Partager la publication "Guide – initiation aux mathématiques et aux statistiques Web Analytics"
Je vous propose de profiter de cette sympathique période de vacances pour réviser les formules mathématiques et statistiques sous-jacentes des rapports Analytics de nos sites web.
Pourquoi avez-vous besoin de connaître les mathématiques et les statistiques Web Analytics
Ce n’est pas seulement ce que vous devez savoir, mais plus ce que vous êtes censé savoir.
Si vous gérez votre business jour après jour. Voici quelques questions à considérer :
Q1. Lorsque votre taux de conversion du site Web bondit de 10% à 12%, cela signifie une hausse de 2% du taux de conversion ou bien une hausse de 20% du taux de conversion ?
Q2. Pouvez-vous doubler vos ventes en doublant simplement votre budget marketing ?
Q3. Devriez-vous vous concentrer sur un grand nombre de clients de faible valeur au lieu de quelques clients de plus grande valeur pour maximiser les profits ?
Q4. Si le taux de conversion de la campagne « A » est de 10% et le taux de conversion campagne « B » est de 20%, est-ce que cela signifie que la campagne « B » est plus performante que la campagne « A » ?
Q5. Le temps moyen passé sur votre site web est de 5 minutes. Cela signifie-t-il que vos visiteurs sont restés en moyenne 5 minutes sur votre site ?
Je suis sûr que de nombreux marketer/ analyste ne seraient répondre correctement à ces questions. J’en suis sûr parce que c’était pareil pour moi. La connaissance statistique ce n’est pas inné, c’est quelque chose que j’ai acquis au fil du temps et que je continue d’acquérir. Donc, si vous n’êtes pas sûr des réponses à mes questions, c’est parfaitement normal.
Le patron « énervé » ne peut pas savoir, qu’il y a eu une corrélation négative entre le taux de conversion et les revenus et qu’il n’y a pas eu 2% d’augmentation du taux de conversion. Mais il sait que ses ventes et sa rentabilité sont en baisse. Et maintenant, il a cette obligation morale de faire la très redoutée « réduction des coûts ». Devinez-vous par quoi ce patron va commencer ?
Le monde de l’entreprise n’est pas très indulgent pour les erreurs commises par les employés / consultants / agences. Donc, si nous déclarons que le bond du taux de conversion de 10% à 12% signifie qu’il y a une augmentation de 2% du taux de conversion, l’ensemble de nos rapports devient discutable. Nous créons instantanément une ombre sur le reste de notre analyse, ce risque de ne pas rassurer les destinataires de nos rapports.
L’apprentissage des mathématiques et des statistiques est un excellent moyen de développer une pensée logique et critique. Il fait de vous un meilleur marketer et bien sur un meilleur analyste. Personne ne peut facilement remettre en question vos capacités de raisonnement et vous devenez un vrai ninja.
Ci-dessous un exemple de la vie quotidienne :
Quelle est la meilleure affaire ?
3 placements d’annonces pour 40,12 € ou 2 placements d’annonces pour 30.65 €
Si vous calculez et comparez les prix unitaires, alors vous verrez que les 3 placements d’annonce pour 40,12 € sont une meilleure affaire.
Alors on y va.
% Changement
Cette mesure est utilisée pour calculer le pourcentage d’augmentation ou de diminution par rapport à une ancienne valeur. On parle de % Changement quand il s’agit de mesurer la variation entre une ancienne valeur et une nouvelle valeur.
% changement = [ (nouvelle valeur – ancienne valeur)/ancienne valeur ] * 100
Par exemple,
visites conversions taux de conversion
juillet 200 20 10%
août 350 42 12%
% change 75% 110% 20%
% changement = [(350-200)/200]*100 = 75%
% changement = [(42-20)/20]*100 = 110%
Google Analytics calcule la variation en % (pour chaque type de métrique) lorsque l’on compare des données avec des données antérieures. Donc, si votre taux « pages/visite » en juillet était 2 et de 4 en août, alors ne reportez pas que le « pages/visite » s’est amélioré par 2. Vous rapportez que le taux de « pages/visite » s’est amélioré de 100% (c’est à dire le pourcentage de changement par rapport à l’ancienne valeur). De même, nous calculons en % de changement la durée moyenne de la visite, % de nouvelles visites, du taux de rebond, etc
% Différence
Cette mesure est utilisée pour calculer la différence entre deux valeurs en pourcentage. Utilisez cette mesure lorsqu’une valeur est plus importante que l’autre.
