UX Analytics : Analyse et accélération de la croissance

UX Analytics : qu’est-ce que c’est ?

Plus que de nouveaux outils, l’UX Analytics, aussi connu sous le nom de DATA-DRIVEN UX, est une approche qui s’appuie sur la data pour mesurer et optimiser l’expérience utilisateur d’un dispositif digital et donc, par extension, améliorer l’acquisition et la conversion de vos utilisateurs, mais aussi la satisfaction et la rétention de ces derniers.

La data est donc collectée et analysée. Elle sera analysée à travers le spectre de la compréhension des comportements de vos utilisateurs dans le but de mieux identifier leurs attentes :

• Qu’est-ce qui amène les visiteurs sur votre site ?
• Quelles sont les freins qu’ils rencontrent sur ce dernier : où et pourquoi ils quittent votre dispositif ?
• Quels sont les déclencheurs, les catalyseurs qui les persuadent de passer à l’action ?

En mesurant et agissant sur ces trois dimensions, l’UX Analytics se positionne donc comme un véritable accélérateur de la croissance.

➡️ L’amélioration de l’expérience utilisateur vous permet d’optimiser vos coûts d’acquisition. Le tout en augmentant votre taux de conversion. Cela permettra d’allouer plus de budget au pur financement de la croissance de votre produit.

Collecter les données qui font sens et définir les bons KPI

Pour pouvoir réellement comprendre le comportement de vos utilisateurs sur votre site ou application mobile, il est nécessaire d’avoir des données qui font réellement sens. Surtout qui vous permettent de vous mettre à leur place.
Impossible d’y parvenir avec une vision macro et générale des comportements et conversions sur votre site, comme il est souvent d’usage sur les analytics classiques.

Chaque utilisateur est différent et c’est dans la granularité des interactions et de la consommation des différents éléments de vos pages, sur des segments utilisateurs précis et cohérents, que vous serez en mesure de tirer des enseignements riches de sens et de dégager de la valeur dans l’amélioration de l’expérience utilisateur.

Ainsi, les indicateurs traditionnels de suivi des pages vues, taux de rebond, taux de clics, etc. ne suffisent plus.
Aujourd’hui s’ajoute la nécessité de pouvoir mesurer de nouveaux KPIs. On pense aux taux d’exposition, le taux d’hésitation, le taux d’attractivité, la récurrence de clics…

Ces derniers amènent un nouvel éclairage beaucoup plus précis sur l’UX de vos pages dans le but d’optimiser l’atteinte de vos objectifs.
Correctement mesurés et analysés, ils révèleront précisément les contenus et fonctionnalités qui vont avoir un comportement positif ou au contraire négatif sur vos (micro ou macro) conversions.

Ainsi, une récurrence de clics trop élevée sur un champ de formulaire peut révéler une difficulté à compléter ce champ. Alors qu’un taux d’attractivité trop faible sur votre CTA principal vous renseignera sur la performance de ce dernier et le besoin éventuel d’optimiser sa mise en valeur.

Centraliser les sources de données et les compétences

La nécessaire centralisation des données

L’UX analytics ne nécessite pas seulement de collecter de nouvelles métriques quantitatives mais aussi et surtout d’agréger l’ensemble des sources de données qui permettent d’avoir une meilleure connaissance et compréhension de vos utilisateurs. Ainsi les enquêtes qualitatives s’articulent entièrement dans la démarche UX Analytics, tout comme les remontées techniques.

Cela implique en conséquence de revoir les formes organisationnelles classiques au sein des institutions. En effet, chaque direction métier a tendance à collecter et analyser un jeu de données particulier. Ces données répondent à leurs missions et expertises propres :

• Les directions opérationnelles/marketings vont être en charge des données liées à la performance et à la conversion (ex: Google Analytics etc.) généralement subdivisées en business units selon les produits, fonctionnalités et/ou objectifs opérationnels.
• Les directions de la relation client sont référentes sur les données liées à la mesure de la satisfaction client (NPS, les demandes de support, d’évolutions, les plaintes client…)
• Les services informatiques auront de leur côté la maitrise des remontées technico-fonctionnelles (bugs, lenteurs…)
• Enfin certaines organisations sont aussi dotées d’une direction produit qui récolte, là encore, des données de valeurs sur les utilisateurs via la conduite de tests, d’interviews, d’AB testing etc…

Or l’expérience utilisateur est transverse à toutes ces missions et l’UX Analytics nécessite donc la mise en commun des sources de données, des objectifs de collecte et des résultats d’analyse afin de pouvoir développer tout son potentiel dans l’accélération de la croissance.

