Comment analyser la performance d'une campagne d'email marketing ?

En tant que responsable de campagnes marketing, vous pilotez vos campagnes d'email marketing au quotidien et votre direction compte entièrement sur vous pour mener à bien vos opérations. Mais à quelle fréquence parvenez-vous réellement à leur prouver, et à vous assurer vous-même, que les objectifs de votre campagne sont atteints ?

En tant que spécialiste marketing, vous êtes généralement fier, mais aussi un peu anxieux, au moment de cliquer sur le bouton « Envoyer ». D'autant plus que vous passez de nombreuses heures à concevoir et sélectionner le bon visuel, le texte approprié, à paramétrer la campagne, à obtenir les conseils et la validation de votre direction. Vous êtes presque certain que votre campagne sera un succès, mais il est très difficile d'en obtenir le résultat, et encore plus difficile de comprendre ce qui a bien fonctionné et ce qui n'a pas marché. Et quand vous parvenez enfin à esquisser une explication sur la performance de la campagne, vous n'avez déjà plus le temps : vous êtes déjà sur la campagne suivante.

1. Amont et aval, une campagne demande du temps

Fixer des objectifs de campagne clairs et précis

Lorsque vous êtes en charge de la préparation d'une nouvelle campagne, vous connaissez probablement les objectifs que vous poursuivez : ils sont nécessairement liés à une décision stratégique — « augmenter les ventes », par exemple — assortie d'un objectif de performance : « +5 % pour mars 2019 » ainsi que « +10 € en moyenne par panier ». Ces éléments stratégiques sont liés aux objectifs primaires et secondaires de votre campagne, qui pourraient être, pour reprendre notre exemple : « concentrer les ventes sur le produit B » comme objectif principal et « mieux convertir les clients de moins de 30 ans » comme objectif secondaire.

En alignant clairement les objectifs de votre campagne avec ceux de l'entreprise, vous pourrez davantage impliquer les membres de votre équipe, en phase de préparation mais surtout lors de la phase, tout aussi importante, d'analyse des résultats. Vous pourrez mieux interpréter vos données en les associant directement à des objectifs clairs et cohérents, à tous les niveaux.

Collecter les données de votre campagne

L'analyse post-campagne est l'une des dernières étapes du processus, et elle ne doit pas être négligée. Selon le volume de contacts ciblés, le nombre de paramètres pris en compte, la complexité de votre tunnel de conversion et le nombre de canaux, l'approche sera différente, et la pertinence des résultats sera plus ou moins proche de la réalité. Mais quoi qu'il en soit, il faudra plonger au cœur de vos données pour y arriver.

Votre outil CRM (Salesforce, Neolane, Mailchimp, SAP, Hubspot, Zendesk…), votre compte de web analytics (Google Analytics, Adobe…), certains outils d'analyse UX (ContentSquare, CrazyEgg…) peuvent être de bons agrégateurs des données de votre campagne. Si c'est la première fois que vous réalisez ce type d'analyse, une extraction dans un bon vieux fichier Excel / Gsheet peut être l'une des façons les plus simples de comprendre et de construire votre analyse. Il existe aujourd'hui des connecteurs puissants et simples pour importer et combiner différentes sources dans une feuille de calcul unique (Supermetrics…).

Votre jeu de données comprendra normalement un certain nombre d'éléments quantitatifs (métriques) liés aux volumes d'actions des clients, ainsi que des éléments de paramétrage (dimensions) décrivant les clients (âge, type d'appareil, segment client, …). Nous devons conserver précieusement tous ces éléments !

2. Et pour l'analyse, comment procéder ?

Analyse par comparaison avec une période standard ou une campagne précédente

Vous disposez désormais de vos données, vous savez que tout est là, mais comment, à partir de cette immense quantité de données, mesurer l'impact de cette campagne sur le produit B et les prospects de moins de 30 ans ? L'idéal est de pouvoir comparer votre performance sur 2 périodes, ou avec une campagne email précédente : vous comparerez deux funnels avec des données différentes et analyserez le comportement des utilisateurs entre ces 2 campagnes. Si vous comparez quelques jours après le lancement de la campagne avec quelques jours avant son lancement, vous ne pourrez pas comparer l'ensemble du funnel de conversion (vous manquerez le nombre d'emails, le nombre d'impressions, de clics…). Vous pourrez seulement comparer la performance sur le site web. Pour cet exemple, nous nous concentrerons uniquement sur la comparaison de 2 campagnes marketing.

Associer les données à votre funnel de conversion

Pour démarrer votre analyse, la première étape consiste à identifier clairement les étapes de votre funnel de conversion. Cela vous indiquera à quelle étape attribuer l'uplift généré par votre campagne. C'est essentiel pour savoir si le problème se situe plutôt au niveau du taux de clic de votre email (liste de diffusion probablement mal qualifiée) ou au niveau de la validation du panier (probablement un problème technique sur cette page, ou une performance plus faible du segment client ciblé par votre campagne par rapport aux clients habituels de votre site, ou par rapport à la campagne précédente), …

Un funnel de conversion très simple pourrait être, par exemple : Nombre d'emails envoyés >> ouverts >> cliqués >> convertis >> chiffre d'affaires généré.