% différence = [différence entre deux valeurs/moyenne des deux valeurs] *100
Par exemple
visites taux de conversion
juillet 200 10%
août 350 12%
% change 75% 20%
% différence 54.54% 18.18%
% différence = [|200-350|/(200+350)/2)] * 100 = (150/275)*100 = 54.54%
% différence = [|10-12|/(10+12)/2)] * 100 = 18.18%
Note: Ignorer le signe moins si le résultat est négatif.
Beaucoup de gens font une erreur en supposant que le % Change et % Différence est la même chose. Ce n’est pas le cas, comme illustré dans le tableau ci-dessus. Nous utilisons % Change quand il y a une ancienne et une nouvelle valeur et que nous avons besoin de connaître le pourcentage de hausse ou de baisse par rapport à l’ancienne valeur. La plupart du temps, nous utilisons % Change dans le reporting.
% Erreur
Cette mesure est utilisée pour calculer le pourcentage d’erreur lorsque l’on compare une valeur approximative avec une valeur exacte.
% d’erreur = [valeur approximative - valeur exacte /valeur exacte] * 100
Par exemple
Conversions approximatives conversions actuelles % erreur
juillet 200 110 81.82%
août 300 200 50%
J’ai estimé 200 conversions en juillet, mais j’en compte actuellement 110. Ainsi mon % d’erreur est de [200-110/110] * 100 = 81.82%
J’ai estimé 300 conversions en août, mais j’en compte actuellement 200. Ainsi mon % d’erreur est de [300-200/200] * 100 = 50%
Une façon pratique pour utiliser le % d’erreur, c’est quand vous exécutez un split test. Vous voulez que le% d’erreur soit le plus bas possible.
Note: Ignorer le signe moins si le résultat est négatif.
Point de pourcentage
Nous utilisons les points de pourcentage lorsque l’on soustrait un pourcentage d’un autre, ce qui implique que le changement n’est pas relatif. Par exemple :
Le taux de conversion bondit de 10% à 12%. S’agit-il d’une augmentation de 20% du taux de conversion ou d’une augmentation de 2% du taux de conversion ?
Il s’agit réellement d’une hausse de 20% du taux de conversion ou d’une hausse du taux de conversion de 2 points de pourcentage. Il ne s’agit donc en aucun cas d’une augmentation de 2% du taux de conversion.
La moyenne
Également connu sous la forme de moyenne arithmétique ou moyenne de la population. Il s’agit simplement d’une moyenne de chiffres. La moyenne est un type de valeur centrale, comme la médiane, le mode ou la variance. La moyenne est notée par la lettre grecque μ (« mu »). Cette mesure est souvent utilisée dans Google Analytics sous le nom de « moyenne » : « temps moyen passé sur la page « , « temps moyen passé sur le site », « moyenne du site »…
Moyenne = somme des chiffres /nombre des chiffres
Taux de rebond
Page 1 35%
Page 2 40%
Page 3 0%
Page 4 48%
Page 5 100%
Maintenant calculons le taux de rebond du site = (35+40+0+48+100)/5 = 223/5 = 44.6%
Est-ce 44,6% est le vrai taux de rebond du site ?
Non.
