Accueil » Data » Comment analyser le chiffre d’affaires mensuel avec GA4 et BigQuery ?

Comment analyser le chiffre d’affaires mensuel avec GA4 et BigQuery ?

/ Data / Par /

L’analyse cohortale avec GA4 et BigQuery permet de suivre précisément le chiffre d’affaires mois par mois après l’acquisition clients. Cette méthode révèle les tendances cachées du comportement d’achat, essentielle pour optimiser vos campagnes marketing et booster votre ROI.

3 principaux points à retenir.

  • La cohorte mensuelle offre une vision claire de la performance client dans le temps.
  • BigQuery associé à GA4 facilite l’extraction et l’analyse détaillée des revenus par acquisition.
  • L’analyse mois par mois éclaire les phases critiques d’engagement et de valeur client.

Qu’est-ce qu’une analyse cohortale et pourquoi l’utiliser pour le chiffre d’affaires ?

L’analyse cohortale, c’est quoi au juste ? Imaginez un groupe de clients qui achètent votre produit pour la première fois. Si vous les regroupez selon leur date d’acquisition, c’est ça, l’analyse cohortale. Elle permet d’observer comment ces groupes se comportent au fil du temps. Contrairement aux métriques classiques qui ne disent que « combien », l’analyse cohortale révèle des « pourquoi » cachés derrière les chiffres et les tendances invisibles dans des agrégats globaux.

Pensons un instant à l’e-commerce. Vous avez lancé une campagne marketing en mars, et vous souhaitez comprendre comment les clients acquis à cette période se comparent à ceux des mois précédents. Grâce à l’analyse cohortale, vous saurez si vos récents clients dépensent plus ou moins que ceux des autres mois, comment leur comportement évolue, et surtout, quelles stratégies marketing sont efficaces.

Voici quelques avantages clés à en tirer :

  • Mesurer la valeur à vie des clients : En suivant les revenus générés par chaque cohorte, vous pouvez calculer la Customer Lifetime Value (CLV), un indicateur crucial pour déterminer la rentabilité de votre stratégie d’acquisition.
  • Affiner les stratégies marketing : Si vous découvrez que certaines cohortes dépensent plus que d’autres, cela indique que votre campagne a captivé une audience spécifique, permettant ainsi d’ajuster vos futurs efforts promotionnels.
  • Optimiser le coût d’acquisition : En identifiant les périodes où vous avez acquis les clients les plus rentables, vous pouvez mieux cibler vos investissements publicitaires.

Illustrons cela avec un exemple concret. Une boutique en ligne de chaussures a remarqué que les clients acquis en période de soldes de fin d’année étaient plus susceptibles de revenir. En analysant les revenus par cohorte, ils ont découvert qu’une campagne de retargeting, lancée un mois après leur premier achat, a particulièrement bien fonctionné pour cette cohorte. Cela a non seulement augmenté le chiffre d’affaires, mais a aussi affirmé la stratégie marketing ciblée.

Pour approfondir vos connaissances sur ce sujet fascinant, je vous invite à consulter cet article qui fait le point sur l’analyse de cohorte : Qu’est-ce que l’analyse de cohorte et comment l’utiliser ?.

En somme, l’analyse cohortale se révèle être un outil puissant pour les entreprises d’e-commerce qui cherchent à comprendre et à améliorer leur performance. Dites adieu aux analyses superficielles et plongez dans une compréhension en profondeur de votre clientèle.

Comment mettre en œuvre une analyse mensuelle du revenu avec GA4 et BigQuery ?

Pour analyser le chiffre d’affaires mensuel avec GA4 et BigQuery, il est essentiel de comprendre l’architecture SQL qui se cache derrière cette méthode. L’analyse se fait via trois CTEs (Common Table Expressions) qui isolent la date d’acquisition et les revenus achat par achat. Embarquons ensemble dans cette explication!

CTE 1 : first_touch

Le premier CTE est le first_touch, qui pose les bases de notre analyse en déterminant la première interaction de chaque utilisateur avec notre site. Voici comment il fonctionne :

  • Il identifie chaque utilisateur grâce à leur user_pseudo_id.
  • Il utilise la fonction MIN() pour repérer le timestamp de leur premier événement.
  • Enfin, il extrait la date de la première interaction pour assigner les utilisateurs à un jour de cohorte.

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
),

CTE 2 : purchase_events

Le second CTE, purchase_events, se concentre sur les événements d’achat. On filtre ici toutes les transactions pour les analyser :

  • Il extrait l’user_pseudo_id, le timestamp d’achat et le montant de la transaction.
  • Il assure que seuls les événements ayant l’appellation purchase soient considérés.

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'
),

CTE 3 : cohort_revenue

Le troisième CTE, cohort_revenue, fusionne les données des deux CTE précédents :

  • Il relie les utilisateurs à leurs achats en se basant sur user_pseudo_id.
  • Il calcule le nombre de mois écoulés depuis l’acquisition, un aspect crucial pour comprendre l’évolution des revenus :

cohort_revenue AS (
  SELECT
    ft.user_pseudo_id,
    ft.cohort_day,
    EXTRACT(MONTH FROM ft.cohort_day) AS acquisition_month,
    EXTRACT(YEAR FROM ft.cohort_day) AS acquisition_year,
    pe.purchase_day,
    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,
    pe.revenue
  FROM
    first_touch ft
  JOIN
    purchase_events pe
  ON
    ft.user_pseudo_id = pe.user_pseudo_id
)

Cette architecture SQL nous permet d’analyser les revenus mois par mois, en obtenant une vision claire sur l’évolution des comportements des clients depuis leur acquisition. Vous pouvez expérimenter avec des datasets échantillons GA4 publics pour affiner votre compréhension. Pour plus d’informations au sujet de Google Analytics et BigQuery, consultez cet article.

