{"id":11999,"date":"2021-11-22T14:32:52","date_gmt":"2021-11-22T14:32:52","guid":{"rendered":"https:\/\/datama.io\/comment-prendre-en-compte-les-tendances-de-marche-dans-son-analyse-de-performance\/"},"modified":"2025-03-19T14:11:04","modified_gmt":"2025-03-19T14:11:04","slug":"comment-prendre-en-compte-les-tendances-de-marche-dans-son-analyse-de-performance","status":"publish","type":"post","link":"https:\/\/datama.io\/fr\/comment-prendre-en-compte-les-tendances-de-marche-dans-son-analyse-de-performance\/","title":{"rendered":"Comment prendre en compte les tendances de march\u00e9 dans son analyse de performance ?"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\"\"<\/p>\n

En analyse web, que vos KPIs (Indicateurs Cl\u00e9s de Performance) soient \u00e0 la hausse ou \u00e0 la baisse, tout ou partie de la variation ne s\u2019explique pas forc\u00e9ment par une mauvaise ou bonne performance de vos \u00e9quipes produit ou acquisition. Cela peut tout simplement venir des variations du march\u00e9 qui peuvent fluctuer non seulement par saisonnalit\u00e9 mais aussi par des effets de modes, des crises ou bien des \u00e9v\u00e9nements particuliers. <\/strong><\/p>\n

L\u2019histoire qui d\u00e9coule des analyses est alors bien diff\u00e9rente quand nous prenons du recul, en analysant non pas au niveau du site mais au niveau du site dans son march\u00e9.<\/span><\/p>\n

D\u00e9couvrons ensemble comment DataMa quantifie la tendance et l\u2019int\u00e8gre \u00e0 l\u2019analyse.<\/span><\/p>\n

Prendre du recul dans l’analyse de la performance<\/span><\/h2>\n

Etude du probl\u00e8me<\/strong><\/h3>\n

On se dit souvent que quand le nombre de sessions baisse ou augmente cela est d\u00fb aux tendances du march\u00e9, mais nous avons souvent tendance \u00e0 garder cette r\u00e9flexion de mani\u00e8re qualitative. Pendant la crise du Covid par exemple, qui avec les confinements, a grandement impact\u00e9 de nombreux march\u00e9s web, bien des analystes et directeurs ecommerce ont dit : \u00ab C\u2019est \u00e0 cause de l\u2019effet Covid \u00bb. Les analyses hebdomadaires, mensuelles ou par rapport \u00e0 l\u2019ann\u00e9e pr\u00e9c\u00e9dente n\u2019\u00e9taient alors plus r\u00e9ellement \u00ab exploitables \u00bb. C\u2019est dommage, car il suffit de prendre en compte un indicateur du march\u00e9 pour rendre ce contexte qualitatif en une donn\u00e9e qualitative, et faire la part des choses entre contexte march\u00e9 et performance de l\u2019entreprise. <\/span><\/p>\n

Alors comment peut-on analyser les variations de chacun des indicateurs tout en ayant du recul sur l\u2019\u00e9volution du march\u00e9 dans lequel vous \u00e9voluez ?<\/span><\/p>\n

Essayons donc de quantifier l\u2019effet de la tendance du march\u00e9 pour interpr\u00e9ter de mani\u00e8re plus pertinente les variations de vos indicateurs de performance.<\/span><\/p>\n

Construire un indicateur de part de march\u00e9<\/strong><\/h3>\n

Selon ce que vous suivez comme indicateur d\u2019entr\u00e9e en volume sur votre site, que ce soit le nombre de sessions ou d\u2019utilisateur quand vous analysez votre tunnel de conversion ou le co\u00fbt de vos campagnes quand vous \u00e9tudiez des probl\u00e9matiques d\u2019acquisition, il est possible de cr\u00e9er un indicateur qui sera le ratio entre cette m\u00e9trique d\u2019entr\u00e9e et la valeur de la tendance march\u00e9 qui d\u00e9pend de votre source :<\/span><\/p>\n

\"\"<\/p>\n

Construire<\/span> l’\u00e9quation de march\u00e9<\/span><\/h3>\n

Comme souvent chez DataMa, nous allons utiliser l\u2019approche d\u2019\u00ab \u00e9quation de march\u00e9<\/a> \u00bb. C\u2019est une approche analytique qui permet de relier math\u00e9matiquement des indicateurs entre eux. Dans notre exemple, elle s\u2019\u00e9crit comme suit : <\/span><\/p>\n