Regardez la répartition des taux de rebond sur l’ensemble des pages web. Deux pages web, pages 3 et 5 ont des valeurs extrêmes de 0% et 100%. Nous appelons ces valeurs comme des «valeurs aberrantes» en statistique. Les valeurs aberrantes ont la capacité sadique de biaiser la « moyenne ». Donc, si nous ne prenons pas en compte ces deux valeurs extrêmes dans nos calculs alors nous pourrons obtenir le taux de rebond plus précis du site :
(35+40+48)/3 = 123/3 = 41%
De la même manière :
Temps moyen passé sur la page (en secondes)
Page 1 350
Page 2 400
Page 3 500
Page 4 480
Page 5 36000
Temps moyen sur le site = (350 +400 +500 +480 +36000) / 5 = 37730/5 = 7546 = 2 heures 6 minutes
Encore une fois la valeur aberrante « 36000 » biaise notre moyenne. Donc, si nous l’excluons et recalculons le temps moyen sur le site, nous obtiendrions (350 +400 +500 +480) / 4 = 432,5 = 7 minutes 12 secondes
Donc chaque fois que nous analysons des valeurs «moyennes» Nous devons toujours :
- Regarder la distribution
- Identifier les valeurs aberrantes (comme les valeurs extrêmes)
- Sorter les valeurs aberrantes du calcul de la moyenne
Si vous ne le faites pas, alors vous aurez une vue analytique floutée comme un « temps moyen sur le site » de 2 heures 6 minutes.
Prix unitaire moyen
Il est égal au coût/quantité
Quelle est la meilleure affaire ?
3 placements d’annonces pour 40,12 € ou 2 placements d’annonces pour 30.65 € ?
Si vous calculez et comparez les prix unitaires, alors vous verrez que les 3 placements d’annonce pour 40,12 € sont la meilleure affaire.
Calculons le prix unitaire dans chaque cas :
- 40,12 € / 3 = 13,37 € par placement d’annonce
- 30,65 € / 2 = 15,32 € par placement d’annonce
Donc, si nous optons pour le placement de publicités ‘2 pour 30.65 $ deal », nous allons finir par payer plus. Par conséquent, la meilleure affaire pour nous, c’est ‘3 placements de publicités pour 40.12 $ ‘
Bénéfice brut, bénéfice d’exploitation, le bénéfice net…
Beaucoup de marketer font l’erreur de reporter ces métriques sans bien comprendre ce quelles sont vraiment et comment elles sont calculées.
En termes simples,
Profit = Chiffre d’affaires – Coût
Revenu = prix du produit (s) * quantité vendue
Bénéfice brut = Chiffre d’affaires – Coût direct
Le coût direct peut être quelque chose comme le coût de fabrication d’un produit
Bénéfice d’exploitation = Chiffre d’affaires – coûts d’exploitation.
Il s’agit du bénéfice avant intérêts et impôts. Le coût d’exploitation est le coût courant de gestion d’une entreprise, d’un produit ou d’un système. Il peut inclure les coûts directs et indirects.
Bénéfice net – également connut le résultat net. Il s’agit du bénéfice après intérêts et impôts.
Bénéfice net = Chiffre d’affaires – Coût total (ce qui inclut tous les coûts directs et indirects + intérêts + taxes)
Marge bénéficiaire
Également connu comme la marge bénéficiaire nette, marge nette, le ratio du bénéfice net
Marge bénéficiaire = (Bénéfice net / Chiffre d’affaires) * 100
La loi des rendements décroissants et votre budget marketing
Il est difficile de concevoir que l’efficacité des facteurs de production soit toujours croissante.
Conformément à la loi des rendements décroissants,
Si vous continuez à ajouter des unités de production à un processus tout en gardant toutes les autres unités, vous atteindrez un point où le rendement par unité sera inférieur.
En augmentant la quantité utilisée d’un facteur, celle de l’autre restant fixe, on obtient une quantité supplémentaire de produits de moins en moins grande (la production augmente, mais de moins en vite).
Par exemple si vous continuez d’investir plus d’argent dans une campagne Facebook sans changer la forme actuelle de la campagne, à un moment donné, vous atteindrez le point de rendements décroissants et une fois que vous atteindrez ce point, votre taux de conversion va baisser et le coût par acquisition va augmenter.
