Consultez l’introduction de notre série sur les données customer-centric ici.
Pour ce premier article de blog de notre série sur les différentes façons d’utiliser les données et d’aider les marques à construire une vision customer-centric, notre partenaire Aimee Bos, VP analytics and data strategy chez Zion & Zion, et Hubert Wassner, Chief Data Scientist chez AB Tasty, se penchent sur la façon dont les données issues de l’expérimentation peuvent vous aider à mieux comprendre vos clients. Ils explorent le qui, le quoi et le quand des tests, discutent des indicateurs clés de la connaissance du client, de l’importance de la taille de l’audience, de l’endroit où se cachent vos meilleures idées de tests, et plus encore.
Pourquoi l’expérimentation est-elle importante pour comprendre les clients ?
En termes simples, l’expérimentation permet aux marques de « perfectionner » leurs produits. En améliorant la valeur déjà développée, l’expérience client est optimisée. Et chaque fois qu’une nouvelle fonctionnalité ou option est ajoutée à un produit, des A/B tests réguliers garantissent des réactions cohérentes de la part des clients. L’expérimentation fonctionne comme une boucle fermée de feedbacks de la part des clients, allant au-delà des conversions ou de l’acquisition, améliorant l’adoption et la rétention, pour finalement rendre votre produit indispensable à vos clients.
Quels sont les indicateurs clés qui fournissent les meilleures informations sur les clients ?
Hubert répond : « En principe, les indicateurs qui fournissent des informations fiables sur les clients sont le taux de conversion et la valeur moyenne du panier, segmentés selon des critères significatifs tels que la géolocalisation ou les données CRM. Mais il y en a d’autres qui sont intéressants, comme le revenu par visiteur (RPV). C’est une métrique à faible valeur mais importante à surveiller. »
« Et la valeur moyenne des commandes (AOV) en est un autre. Cette mesure varie énormément dans le temps, il ne faut donc pas la prendre pour argent comptant. La saisonnalité (pensez à Noël ou au Black Friday, par exemple), ou même un gros acheteur peuvent fausser les statistiques. Il faut l’examiner dans de multiples contextes pour mieux comprendre les progrès accomplis, non seulement d’une année sur l’autre, mais aussi d’un mois sur l’autre et même d’une semaine sur l’autre, afin d’obtenir un calcul juste. »
« L’AOV et le RPV sont importants car leur omission peut fausser les données. Les gens oublient souvent d’analyser les mesures concernant les visiteurs qui ne convertissent pas. Bien sûr, l’AOV ne vous donne des données que sur ceux qui vont jusqu’au bout du cycle d’achat. »
Et Aimee est d’accord : « Le taux de conversion, bien sûr. Pour le e-commerce, il s’agit des conversions, de la valeur, du RPV, de la façon dont ils font bouger l’aiguille, augmentent-ils la valeur de la commande moyenne ? Nous voulons autant de données que possible au niveau le plus granulaire possible pour la génération de leads, le gated-content et les micro-conversions… Ces petits tests peuvent être liés à des indicateurs orientés client, par opposition à des indicateurs plus importants au niveau de l’entreprise, comme le revenu, la croissance, le nombre de clients, le retour sur investissement, etc. »
Où sont les meilleures sources d’idées pour l’expérimentation ?
Aimee a sa propre façon de faire. « Je commence par me demander quels sont mes objectifs commerciaux (micro/macro). Ensuite, je consulte Google Analytics et j’identifie où les conversions n’ont pas lieu. Pour trouver des idées d’expérimentation, je consulte des outils comme HotJar, les données de la Voix du Client (VoC), les données Qualtrics, les commentaires réels des clients, les panélistes utilisateurs : donnez-leur des choix, demandez-leur ce qu’ils préfèrent. Faites toujours des hypothèses sur les points de friction, elles vous donneront vos meilleures idées pour les tests ! »
Hubert aime puiser ses idées dans le NPS. « Le Net Promoter Score (NPS) contient des informations et des commentaires utiles et peut être un bon point de départ pour des hypothèses, plutôt que de faire des suppositions aléatoires qui sont une perte de temps. Le NPS peut ajouter une réelle orientation à des tests bien conçus. Il est basé sur une seule question : Sur une échelle de 0 à 10, quelle est la probabilité que vous recommandiez le produit ou le service de cette entreprise à un ami ou à un collègue ? Le NPS est un bon moyen d’identifier les domaines à améliorer, mais comme indicateur du score CX d’une entreprise, il doit être associé à des informations qualitatives pour comprendre le contexte derrière le score. »
Comment faire pour prendre en compte toutes ces informations ? De quoi ai-je besoin pour réaliser mes tests ?
