analytics-marketing

name	analytics-marketing
description	Analytics Marketing — mesure, analyse et optimisation des performances marketing via GA4, Mixpanel, attribution, cohortes, funnel et tableaux de bord
category	business

Analytics Marketing

Compétence de niveau expert en analyse marketing — mesure de la performance, attribution, segmentation, analyse de cohortes, modélisation prédictive et data storytelling.

1. Fondamentaux de la Mesure Marketing

Cadres de Mesure

• Modèle AIDA : Attention → Interest → Desire → Action
• Modèle RACE : Reach → Act → Convert → Engage
• Pirate Metrics (AARRR) : Acquisition → Activation → Retention → Revenue → Referral
• Modèle MMM (Media Mix Modeling) : Analyse macro des canaux publicitaires agrégés
• Attribution multi-touch : Comprendre la contribution de chaque touchpoint dans le parcours

Frameworks de KPIs

• HEART Framework (Google) : Happiness, Engagement, Adoption, Retention, Task success
• PULSE : Page views, Uptime, Latency, Seven-day active users, Earnings
• GSM : Goals → Signals → Metrics (Design Thinking)
• OKRs : Objectives and Key Results alignés marketing/business
• Balanced Scorecard : Financier, Client, Processus internes, Apprentissage

2. Google Analytics 4 (GA4)

Architecture GA4

• Events : page_view, scroll, click, purchase — événements riches avec paramètres
• Dimensions & Metrics : Dimensions personnalisées, métriques calculées
• Users : Identifiants utilisateur (User-ID), Google Signals (données cross-device)
• Properties : Propriétés GA4, sous-propriétés, roll-up properties (GA4 360)
• BigQuery Export : Export brut des événements vers BigQuery pour analyses avancées

Rapports Essentiels

• Acquisition : Trafic organique, payant, social, direct, referral, email
• Engagement : Pages vues, temps moyen, engagement rate, événements
• Monétisation : Achats, revenus, objets consultés, LTV prédictive
• Rétention : Rétention J1, J7, J30, retour des utilisateurs
• E-commerce : Entonnoir d'achat (view item → add to cart → checkout → purchase), revenu par article
• Explorations : Rapports ad-hoc (funnel, segment overlap, cohort, path, user lifetime)

Configuration Avancée

• Enhanced Measurement : Scrolls, outbound clicks, site search, video engagement, file downloads
• Conversions : Marquer des événements comme conversions (purchase, sign_up, lead, submit_form)
• Audiences : Segments utilisateurs exportables vers Google Ads (remarketing)
• Custom Events & Parameters : Événements métier spécifiques avec paramètres personnalisés
• DebugView : Tester les événements en temps réel

Intégrations

• Google Ads : Import de conversions, remarketing, bid adjustments
• Google Search Console : Requêtes, impressions, clics, position
• BigQuery : SQL brut, jointures avec données CRM, modèles ML
• Google Optimize (fin mars 2024) : Google Optimize disparu — alternatives : AB Tasty, VWO, Optimizely

3. Analyse d'Attribution

Modèles d'Attribution

• First Touch : 100% du crédit au premier point de contact
• Last Touch : 100% au dernier point de contact avant conversion (modèle par défaut GA4)
• Last Non-Direct Click : Ignore les visites directes, crédite le dernier canal non direct
• Linear : Distribution égale entre tous les touchpoints
• Time Decay : Plus de poids aux interactions récentes (attribution temporelle)
• Position Based (U-Shaped) : 40% first, 40% last, 20% middle
• Data Driven : Modèle algorithmique de Google (apprentissage automatique)

Analyse Multi-Canal

• Cross-channel paths : Parcours utilisateur multi-canal (ex: Email → Organic → Social → Paid Search)
• Assisted conversions : Conversions assistées par un canal sans être le dernier
• Conversion paths : Rapport GA4 > Advertising > Conversion Paths
• Time lag : Temps entre le premier touchpoint et la conversion
• Attribution gaps : Canaux non trackés (hors ligne, dark social, messageries)

Outils d'Attribution

• GA4 Model Comparison Tool : Comparer les modèles d'attribution
• Google Ads Attribution : Modèles d'attribution pour les campagnes Ads
• Mixpanel / Amplitude : Attribution comportementale
• Rockerbox / Northbeam / Triple Whale : Attribution multi-touch avancée
• MMM : Media Mix Modeling (Meta Robyn, Google Lightweight MMM, Recast)

4. Analyse de Cohorte et Funnel

Cohorte Analysis

• Time cohorts : Utilisateurs groupés par date d'acquisition (semaine, mois)
• Behaviour cohorts : Utilisateurs groupés par action (sign_up, first_purchase)
• Size cohorts : Taille de la cohorte, rétention absolue et relative
• Rétention curve : % d'utilisateurs revenant à J1, J7, J30, J90
• Revenue cohorts : ARPU par cohorte, LTV cumulé

