Avant de commencer
L’attribution répond à la question de ce qu’une conversion doit à une interaction Reelevant. L’impact client répond à une autre question : les clients que vous personnalisez valent-ils plus que des clients comparables que vous ne personnalisez pas, et par quel comportement. Ces mesures exigent que le jeu de données d’achats configuré comme source d’attribution dans les Paramètres Analytics porte un identifiant client. Les événements d’achat du site web ne suffisent pas : un navigateur ne sait qui est le visiteur qu’une fois celui-ci identifié, donc les mesures par client sont refusées lorsque votre source d’attribution est le tracking web plutôt qu’un jeu de données d’achats.Ce qui est mesuré
Chaque mesure est calculée sur la période interrogée, sur les clients que Reelevant a touchés pendant cette période.
Les commandes sont comptées comme des transactions et non comme des lignes de commande : un panier contenant sept références produit est une commande.
Le dashboard s’ouvre sur les trois derniers mois. Ces mesures comparent des cohortes de clients et non des affichages : une période plus courte porte trop peu d’achats par client pour être lue, et une période de moins d’un mois est refusée.
La comparaison
Chaque mesure est disponible sur deux populations, la Exposed Population et la Non-Exposed Population, via la dimension Was Exposed :
Les deux populations sont issues des clients que Reelevant a touchés : la comparaison oppose donc la personnalisation aux mêmes canaux sans personnalisation. Les clients qui n’apparaissent jamais dans votre activité Workflow sur la période n’appartiennent à aucune des deux populations, quoi qu’en disent vos données d’achats.
Les clients dont l’expérience n’a été que partiellement personnalisée — un Content personnalisé parmi de nombreux Contents non personnalisés — n’appartiennent à aucune des deux populations. Ils restent visibles dans les effectifs, mais ne pèsent sur aucune comparaison : les compter comme exposés décrirait une expérience qu’ils n’ont pas eue.Ces deux seuils font partie de votre configuration de reporting, dans la section Exposition à la personnalisation des Paramètres Analytics. Relevez-les quand la personnalisation est la norme dans vos Workflows, abaissez-les quand seuls quelques Contents sont personnalisés.
Laissé vide, chaque seuil retombe sur sa valeur par défaut. Modifier l’un des deux redessine les deux populations, donc les mesures bougent : un seuil plus strict réduit la Exposed Population et creuse les écarts.
La pondération est essentielle. Les clients qui reçoivent le plus de personnalisation sont aussi les plus engagés : ils sont donc de meilleurs clients avant toute personnalisation. Reelevant regroupe donc les clients par décile de commandes et décile de valeur sur la période précédente, puis pondère la Non-Exposed Population pour que chaque décile y pèse le même poids que dans la Exposed Population. Les deux populations ont alors, en moyenne, le même historique d’achat.
Les mesures d’Uplift
Chaque Uplift compare chaque population à sa propre période précédente, plutôt que de comparer directement les deux populations. Deux effets s’annulent alors : une tendance saisonnière qui touche tout le monde, et l’écart que la pondération n’a pas pu refermer.
Cohort Pre-Period Gap sert à contrôler la comparaison, pas à être reporté comme résultat. Chez un distributeur, la pondération le ramène sous 1 %, ce qui rend les Uplifts exploitables. Un écart de plus de quelques pourcents signifie que les deux populations ne sont pas assez comparables et que les Uplifts ne sont qu’indicatifs.
Exemple chiffré
Un distributeur, six mois, 436 496 clients comparables de chaque côté :
Lisez le mécanisme, pas seulement le chiffre principal. La valeur par client progresse de 90,2 %, et l’essentiel vient de clients qui commandent plus souvent plutôt que de clients qui dépensent plus par commande, où l’écart n’est que de 9,5 %. La rétention est supérieure de 7,3 points : le gain vient donc à la fois de la fidélisation des acheteurs établis et de la part des clients touchés qui achètent. L’écart avant la période de 0,6 % est ce qui rend la comparaison exploitable.
Par ensemble de Channels
Chaque mesure d’Uplift se décompose par ensemble de Channels sur lesquels les clients comparés étaient joignables, via la dimension Reachable channels. Le chiffre global se scinde alors en une comparaison par ensemble :email, email + web, email + mobile + web, etc.