Une fois votre funnel de conversion établi, vous comparerez les taux de conversion de vos clients à chaque étape de ce funnel, sur vos deux campagnes marketing (actuelle versus précédente). À ce stade, on cherche à comparer le comportement des utilisateurs ciblés par la campagne actuelle à celui des utilisateurs ciblés par la campagne précédente.

Nous pourrions ainsi représenter graphiquement la performance de votre campagne comme suit :

Ce graphique vous indique les différences de performance entre vos campagnes. Pour votre campagne actuelle (campagne A), vous avez envoyé 33 % d'emails de moins que pour la campagne B, vos emails ont été moins ouverts (-31 %), mais cela a été compensé par un meilleur taux de clic (+16 %) et un meilleur taux de conversion (+13 %)… Cette analyse n'interprète que les métriques de votre campagne ; à ce stade, vous ne disposez pas encore de l'analyse par dimensions.

Analyse par dimensions

Maintenant que vous savez quelle partie de votre funnel de conversion a été le plus impactée entre ces deux campagnes et a généré le plus de chiffre d'affaires, vous voulez comprendre pourquoi exactement, et vous assurer que la valeur absolue générée par cette campagne est bien liée à vos objectifs. C'est-à-dire que nous voulons comprendre l'impact des caractéristiques de nos clients sur les résultats de la campagne. Nous voulons déterminer, pour chaque étape de notre funnel de conversion, si la performance est liée à l'âge de nos clients, à leur localisation géographique, à leur segment client, aux appareils utilisés, aux navigateurs web… toutes les dimensions disponibles dans notre jeu de données. Nous souhaitons désormais connaître et mesurer l'importance de ces paramètres dans les résultats de notre campagne.

Si vous vous souvenez de votre jeu de données, tous ces éléments étaient représentés dans les colonnes vert foncé. Associées aux métriques (nombre d'emails envoyés, ouverts, cliqués…), les dimensions étaient également disponibles.

En agrégeant les données par dimension, on peut vérifier le taux de conversion d'une étape à l'autre et comprendre, pour chaque segment, celui qui a le plus converti sur cette campagne.

Les outils du marché pour réaliser cette analyse par dimensions

Lorsque votre jeu de données comporte de nombreuses dimensions, il est généralement difficile de filtrer chaque dimension et chaque segment au sein de chaque dimension pour comprendre lequel a le plus converti. Il existe des outils sur le marché pour réaliser cette analyse : Datama en fait partie, et vous permet en quelques clics d'analyser précisément les résultats d'une campagne marketing et d'identifier très rapidement l'atteinte de vos objectifs. L'outil vous permet de comprendre les dimensions qui expliquent les résultats de votre campagne, en identifiant le segment et la dimension les plus impliqués dans sa performance. Vous pourriez ainsi identifier la performance d'un segment particulier, d'un produit spécifique, comparer la performance de vos campagnes d'une région à l'autre… en identifiant chaque fois les dimensions qui expliquent l'écart que vous analysez. Dans ce cas précis, si l'on regarde le taux de clic, le segment 2 performe 2,2 fois mieux que les autres segments !

Qui est Datama ?

Chez Datama, nous sommes passionnés par l'amélioration de la conversion en ligne grâce à l'exploration de données. L'un des plus grands problèmes rencontrés régulièrement par nos clients est la capacité à comprendre la performance entre deux segments (par exemple, vos campagnes) sur un KPI donné. Nous avons donc créé une solution qui leur simplifie considérablement la vie… Elle est rapide, facile à comprendre et à communiquer, ne nécessite aucun outil de BI coûteux, et le résultat peut être connecté à n'importe quel outil de data visualisation déjà utilisé (Tableau, Power BI, Dataiku, QlikView ou même Excel…). Nous pouvons mettre en place une démonstration adaptée à votre activité en quelques heures… gratuitement !

Datama est une entreprise fondée en octobre 2017 par Guillaume de Bénazé, ingénieur centralien, rejoint en 2018 par Loïc, diplômé de l'ESME Sudria et titulaire d'un master à HEC. Tous deux disposent d'une double expertise technique et business, forgée par leurs expériences dans le domaine de l'analytics et du conseil.

Datama compte déjà plusieurs clients prestigieux tels que le Groupe Pierre et Vacances, Voyage Privé, Kering, L'Oréal, ManoMano et AccorHotels. Pour l'avenir, l'entreprise s'est fixé comme objectif de multiplier rapidement les modèles analytiques qu'elle propose, afin de devenir le leader français du marché de l'Analytics as a Service.