Comment analyser les revenus mois par mois après acquisition avec GA4 et BigQuery ?

L’analyse des revenus par cohorte mois après mois avec GA4 et BigQuery déploie une vision claire sur la valeur long terme des clients acquis. Comprenez comment cette méthode affine la stratégie marketing en scrutant précisément l’évolution du chiffre d’affaires sur la durée.

3 principaux points à retenir.

• Comprendre la cohorte : segmenter les clients selon leur mois d’acquisition pour suivre leur comportement dans le temps.
• SQL BigQuery précis : un script clair pour extraire, joindre et analyser les données GA4 de manière temporelle.
• Visualisation et décisions : utiliser pivot tables pour transformer ces données en insights exploitables sur la rentabilité et l’efficacité des campagnes.

Qu’est-ce qu’une analyse de cohorte et pourquoi l’utiliser en ecommerce ?

L’analyse de cohorte est un outil prédominant en e-commerce, permettant de segmente les clients selon leur date d’acquisition pour suivre leur comportement financier dans le temps. Cette technique permet d’aller au-delà des simples métriques, offrant une vue d’ensemble des tendances qui pourraient rester camouflées derrière des chiffres globalisés. En effet, en observant comment certains groupes de clients se comportent au fil des mois, les e-commerçants peuvent dégager des insights précieux, allant de l’optimisation de leur marketing à une meilleure gestion de leur budget.

Un exemple frappant ? Imaginons une boutique en ligne de vêtements. Les responsables marketing de l’entreprise sont souvent focalisés sur le chiffre d’affaires global du mois. À première vue, tout semble plutôt normal… Mais en plongeant dans une analyse de cohorte, ils découvrent que les clients acquis pendant une campagne de printemps génèrent des revenus deux fois plus élevés six mois après leur première commande que ceux acquis pendant d’autres périodes ! Si l’entreprise ne s’était pas aventurée dans l’analyse de cohorte, cette information stratégique aurait pu leur échapper. Une telle méprise pourrait freiner des opportunités d’optimisation et de réimposition de campagnes marketing ciblées, basées sur des résultats réels.

En effet, l’avantage clé de l’analyse de cohorte réside dans sa capacité à transformer des données brutes en stratégies concrètes. Cela aide non seulement à anticiper les revenus récurrents, mais également à modifier les approches en temps réel pour maximiser le retour sur investissement marketing. Une étude approfondie révèle que l’engagement client ne se limite pas à la première transaction, mais s’étend bien au-delà. C’est dans cette longévité que l’on comprendre la véritable valeur du client.

Découvrez égalementQuels conteneurs Docker pour une petite entreprise rentable?

Cette méthode devient d’autant plus indispensable à mesure que la concurrence s’intensifie, poussant les sociétés à s’interroger sur de nouvelles façons de capturer et de fidéliser leur audience. L’obsession des métriques agrégées, souvent trompeuses, peut conduire à des erreurs de stratégies. Savoir où implanter ses efforts devient alors primordial. Pour approfondir ce sujet, découvrez les ressources sur l’analyse des cohortes pour les entreprises.

Comment exploiter GA4 et BigQuery pour analyser les revenus par mois post-acquisition ?

Pour plonger dans l'analyse des revenus mois par mois après acquisition, on s'appuie sur la puissance de GA4 couplée à BigQuery. Voici une décomposition précise de la requête SQL qui sous-tend cet exercice.

Commençons par le CTE initial : first_touch. Ce premier segment de code est crucial. Il permet d’extraire la première interaction de chaque utilisateur avec le site :


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
)

Dans cette partie, pour chaque user_pseudo_id, nous récupérons le timestamp de la première interaction grâce à la fonction MIN(). Cela nous donne non seulement un point de départ, mais aussi la date à laquelle chaque utilisateur a rejoint notre base – sa cohorte.
Découvrez égalementQuels patterns analytiques maîtriser en data science ?
Ensuite, nous avançons vers le CTE suivant : purchase_events. Ce segment isole les événements d’achat et les revenues :

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'
)

Nous filtrons ici pour ne garder que les achats, extrayant ainsi les détails nécessaires – du temps d'achat à la date, ainsi que les revenus générés. C'est ici que les données commencent vraiment à prendre forme.
Le cœur de notre analyse réside dans le CTE cohort_revenue. Connectons les points :

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
)

C'est ici que nous unissons les données de première interaction aux données d'achat, en calculant le nombre de mois entre l'acquisition et le premier achat. Cette étape est essentielle pour établir la chronologie des comportements d'achats et des revenus par cohorte.
Découvrez égalementQuels sont les meilleurs cours SQL gratuits avec certificat ?
Le SELECT final nous fournit les résultats globaux. Nous obtenons des colonnes telles que cohorte, mois après acquisition, revenus totaux, utilisateurs acheteurs, et revenu moyen par utilisateur. Cela revient à résumer cette riche analyse de manière à la rendre exploitable :