Comment interpréter et visualiser les résultats pour exploiter l’analyse cohortale ?

Analyser des résultats bruts issus de SQL peut sembler une tâche ardue, mais avec un peu de méthode, cela devient un véritable jeu d’enfant. Quand on parle d’analyse cohorte, l’objectif est d’exploiter la puissance des données pour donner du sens à ce chiffre d’affaires. Alors, comment s’y prendre ?

  • Totaliser les revenus par cohorte et par mois post-acquisition : Comme évoqué précédemment, une fois que vous avez extrait vos données avec la requête SQL, l’étape critique est de totaliser les revenus pour chaque cohorte. Cela vous permettra de voir comment chaque groupe de clients contribue à votre chiffre d’affaires au fil des mois. Cela se fait par la commande SUM(revenue) dans votre requête, comme montré dans le code précédent.
  • Calculer le revenu moyen par utilisateur : En parallèle, vous allez vouloir déterminer la valeur moyenne que chaque utilisateur génère. En divisant le total des revenus par le nombre d’utilisateurs distincts, la commande ROUND(SUM(revenue) / COUNT(DISTINCT user_pseudo_id), 2) vous donnera un aperçu clair de la dépenses moyenne, ce qui est essentiel pour ajuster vos stratégies marketing.

Après avoir mis en place ces calculs, le vrai plaisir commence avec la visualisation dans Google Sheets. Créez un tableau croisé dynamique pour synthétiser l’information. Importez les résultats issus de BigQuery et selectionnez les données pertinent. Les tableaux croisés dynamiques vous permettent d’effectuer des analyses plus approfondies, en vous aidant à trier les informations par mois, par cohortes, et même par valeurs de revenus.

Mais ce n’est pas tout. En intégrant une mise en forme conditionnelle, vous pouvez rapidement détecter les cohortes à forte performance. Par exemple, colorez les cellules qui dépassent une certaine valeur de revenu pour visualiser instantanément vos groupes les plus rentables. Cela facilite l’identification de tendances intéressantes, surtout si certains mois se démarquent. Pensez aussi à réfléchir aux facteurs tels que les campagnes marketing ou les saisons. Les éléments extérieurs peuvent influencer considérablement les performances de vos cohortes.

Essentiel : versez un œil sur les tableaux de synthèse que vous pouvez établir par la suite, incorporant des indicateurs clés comme le taux de rétention, la valeur vie du client et le coût par acquisition.

Pour vous plonger davantage dans ces analyses et découvrir des ressources utiles sur la cohorte d’analyse, vous pouvez consulter cet article. Cela pourrait vous donner un autre angle pour interpréter vos données et affiner votre stratégie.

Comment cette analyse cohortale mensuelle éclaire-t-elle vos décisions marketing et financières ?

L’analyse cohortale mensuelle avec GA4 et BigQuery ne se limite pas à une simple mesure des revenus. Elle offre une vraie granularité temporelle qui révèle la santé de vos clients au fil du temps et la performance réelle de vos campagnes d’acquisition. Comprendre quand et comment vos clients génèrent du chiffre d’affaires permet d’ajuster précisément vos investissements et stratégies. En maîtrisant cette méthode, vous transformez des données brutes en leviers concrets pour augmenter la valeur client et, au final, votre business.

FAQ

Qu’est-ce qu’une cohorte dans l’analyse GA4 ?

Une cohorte est un groupe d’utilisateurs segmentés selon un critère commun, souvent la date d’acquisition, afin de suivre leurs comportements et revenus dans le temps.

Pourquoi utiliser BigQuery pour analyser les données GA4 ?

BigQuery permet d’exécuter des requêtes SQL avancées sur des volumes importants de données GA4, facilitant des analyses complexes comme celle des cohortes par revenus mensuels.

Comment calculer les mois depuis l’acquisition dans l’analyse cohortale ?

On extrait l’année et le mois des dates d’acquisition et d’achat, puis on calcule la différence en mois en intégrant la différence d’années pour obtenir un décalage précis en mois.

Comment interpréter les résultats d’une analyse cohortale mensuelle ?

On observe l’évolution du revenu total et moyen par utilisateur au fil des mois suivant l’acquisition, ce qui indique la rétention, l’engagement et la valeur client sur le temps.

Quels sont les pièges à éviter avec l’analyse cohortale ?

Ne pas tenir compte des effets saisonniers ou promotions ponctuelles ni analyser des cohortes avec trop peu de données peut fausser les conclusions. Toujours contextualiser les résultats.

 

 

A propos de l’auteur

Franck Scandolera, expert en Web Analytics et Data Engineering, dirige l’agence webAnalyste et forme régulièrement aux outils GA4, BigQuery et automatisation. Fort de plus de dix ans d’expérience, il accompagne agences et e-commerces à transformer leurs données en insights opérationnels, prônant des solutions robustes, conformes au RGPD et orientées résultats métiers.

Défiler vers le haut