Donc, lorsque vous envisagez d’augmenter considérablement le budget d’une campagne, pensez à ajouter de nouvelles annonces et à revoir le ciblage en ajoutant, supprimant, excluant de nouveaux mots clés. De cette façon, vous allez changer plusieurs unités de production et pourrez rester à l’écart du point de rendements décroissants.
Comment faire pour déterminer le point de rendements décroissants
Pour déterminer le point de rendement décroissant, vous devez ajouter progressivement des unités de production dans le processus de production. Si vous ajoutez rapidement les unités, vous ne saurez jamais quand vous avez franchi le point de rendements décroissants et commencer à perdre de l’argent. Donc, augmenter graduellement votre budget.
Doubler le budget d’une campagne performante ne veut pas dire doubler sa performance. Il y a plus de choses à faire que simplement augmenter le budget, comme décliner les annonces performantes, décliner les mots clés performants, supprimer ou exclure les mots clés les moins performants…
Alors maintenant, je pense qu’on tient notre réponse : Pouvez-vous doubler vos ventes en doublant simplement votre budget marketing ?
La loi des rendements décroissants et le marketing multicanal
Comprenez qu’aucune campagne n’est seul responsable des conversions et des ventes en marketing multicanal. Différents canaux marketing travaillent ensemble pour générer les ventes et les conversions. Certains canaux marketing contribuent davantage pour assister le chemin de conversion que pour finaliser la conversion (le rôle du passeur au foot). Ils sont appelés « canaux marketing indirects ». Tandis que d’autres canaux marketing oeuvrent plus à la transformation des conversions (le rôle du buteur au foot), les « canaux de conversions directes ou associées au dernier clic ».
Donc, si vous investissez plus dans un canal marketing en particulier, en négligeant le rôle d’assistance des autres canaux marketing, vous atteindrez le point de rendements décroissants plus vite que vous ne le pensez. Parce que vous ajoutez des unités de production (le budget) à l’un des canaux marketing tout en gardant les autres à unité constants (plus de buteur et même nombre de passeurs).
Loi des rendements décroissants et l’optimisation des « mots-clés derniers clic »
Tout comme il existe de « canaux marketing indirects » qui assistent la conversion, il existe des mots-clés qui supportent la conversion. Ces mots-clés assistent davantage la conversion plutôt que de la réaliser. De même, nous avons « mots-clés derniers clic ». Ce sont les mots-clés recherchés par les visiteurs pour finaliser une conversion dans un modèle d’attribution dernier clic.
Un spécialiste SEA passe la plupart de son temps à optimiser « mots clés derniers clic » en supposant que ces seuls mots-clés forment l’ensemble de l’entonnoir de conversion. Ainsi, dans le cas où l’optimisation CPC cible principalement l’optimisation des « mots clés derniers clic », tout en ignorant les « mots clés premiers clic » et « mots clés indirects » (appelés collectivement mots-clés d’assistance) vous serez sur le point de produire des rendements inférieurs par unité.
Cela signifie que votre coût par acquisition (CPA) à un moment donné va repartir à la hausse et votre bénéfice sur les ventes commencera à diminuer. Donc, la seule façon, pour cadrer vos objectifs de CPA, c’est en ajustant (ajouter, mettre en pause, supprimer, modifier l’enchère) des « mots-clés derniers clic ». Mais c’est façon limitée d’optimiser les campagnes CPC parce que vous optimisez seulement une petite partie du processus de conversion.
Alors, afin de renforcer vos campagnes de liens sponsorisés vous avez également besoin d’enchérir sur des mots clés qui déclenchent ou assistent les conversions. De cette façon, vous pouvez rester à l’écart du point de rendements décroissants et cadrer vos objectifs de CPA beaucoup plus longtemps.
Loi des rendements décroissants et l’optimisation du « CPA dernier clic »
Le CPA que vous voyez dans vos rapports Google Adwords ou Google Analytics ne correspond pas à votre coût réel par acquisition. Désolé de vous décevoir. C’est le coût par « conversion dernièr clic ». Donc, si vous ignorez les « mots clés premier clic » et les « mots clés indirects », et que vous optimisez les campagnes CPC sur la base du coût par « conversion dernièr clic » vous n’obtiendrez pas des résultats optimaux et parfois même vous perdrez de l’argent.