\"\"<\/p>\n

DataMa va alors prendre en compte l\u2019impact de la tendance du march\u00e9 et regarder en cons\u00e9quence les variations des autres indicateurs.<\/span><\/p>\n

Constituer la donn\u00e9e source<\/strong><\/h3>\n

L\u2019indice de march\u00e9 peut \u00eatre g\u00e9n\u00e9r\u00e9 de mani\u00e8re plus ou moins pr\u00e9cise selon les sources que vous avez \u00e0 disposition.<\/span><\/p>\n

Il existe des sources payantes, extr\u00eamement performantes (DataMa est partenaire avec FoxIntelligence ou Nielsen par exemple mais on peut aussi citer Similar Web, SEM Rush etc), mais aussi des sources gratuites parfois largement suffisantes pour des besoins g\u00e9n\u00e9raux, comme Google trends par exemple.<\/span><\/p>\n

Pour construire votre indice de part de march\u00e9, vous allez devoir extraire la donn\u00e9e de cette source par date et la combiner avec celle de vos donn\u00e9es analytiques issues par exemple de Google Analytics.<\/span><\/p>\n

Prenons par exemple le cas d\u2019un site de vente de voyage qui souhaite analyser la performance de ses ventes entre mars et avril 2020 lors du premier confinement:<\/span><\/p>\n

C\u00f4t\u00e9 Google Trends, nous r\u00e9cup\u00e9rons les donn\u00e9es du mot \u00ab voyage \u00bb en France. C\u2019est un bon proxy de l\u2019indice de march\u00e9 : <\/span><\/p>\n

\"\"<\/figure>\n

C\u00f4t\u00e9 Google analytics, nous s\u00e9lectionnons les dimensions et les m\u00e9triques utiles : dans notre exemple nous allons suivre le tunnel de conversion du site de notre agence de voyage, qui se d\u00e9compose de mani\u00e8re tr\u00e8s simple en sessions, r\u00e9servations puis en transactions qui se mat\u00e9rialisent sous forme de revenu. <\/span><\/p>\n

Via DataMa Prep nous pouvons automatiser le processus, en utilisant les connecteurs Google Trends et Analytics et la fonction \u00ab append \u00bb. Elle pourra ainsi \u00eatre mise \u00e0 jour automatiquement de mani\u00e8re r\u00e9guli\u00e8re. <\/span><\/p>\n

Nous obtenons alors le flow suivant, o\u00f9 la donn\u00e9e Google Analytics vient se \u00ab coller \u00bb sous la donn\u00e9e Google Trends :<\/span><\/p>\n

\"\"<\/figure>\n

Voir la source<\/a><\/p>\n

Analyser l\u2019\u00e9cart de performance<\/span><\/strong><\/h2>\n

En mod\u00e9lisant la source dans le module DataMa Compare<\/a> en la connectant sous forme de \u00ab Waterfall \u00bb, regardons quels insights pouvons-nous en tirer pour expliquer l\u2019\u00e9volution des revenus entre les mois de mars et avril : <\/span><\/p>\n

\"\"
1. La premi\u00e8re remarque qui saute aux yeux, est la chute de l\u2019indice du march\u00e9 de -44,1%, ce qui correspond \u00e0 la repr\u00e9sentation directe de l\u2019impact du confinement en France sur la tendance du march\u00e9. <\/span><\/p>\n

2. La seconde est que notre tunnel de conversion bien qu\u2019en baisse, ne se comporte pas si mal par rapport \u00e0 la tendance du march\u00e9 avec une baisse de seulement -23%, soit une compensation 21% due \u00e0 une meilleure performance des \u00e9tapes acquisition de sessions par rapport aux tendances du march\u00e9 et un plus grand panier moyen. <\/span><\/p>\n

Sans prendre en compte la tendance du march\u00e9, l\u00e0 o\u00f9 nous aurions pu voir un probl\u00e8me d\u2019acquisition avec une perte de -32,7%, comme indiqu\u00e9 sur la waterfall ci-dessous qui exclue l\u2019effet des tendances du march\u00e9<\/span><\/p>\n