Funnel Analysis

• Entonnoir de conversion : Étapes du parcours client (visite → inscription → activation → achat)
• Drop-off points : Où les utilisateurs abandonnent — optimiser les étapes faibles
• Abandonment rate : Taux d'abandon entre chaque étape
• Step-by-step analysis : Comparaison des taux de passage d'une étape à l'autre
• Funnel segmentation : Comparer des segments (mobile vs desktop, payant vs organique)

Path Analysis

• User flow : Chemins les plus fréquents dans le site/app
• Sankey diagram : Visualisation des flux entre pages/actions
• Most common paths : Chemins les plus courants vers la conversion
• Drop-off before conversion : Dernière page/action avant l'abandon
• Loop counter : Cycles dans les parcours (retour à une étape antérieure)

5. Segmentation Client

Approches

• Démographique : Âge, sexe, revenu, localisation, éducation
• Comportementale : Fréquence d'achat, type de produit, engagement, canal préféré
• Psychographique : Personnalité, valeurs, style de vie, intérêts
• Firmographique (B2B) : Taille entreprise, secteur, chiffre d'affaires, décideur
• Lifecycle stage : Prospect, lead, MQL, SQL, client actif, client perdu
• RFM : Récence, Fréquence, Montant — segment par valeur client

Analyse de Segments

• Segment comparison : Comparer KPIs entre segments (taux de conversion, AOV, rétention)
• Segment overlap : Chevauchement de segments, hiérarchie
• Lookalike / Similar segments : Audiences similaires pour acquisition (Facebook, Google)
• Segment profitability : Marge par segment, CAC, LTV
• Personalization : Contenu, offre, canal adapté à chaque segment

6. Tableaux de Bord et Data Storytelling

Conception de Dashboard

• Principes de Tufte : Data-ink ratio, chartjunk, small multiples
• Hiérarchie visuelle : KPIs en haut, détails en bas
• Couleurs : Palette limitée, utilisation sémantique (vert = bon, rouge = mauvais)
• Interactivité : Filtres, drill-down, date picker (Looker Studio, Metabase, Tableau)
• Performance : Temps de chargement < 3s, agrégation par jour/semaine/mois

Outils de Dashboard

• Google Looker Studio : Gratuit, connecteurs Google (GA4, Ads, GSC, Sheets)
• Tableau / Power BI : Entreprise, SQL, connecteurs multiples
• Metabase / Superset : Open source, SQL-based
• Mixpanel / Amplitude : SaaS analytics avec dashboards natifs
• Custom dashboards : React + D3.js, Grafana, Plotly Dash

Data Storytelling

• Narrative structure : Contexte → Problème → Analyse → Recommandation → Impact
• Visualisation : Choisir le bon chart (barres pour comparaison, lignes pour tendances, scatter pour corrélation)
• Annotations : Marquer les événements clés (campagnes, changements produit)
• Key takeaway : Un seul message principal par slide
• Call to action : Recommandation claire et chiffrée

7. Modélisation Avancée

Marketing Mix Modeling (MMM)

• Objectif : Mesurer l'impact de chaque canal publicitaire sur les ventes à un niveau agrégé
• Variables : Dépenses pub (TV, radio, print, digital), saisonnalité, économie
• Modèle : Régression linéaire, Bayesian MMM (Robyn de Meta, Lightweight MMM de Google)
• Output : ROI par canal, saturation curves, elasticité
• Limites : Données agrégées, pas d'attribution individuelle, besoin de 2-3 ans de données

Customer Lifetime Value (LTV)

• Méthode simple : ARPU × Durée de vie moyenne
• Méthode cohorte : Revenue cumulé par cohorte à T+N mois
• Méthode prédictive : Modèle ML (RFM, régression, survie, BG/NBD, Gamma-Gamma)
• Segmentation LTV : High value vs low value, stratégies différenciées
• Incremental LTV : LTV incrémental dû au marketing vs croissance organique

Churn Prediction

• Features : Fréquence d'utilisation, support tickets, NPS, temps depuis dernière action, pagination
• Modèles : Régression logistique, Random Forest, XGBoost, Survival Analysis
• Métriques : AUC-ROC, Precision-Recall, F1-score, lift
• Intervention : Campagne de rétention ciblée, offres personnalisées
• Early warning : Détection précoce des signaux de churn

8. Pièges et Bonnes Pratiques

• Vanity metrics : Ne pas confondre volume (pages vues) avec valeur (conversions)
• Corrélation ≠ Causalité : Valider avec A/B tests, causal inference
• Tracking gaps : Checker les événements manquants, doublons, fuites de données
• Données non nettoyées : Bots, spam, trafic invalide — filtrer avec GA4 + IP exclusions
• Sampling : GA4 standard = pas de sampling, GA4 360 = sampling possible sur gros volumes
• Time zone : Cohérence des fuseaux horaires entre sources de données
• Cohorte trop petite : Minimum 100 utilisateurs par cohorte pour significativité
• Surveiller les changements : Mises à jour GA4, nouvelles régulations RGPD, évolution des cookies tiers