Parce que si un mot clé ne finalise pas une vente, il peut l’initier ou l’assister, et si vous arrêtez d’enchérir sur ces mots clés, car leur coût par « conversion dernier clic » (CPA dans Google Adwords) est trop élevé ou qu’ils ne convertissent pas, vous pouvez perdre de l’argent.
Pour plus d’information sur le modèle d’attribution de Google Analytics – consultez l’article le guide-google-analytics-modele-dattribution-des-conversions/
La règle 80/20
Selon le principe de Pareto (également connu sous le nom de la règle 80-20), 80% des effets proviennent de 20% des causes, ce qui peut vouloir dire :
- 80% de vos ventes proviennent de 20% de vos visiteurs
- 80% de vos ventes proviennent de 20% de vos produits
- 80% de vos profits proviennent de 20% de vos produits
Donc ce que vous devez faire c’est de déterminer les 20% qu’il faut travailler au corps, sans relâche. Puisque vous ne pouvez vendre chaque produit à votre client partout en France, alors pourquoi diluer vos efforts marketing et vos ressources en essayant d’être visible partout et pour tout ce que vous vendez.
Supposons que votre marché cible est la France. Ainsi, vos clients moyens peuvent être n’importe où en France. Supposons aussi que, après analyse des données sur une année, vous avez découvert que les gens de Bordeaux ont acheté 2 fois plus qu’un visiteur moyen sur votre site Web. Ils ont également tendance à dépenser 30% de plus que la moyenne par commande. Alors maintenant vous savez où vivent vos meilleurs clients.
Bordeaux (top client) Moyenne des Clients (France)
Nb de transaction / an 4 000 2 000
Valeur moyenne des commandes 70 € 40 €
Chiffre d’affaires total 280 000 € 80 000 €
Total des dépenses 36 000 € 50 000 €
Bénéfice brut 244 000 € 30 000 €
Votre coût par acquisition sera élevé si vous ciblez l’ensemble de la France à travers vos campagnes SEA. Donc, il est assez évident que le total de vos dépenses va être plus élevé pour l’acquisition de clients moyens.
Donc, en concentrant vos efforts marketing dans l’acquisition de clients plus rentables, vous pouvez augmenter vos revenues et bénéfices, et cela, sans augmenter votre trafic ou investir dans la création de nouveau contenu ou action marketing.
Maintenant, les grandes questions qui se posent est, pourquoi les gens de Bordeaux sont-ils nos meilleurs clients, qu’achètent-ils en particulier, et que pouvons-nous faire, afin qu’ils achètent plus. Si vous pouvez obtenir les réponses à ces questions, vous pouvez augmenter vos ventes en quelques semaines sans augmenter le trafic du site ou de dépenser plus de budgets dans d’autres actions. Et cela devrait être notre objectif principal en tant que marketer. J’espère que cela répond à la question : Devriez-vous vous concentrer sur un grand nombre de clients de faible valeur au lieu de quelques clients de plus grande valeur pour maximiser les profits ?
La signification statistique et les décisions marketing
Un résultat statistiquement significatif est un résultat qui a une probabilité quasi nulle d’être le fait du hasard. Un résultat qui n’est pas statistiquement significatif est susceptible de s’être produit par hasard. Alors, quand quelqu’un dit « est-ce votre résultat est statistiquement significatif ? », cela revient à dire « Est-ce que le résultat ne s’est pas produit par hasard ? ».
Envisager le scénario hypothétique suivant :
Visites Transactions Taux de conversion e-commerce
Campagne A 1820 150 8,25 %
Campagne B 20 4 19,25%
Campagne C 780 41 5,24%
Pensez-vous que vous devez investir plus dans la campagne « B » parce que son taux de conversion est le plus élevé ?
Je dirais, non. La taille de l’échantillon dans le cas de la campagne « B » (4 transactions sur 20 visites) est trop faible pour être statistiquement significative. Et si la campagne « B » avait obtenu 1 transaction sur 1 visite, taux de conversion serait de 100%. Cela rendrait sa performance encore meilleure ? Non.
