Cohort Analysis (Analyse de cohortes)
Définition
L’analyse de cohortes (ou *Cohort Analysis*) est une méthode d’analyse longitudinale qui consiste à regrouper des utilisateurs selon leur première action datée — premier achat, première inscription, première ouverture d’app, premier contact SAV — puis à comparer l’évolution de leurs comportements dans le temps.
En DTC/e-commerce, on parle souvent de *cohortes d’acquisition* : par exemple, les clients ayant passé leur première commande en janvier 2025, puis en février 2025, etc. On suit ensuite leur rétention, leur taux de réachat, leur panier moyen, leur LTV ou leur marge contributive mois après mois.
L’objectif n’est pas de regarder une moyenne globale — qui mélange les anciens et les nouveaux clients — mais d’isoler des générations d’utilisateurs pour répondre à une question simple : *les clients acquis aujourd’hui valent-ils mieux ou moins bien que ceux acquis il y a six mois ?*
Analogie
Imaginez une cave à vin. Chaque année, vous achetez une nouvelle cuvée. Si vous goûtez tout mélangé dans un seul verre, vous ne saurez pas si le millésime 2023 est meilleur que le 2024. L’analyse de cohortes, c’est goûter chaque millésime séparément, année après année, pour voir lequel vieillit le mieux.
Autre analogie DTC : pensez à des abonnements box beauté. Les clientes qui ont souscrit en janvier, en février et en mars n’ont pas été exposées aux mêmes campagnes, aux mêmes produits, ni au même contexte économique. Les mélanger dans un taux de churn global revient à masquer une dégradation ou une amélioration de la qualité d’acquisition.
Formule
Pour une cohorte donnée, on calcule généralement :
Taux de rétention à la période n :
\[
R_n = \frac{\text{Nombre d’utilisateurs de la cohorte actifs à la période } n}{\text{Nombre d’utilisateurs initial de la cohorte}} \times 100
\]
Taux de réachat à la période n :
\[
RR_n = \frac{\text{Nombre de clients de la cohorte ayant repassé commande à la période } n}{\text{Nombre de clients initial de la cohorte}} \times 100
\]
LTV cumulée par cohorte :
\[
LTV_{cum,n} = \frac{\sum \text{Marge contributive générée par la cohorte sur } n \text{ périodes}}{\text{Nombre de clients initiaux de la cohorte}}
\]
Exemple concret :
- Cohorte Janvier 2025 : 1 000 premiers acheteurs
- Mois 0 : 1 000 clients, CA = 80 000 €
- Mois 1 : 220 clients rachètent, soit \( RR_1 = 22\% \)
- Mois 3 : 140 clients rachètent, soit \( RR_3 = 14\% \)
- LTV cumulée à 3 mois = 118 € par client initial
Si la cohorte Février 2025 affiche \( RR_1 = 16\% \) et une LTV cumulée à 3 mois de 92 €, on voit immédiatement une baisse de qualité d’acquisition, même si le CA global du site progresse.
Tableau comparatif
| Approche | Ce qu’elle mesure | Limite principale | Usage DTC |
|---|---|---|---|
| **Analyse globale** | Moyenne de tous les clients | Mélange les anciens et les nouveaux | Pilotage CA global |
| **Analyse de cohortes** | Évolution par génération d’acquisition | Demande un volume suffisant par cohorte | Rétention, LTV, qualité d’acquisition |
| **Analyse RFM** | Segmentation selon Récence, Fréquence, Montant | Statique à un instant T | Campagnes CRM |
| **Analyse de survie** | Probabilité de rester client période après période | Plus complexe à mettre en place | Prédiction de churn |
Application en DTC / e-commerce
1. Mesurer la vraie rétention après acquisition payante
Une marque de compléments alimentaires lance une campagne Meta en janvier. Elle acquiert 2 500 premiers clients. Trois mois plus tard, seuls 310 ont racheté, soit 12,4 % de réachat à M+3. La même marque avait acquis 1 800 clients en octobre avec un réachat M+3 de 19,1 %. Conclusion : la campagne de janvier a attiré des clients moins fidèles, malgré un ROAS initial correct.
2. Comparer les canaux d’acquisition
Cohorte issues de Google Search vs TikTok Ads :
- Google Search : 1 200 clients, rétention M+1 = 28 %, panier moyen 2e commande = 74 €
- TikTok Ads : 1 500 clients, rétention M+1 = 11 %, panier moyen 2e commande = 41 €
Même si le CPA TikTok est plus faible, la LTV à 6 mois peut être 2,3 fois inférieure. L’analyse de cohortes permet de réallouer le budget vers les canaux qui produisent des clients durables.
3. Détecter l’impact d’un changement produit ou logistique
Une marque de prêt-à-porter change de transporteur en mars. Les cohortes d’avril et mai montrent une baisse du réachat M+2 de 18 % à 9 %. L’analyse de cohortes isole l’effet du changement logistique, alors qu’une moyenne globale aurait été brouillée par les promotions de printemps.
4. Optimiser le calendrier CRM
En segmentant par cohorte, on observe que les clients acquis en période de soldes ont un réachat M+1 plus faible (14 %) que ceux acquis hors soldes (26 %). On ajuste alors les scénarios de bienvenue : offre de deuxième achat plus agressive pour les cohortes promotionnelles.
Common pitfalls
1. Cohortes trop petites : en dessous de 200–300 utilisateurs par cohorte, les variations deviennent du bruit statistique.
2. Confondre cohorte d’acquisition et cohorte comportementale : une cohorte peut être définie par premier achat, première visite, première utilisation d’une feature. Le choix change l’interprétation.
3. Ne regarder que la rétention, pas la marge : une cohorte peut bien retenir mais avec des paniers faibles et des retours élevés. La LTV nette de marge contributive est plus fiable.
4. Oublier la saisonnalité : comparer une cohorte de novembre (Black Friday) à une cohorte de février n’a pas de sens sans ajustement.
5. Attribuer la causalité trop vite : une amélioration de rétention peut venir d’un changement CRM, d’un nouveau produit, ou simplement d’un mix canal différent.
6. Ne pas définir la période d’observation : M+1, M+3, M+12 n’ont pas la même valeur selon le cycle de réachat. Un produit de consommation courante peut avoir un cycle de 30 jours, un produit durable de 18 mois.
Termes liés
- Rétention : capacité à conserver un client actif dans le temps.
- Churn : taux de perte de clients sur une période.
- LTV (Lifetime Value) : valeur totale générée par un client.
- CAC (Coût d’Acquisition Client) : coût moyen pour acquérir un client.
- Ratio LTV/CAC : indicateur clé de rentabilité en DTC.
- RFM : segmentation Récence, Fréquence, Montant.
- Analyse de survie : modèle statistique de durée de vie client.
- Cohorte comportementale : groupe défini par une action commune, pas seulement une date.
- Payback period : temps nécessaire pour récupérer le CAC.
- Marge contributive : marge après coûts variables, utilisée pour calculer la LTV nette.