dédié aux OTA et construire de nouveaux hôtels dans les destinations les plus recherchées.

Partagez l'article

Abonnez-vous à notre newsletter