Pensez-vous que vous devriez maintenant d’investir dans la campagne « A », car elle a un taux de conversion plus élevé ?
Mais êtes-vous vraiment sûr que la différence entre les taux de conversion de la campagne « A » et celui de la campagne « C », est statistiquement significative ?
Afin de déterminer si la différence est statistiquement significative ou pas, vous avez besoin d’effectuer un test statistique (comme Z test) pour calculer l’indice de « confiance ».
L’indice de confiance statistique valide que le résultat ne se soit pas produit par hasard. La signification statistique peut être considérée comme la confiance que l’on a dans un résultat donné. La confiance repose sur le rapport entre le signal et le bruit et sur la taille de l’échantillon. Donc l’indice de confiance d’un résultat qui n’est pas le produit du hasard est élevé, si le signal est grand et/ou la taille de l’échantillon est grande et/ou le bruit est faible.
Supposons que, après la réalisation d’un test statistique, nous sommes arrivés à la conclusion que la différence des taux de conversion des deux campagnes ne s’est avérée statistiquement significative. Dans ces circonstances, nous ne pouvons pas conclure que la campagne « C » fonctionne mieux ou pas. Donc ce que nous pouvons faire ensuite. Eh bien, nous avons besoin de recueillir davantage de données pour calculer la signification statistique de la différence des taux de conversion des deux campagnes. À ce stade, investir plus d’argent dans la campagne « A » peut ne pas produire les résultats optimaux que vous pouvez penser qu’ils seront.
Segmentation des données et inférence
La conclusion statistique est connue sous le nom technique de « inférence statistique ». L’inférence statistique est le processus de tirer des conclusions à partir de données qui sont soumises à des variations aléatoires. Un exemple de l’inférence statistique est l’observation des erreurs. Vous supposez que le taux de conversion de la campagne « B » est le plus élevé sur la seule base de votre observation. C’est votre inférence statistique qui est fausse.
Les inférences statistiques proviennent souvent d’échantillon aléatoire tiré d’un ensemble d’entités (valeurs, mesures potentielles…). Cet ensemble d’entités est appelé population statistique. L’ensemble des campagnes ci-dessus est un exemple de population statistique à partir duquel des inférences statistiques (comme ce qui est de la campagne la plus performante) sont tirées. Le sous-ensemble de la population statistique est appelé sous-population.
Par exemple:
Si vous considérez une campagne CPC comme une population statistique et ses groupes d’annonces comme des sous-populations. Pour comprendre les propriétés de la population statistique, les statisticiens vont d’abord segmenter la population en sous-populations distinctes (à condition qu’ils aient des propriétés distinctes) et puis ils vont essayer de comprendre les propriétés des sous-populations individuelles…
C’est pour la même raison, que les experts webanalyste recommandent de segmenter les données avant de tirer des conclusions statistiques. Donc, si vous voulez comprendre la performance d’une campagne CPC, alors vous devriez d’abord essayer de comprendre la performance de ses groupes d’annonces.
De même, si vous voulez comprendre la performance d’un groupe d’annonces, vous devriez d’abord essayer de comprendre la performance des mots clés et des annonces de ce groupe d’annonces. Voilà pourquoi la segmentation des données est si importante en Web analyse.
Corrélation et causalité
La corrélation mesure la relation entre deux variables. Supposons que ‘A’ et ‘B’ sont deux variables. Si quand ‘A’ monte, ‘B’ monte alors ‘A’ et ‘B’ sont positivement corrélés. Toutefois, si quand ‘A’ monte, ‘B’ descend alors ‘A’ et ‘B’ sont corrélés négativement. Par exemple :
La métrique Pages/Visite est en augmentation au fil du temps, tandis que le taux de conversion de l’objectif est en baisse. Ainsi l’engagement utilisateur est corrélé négativement avec les conversions. Quand il existe un lien de corrélation négatif entre l’engagement utilisateur et la conversion, l’engagement devient alors de la distraction.