SELECT
  FORMAT_DATE('%Y-%m', cohort_day) AS cohort_month,
  months_after_acquisition,
  ROUND(SUM(revenue), 2) AS total_revenue,
  COUNT(DISTINCT user_pseudo_id) AS purchasing_users,
  ROUND(SUM(revenue) / COUNT(DISTINCT user_pseudo_id), 2) AS average_revenue_per_user
FROM
  cohort_revenue
GROUP BY
  cohort_month, months_after_acquisition
ORDER BY
  cohort_month, months_after_acquisition;

Ce code génère une vue d'ensemble sur la performance des cohortes d'utilisateurs au fil des mois, permettant ainsi de répondre à des questions stratégiques sur le comportement des clients et sur l'efficacité des campagnes marketing. En somme, c'est un outil puissant pour anticiper et améliorer les performances commerciales. Pour aller plus loin sur le fonctionnement de GA4, consultez la documentation officielle ici.

Comment interpréter et visualiser les résultats pour prendre des décisions pertinentes ?
Pour donner vie à vos résultats d’analyse des revenus après acquisition, il est essentiel de savoir comment manipuler et visualiser ces données de manière efficace. Le meilleur outil pour cela ? Google Sheets. Une fois que vous avez extrait vos résultats de BigQuery, copiez-les simplement et collez-les dans une nouvelle feuille de calcul. À partir de là, l’aventure commence.
Découvrez égalementVotre pipeline machine learning est-il vraiment optimisé ?
Construire un tableau croisé dynamique dans Google Sheets vous permet de faire ressortir les tendances qui se cachent derrière les chiffres. Voici comment procéder :

• Insérez un tableau croisé dynamique : Sélectionnez vos données et cliquez sur « Données » > « Tableau croisé dynamique ».
• Ajoutez des dimensions : Par exemple, dans les lignes, placez les mois d’acquisition (ex. : ‘cohort_month’) et dans les colonnes, le nombre de mois après acquisition (ex. : ‘months_after_acquisition’).
• Calculez des valeurs : Ajoutez le total des revenus sous « Valeurs ». Cela vous donnera un aperçu immédiat de la performance de chaque cohorte.

Pensez à intégrer une mise en forme conditionnelle pour mieux identifier les tendances, notamment les pics saisonniers. Cela renforce votre analyse en mettant en lumière les cohortes qui performent particulièrement bien. Par exemple, si votre tableau montre une forte performance pour les cohortes d’été 2024, cela pourrait signifier qu’une campagne marketing spécifique a porté ses fruits. À l’inverse, surveillez les périodes creuses—un pic éphémère peut parfois masquer un problème sous-jacent.

Un faisceau de précautions s’impose lors de l’interprétation des données. Attention aux effets saisonniers : vos revenus peuvent fluctuer à cause des fêtes, comme Black Friday, ou des campagnes ponctuelles. Ne vous laissez pas piéger par un biais lié à la taille des cohortes – plus elles sont petites, moins vos résultats seront statistiquement validés. En effet, certaines fluctuations peuvent apparaître simplement par hasard dans de petites populations.

En fin de compte, ces visualisations ne sont pas qu’un simple exercice académique. Elles vous permettent d’optimiser clairement votre allocation budgétaire et, par extension, d’affiner votre stratégie d’acquisition. En comparant les performances des cohortes au fil du temps, vous serez mieux armé pour savoir où investir vos efforts marketing et éviter les dépenses inutiles. Pour approfondir vos compétences, consultez cet article sur l’optimisation des rapports.

En quoi cette analyse mois par mois optimise-t-elle réellement vos campagnes et revenus ?

L’analyse cohortale mois par mois via GA4 et BigQuery n’est pas un luxe mais un pilier pour comprendre la rentabilité client à long terme. Elle démasque la vraie valeur des acquisitions en révélant leurs performances au fil du temps, offrant une base solide pour ajuster stratégies marketing et commerciales. En adoptant cette approche, vous bénéficiez d’une vision complète et chiffrée qui évite les erreurs courantes liées aux metrics instantanées. Vous améliorez ainsi votre ROI tout en fidélisant plus intelligemment vos clients, bénéfices concrets qui justifient largement son implémentation dans tout e-commerce ambitieux.

FAQ

Découvrez égalementComment la data analytics révolutionne-t-elle la sécurité en entrepôt ?

A propos de l’auteur

Je suis Franck Scandolera, Consultant expert en Web Analytics et Data Engineering depuis plus de 10 ans. En tant que responsable de l’agence webAnalyste et formateur en GA4, BigQuery et automatisation, j’ai accompagné des centaines d’e-commerces à exploiter pleinement leurs données digitalisées, transformer leurs analyses en leviers d’optimisation business et bâtir des infrastructures data robustes et conformes RGPD.

Franck Scandolera

⭐ Analytics engineer, Data Analyst et Automatisation IA indépendant ⭐

• Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

• Data Analyst & Analytics engineering : tracking avancé (GTM server, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
• Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
• Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.