Il est évident que vous avez besoin d’un outil pour exécuter vos A/B tests et pour collecter les données nécessaires à la formulation de bonnes hypothèses. Un bon moyen de donner un coup de pouce à votre programme de tests – et de contribuer à un meilleur ROI – est d’utiliser des outils tels que Contentsquare ou Fullstory, qui offrent davantage de données sur le comportement et l’expérience des clients et vous aident à cibler vos données de test. Conçues pour combler le fossé entre les expériences digitales que les entreprises pensent offrir à leurs clients et ce qu’elles offrent réellement, les plateformes d’analyse proposent de réelles opportunités d’hypothèses de test utiles, grâce à des suppositions plus éclairées sur les variables à tester pour améliorer le CX.
Aimee a également une remarque importante à propos de la collecte initiale de données. « Vous avez également besoin de trois mois de données avant de commencer les tests si vous voulez des résultats fiables, et vous devez être sûr que celles-ci sont exactes. La plupart des gens s’appuient sur Google Analytics (GA). C’est beaucoup de données à gérer et à organiser. Une plateforme de données clients (CDP) représente un investissement important, mais la centralisation de vos données à un seul endroit est extrêmement utile pour la segmentation des clients et l’analyse détaillée. Plus tôt vous pourrez investir dans un outil tel qu’une CDP, mieux ce sera pour une stratégie d’architecture de données durable. »
Je suis prêt à tester, mais j’ai plusieurs hypothèses. Par où commencer ?
Selon Aimee, « lorsque cela se produit, nous divisons les grands problèmes en plus petits. Nous avons un client qui veut tripler son activité et qui veut aussi se procurer une CDP cette année, parmi d’autres objectifs. C’est beaucoup ! Pour l’aider, nous établissons une feuille de route du parcours client pour voir ce qui influence ses objectifs. Nous sélectionnons cinq ou six objectifs de haut niveau (page de destination, navigation mesurée par rapport au taux de clics…), puis nous testons divers aspects de chacun de ces objectifs. »
Hubert fait remarquer qu’ « il est possible de tester plus d’une hypothèse à la fois si la taille de votre échantillon est suffisamment grande. Mais d’abord, vous devez savoir quelle est la puissance statistique de votre expérience. Les échantillons de petite taille ne peuvent détecter que des effets importants : il est important de connaître l’ordre de grandeur afin de mener des expériences significatives. Il est toujours préférable de tester vos variables sur un large public, aux comportements et aux besoins variés, afin d’obtenir les résultats les plus fiables et les plus éclairés possibles. »
Y a-t-il un intérêt à mener des expériences de collecte de données (par opposition à l’amélioration de la conversion ou à l’obtention d’un indicateur spécifique) ?
Hubert croit fermement qu’il faut tester, peu importe ce que vous pensez qu’il peut arriver. « Les tests sont toujours utiles car un bon test vous apprend quelque chose, vous en apprenez quelque chose, que vous gagniez ou perdiez, du moment que vous avez une hypothèse. Par exemple, mesurer l’effet d’un élément de vente (supposé) (comme une publicité ou une vente) est utile. Vous savez combien coûte une publicité ou une vente, mais sans expérimentation, vous ne savez pas combien elle rapporte. »
« Disons que vous avez un taux de réussite de 100 %. Cela signifie que vous n’apprenez plus rien. Alors vous testez pour acquérir de nouvelles informations dans d’autres domaines, vous ne restez pas immobile. Vous minimisez les pertes pour maximiser les gains. »
Vous voulez en savoir plus sur les données ? Rendez-vous ici pour le deuxième volet de notre série sur les données customer-centric !