Il faut savoir changer d’angle de vue pour découvrir ces corrélations négatives. Le personnage du dessin en début d’article (avec le patron grincheux) est occupé a se concentrer sur l’évolution du taux de conversion. Il ne s’est probablement pas rendu compte que le taux de conversion pouvait être corrélé négativement avec les revenus et qu’au lieu de se focaliser sur le taux de conversion, il devrait se concentrer sur l’amélioration des revenus.
Coefficient de Corrélation
Le coefficient de corrélation est utilisé pour mesurer l’intensité de la corrélation. Sa valeur est comprise entre -1 et 1.
- -1 signifie une corrélation négative parfaite.
- 0 signifie qu’aucune relation n’existe entre les deux variables.
- 1 signifie la corrélation positive parfaite.
Pour calculer le coefficient de corrélation vous pouvez utiliser un tableur Excel, en utilisant la syntaxe suivante :
COEFFICIENT.CORRELATION(matrice1;matrice2)
- matrice1 représente une plage de cellules de valeurs.
- matrice2 représente une seconde plage de cellules de valeurs.
La causalité
La causalité est la théorie selon laquelle quelque chose se passe (l’effet) suite à un événement déclencheur (la cause). Par exemple, l’élévation de la température augmente la vente de boissons fraîches.
La corrélation n’implique pas la causalité
Vous pouvez toujours trouver une relation entre deux variables/événements si vous le voulez vraiment. Mais la simple présence de la relation entre deux variables/événements n’implique pas que l’un est la cause de l’autre.
Par exemple, dans le graphique ci-dessus (corrélation négative), il semble y avoir une relation entre la métrique pages/visite et le taux de conversion. Mais nous ne pouvons pas conclure que l’augmentation de l’engagement utilisateur a entraîné une diminution du taux de conversion, à ce stade sans plus d’analyse.
Calcule du ROI pour le SEO
Types de ROI SEO :
- ROI anticipé
- ROI réel – immédiat
- ROI réel – à long terme
ROI SEO (anticipé)
= (Revenus prévus des efforts SEO – Coût du projet SEO) / coût du projet SEO (mesuré en pourcentage)
Les trois choses que vous devez connaître à l’avance pour vous aider à calculer le retour sur investissement anticipé :
- Visites mensuelles moyennes
- Valeur moyenne des commandes
- Taux de conversion e-commerce/objectif du site
SEO ROI Réel (immédiat)
= (Chiffre d’affaires total e-commerce généré par le trafic SEO + Valeur totale des objectifs (Goals) générés par le trafic SEO) – Coût total de fonctionnement de la campagne SEO / Coût total de fonctionnement de la campagne SEO (mesuré en pourcentage)
ici, la valeur totale du Goal = Valeur des conversions indirectes + Valeur des conversions directes ou associées au dernier clic (Google Analytics > Conversions > Entonnoirs multicanaux > Conversion indirectes)
SEO ROI Réel (à long terme)
= Retour sur investissement immédiat * 12 (mesurée en pourcentage)
{le client va continuer de profiter des bénéficies SEO au moins pendant un an, même sans campagne SEO}
ROI de 0% => Cela veut dire pas de profit, pas de perte. Vous avez dépensé ‘x’ et gagné ‘x’ revenus.
ROI de 100% => Cela signifie que vous avez dépensé ‘x’ et gagné ‘x 2 ‘ revenu.
ROI de 1000% => Cela signifie que vous avez dépensé ‘x’ et gagné ‘x 11’revenu.
ROI de -100% => Cela signifie que vous avez dépensé ‘x’ et gagné 0 revenu.
C’est tout pour aujourd’hui ! Bravo aux lecteurs qui ont tenu jusqu’ici ;)
Il est temps pour le CRO consultant d’aller profiter du soleil et des festivités ensoleillées.
Partager la publication "Guide – initiation aux mathématiques et aux statistiques Web Analytics"
(15 raters, 75 scores, average: 5,00 out of 5)
Jeu de briques
Snake
Pacman
Bubble