Il s’agit d’une comparaison distincte et non d’une simple tranche du chiffre global. La joignabilité fait partie de la clé d’appariement : un client n’est comparé qu’à des clients joignables sur les mêmes Channels. Comparer un client email + web à un client joignable uniquement par email mesure l’audience, puisqu’un client joignable sur le web est un client qui navigue sur le site.
Chaque ligne indique si sa comparaison est exploitable, et n’affiche aucun chiffre quand elle ne l’est pas :
Les deux effectifs du tableau sont des clients observés de chaque côté, et non la population pondérée. Une poignée de clients non exposés pondérés sur une grande cohorte exposée se lit comme une poignée, ce qui rend une ligne trop mince reconnaissable.
Lisez les ensembles, pas les Channels. Un client joignable par email et sur le web n’apparaît que dans
email + web, jamais dans email : les lignes découpent donc vos clients au lieu de se recouper. Un Channel présent dans plusieurs ensembles n’a pas d’Uplift unique.Quand la comparaison est refusée
Une cohorte trop petite, ou sans historique d’achat sur lequel croître, produit un Uplift qui bouge au rythme d’un seul panier. Ces chiffres sont laissés vides plutôt que reportés, et un Uplift vide n’est pas un Uplift nul.
Le seuil compte des clients observés des deux côtés : la pondération ne peut donc pas le satisfaire. Relevez-le quand vos Uplifts bougent entre deux requêtes consécutives ; abaissez-le pour lire des ensembles de Channels plus petits, en acceptant des chiffres plus bruités.
D’où vient l’écart
Les Uplifts disent de combien les deux populations diffèrent. La matrice de cycle de vie dit où se situe cet écart, en suivant chaque client de son étape de cycle de vie au début de la période à son étape à la fin.
Lisez la vue écart ligne par ligne. Dans l’exemple ci-dessus, 19,8 points de clients exposés en moins sont restés prospects, et ces clients réapparaissent en premiers achats et en achats répétés, ce qui est le mécanisme derrière les mesures de valeur et de fréquence.
La matrice n’est pas pondérée : ses deux populations sont donc les populations complètes et non les populations appariées des mesures ci-dessus. Les parts sont comparables entre les deux, les totaux non. Les clients partiellement personnalisés n’apparaissent dans aucune des deux.
Pression d’exposition
Exposure Decile découpe la Exposed Population en dix groupes, du moins exposé au plus exposé, pour lire la valeur par client et les commandes par client en fonction du volume d’exposition. Cela indique si davantage d’exposition continue de payer, et où les rendements s’aplatissent. Chaque décile indique aussi ce qui lui a été présenté — Contents personnalisés, ouvertures, clics et nombre de Contents distincts vus — afin que les déciles se lisent comme des volumes reçus plutôt que comme des rangs.
Lisez la courbe de pression au sein de la Exposed Population uniquement. C’est une lecture dose-réponse et non une seconde comparaison entre les deux populations : les clients les plus exposés sont aussi les plus actifs, et une partie de la courbe reflète cela plutôt que l’effet de l’exposition.
Jusqu’où vont ces chiffres
L’exposition n’est pas randomisée. La pondération rend les deux populations comparables sur leur historique d’achat, mais pas sur la joignabilité, le consentement ou l’engagement, et ces différences ne sont pas observables dans les données.
Présentez-le comme la Exposed Population comparée à une Non-Exposed Population comparable. Une affirmation causale exige une Non-Exposed Population randomisée, où une part de vos clients joignables n’est délibérément jamais personnalisée.
Lisez toujours Clients comparables avant tout autre chiffre. La pondération ne conserve que les clients dont l’historique d’achat existe des deux côtés : une population petite ou très homogène peut donc ne rien laisser à comparer. Ces mesures restent alors vides plutôt que de valoir 0, car « non calculable » n’est pas la même réponse que « aucun effet ».
Les deux populations incluent les clients qui n’avaient jamais acheté avant la période : un premier achat compte donc dans les Uplifts. La valeur par client avant la période est alors faible des deux côtés, ce qui en fait un contrôle d’équilibre entre les populations plutôt qu’un chiffre à reporter.