Une organisation à mettre en place

Cette redéfinition de la segmentation classique des données et des responsabilités ne remet pas en cause l’existence même de ces directions métiers mais appelle à la nécessaire mise en place d’une meilleure collaboration entre les expertises, à un partage accru des savoirs et insights acquis ainsi qu’à une plus forte centralisation dans le pilotage des actions à mener.

Cette réorganisation peut prendre de multiples formes tel que :

• La remise à plat des méthodologies de travail en faveur d’une plus forte collaboration : outils, process et espaces de travail partagés pour agréger les données. Mise en place comités de pilotage pluridisciplinaires pour organiser une roadmap globale.
• La création d’une équipe dédiée, autonome et pluridisciplinaire ayant les moyens et l’autorité de piloter un backlog d’actions à mener pour mesurer et optimiser l’expérience utilisateur au global.

Analyser, déduire, tester et vérifier

Nous avons donc vu l’importance de collecter efficacement la donnée. Cela en définissant les bons KPIs à suivre et en agrégeant les différentes sources. Le tout pour être en mesure de tirer le maximum d’enseignements pertinents sur l’expérience de vos utilisateurs.

Viens alors l’heure de l’analyse de ces données pour en tirer les bonnes conclusions.

Un process d’analyse granulaire

Là encore il est important de respecter le processus logique d’une conduite granulaire et itérative de vos analyses.

À travers l’analyse à un niveau macro de vos parcours, de vos segments ou de vos pages, il est possible d’identifier des premiers goulots d’étranglement. Il s’agit des plus évidents et donc les plus prioritaires à traiter.

• Avez-vous des pages qui génèrent un fort taux de rebonds et/ou de sorties ?
• Constatez-vous des aller-retours anormaux entre vos pages, notamment au sein de parcours qui se veulent a priori linéaires ?
• Sur quelle étapes vos utilisateurs sortent de votre parcours de conversion et pour aller où ?

Une fois une problématique identifiée, vous pouvez alors poursuivre l’analyse à un niveau plus micro. L’objectif est d’essayer de comprendre les origines de ces comportements non désirés. Pour cela, on va rentrer dans le détail des interactions de vos utilisateurs. Cette analyse de fera en comparant des segments (ceux qui réussissent l’objectif versus ceux qui échouent), etc.

Au fur et à mesure de la mise en place de corrections et d’optimisations, vous serez amenés à conduire des analyses toujours plus fines et détaillées. Si vous commencez directement à analyser vos plateformes à un niveau micro, vous risquez tout simplement de vous perdre. En effet, la masse de données est très importante. Vous risquez aussi de prendre des actions n’ayant qu’un faible impact sur vos conversions au global.
Si au contraire vous ne restez qu’à un niveau macro d’analyse, vous ne serez pas toujours en mesure de comprendre les raisons profondes des problèmes observés. Alors, vous risquez d’atteindre rapidement un plafond de verre dans les insights que vous pouvez tirer de vos données.

Prioriser les actions et mesurer les résultats

L’art d’une analyse UX réussie repose donc sur cette capacité à articuler correctement les bons niveaux de granularité. Et d’être en mesure de correctement prioriser les recommandations d’actions à mener en fonction des différents paramètres qui rentrent en ligne de mire :

• Quel volume de mes utilisateurs est concerné ? Plus il est important, plus rapide et signifiants seront les résultats.
• Quelle est la complexité de l’action à mener pour corriger cette anomalie ? Plus la complexité est forte, plus l’investissement et le risque seront importants dans la tentative de résolution.
• Quel est l’impact supposé sur mes objectifs de conversion ? Plus l’insight est considéré comme impactant, plus l’action à mettre en place aura des effets positifs sur votre taux de conversion.
• Quelle est la perméabilité de ma problématique ? La reco à mener risque-t-elle de produire des effets de bords négatifs sur d’autres problématiques/objectifs ?

Enfin il est important d’accepter qu’aucune donnée et qu’aucun insight ne peut être considéré comme une vérité absolue. Les analyses de vos données vont vous permettre de poser des hypothèses et de formuler des recommandations. Néanmoins seule la conduite de tests peut apporter une réelle réponse. Est-ce que les actions mises en place ont été efficaces ? L’UX Analytics reste donc une démarche purement empirique qui repose en grande partie sur l’apprentissage et l’expérimentation. Dans ce cadre il est particulièrement important de recourir à l’AB Test de façon quasi-systématique afin d’éprouver vos recommandations et de valider ou invalider vos hypothèses.

Pour aller plus loin

Vous êtes arrivé jusqu’ici ? C’est surement que le sujet vous intéresse. Alors si vous souhaitez en savoir plus nous vous invitons à lire :

• La revue de nos outils d’UX Analytics préférés
• Comment correctement mettre en place une démarche data-driven UX dans son organisation.
• L’article dédié à l’UX Analytics de Mix Panel
• 5 exemples de rapports analytics à destination des UX Strategists