Analyse de cohortes : comprendre pourquoi les clients restent ou partent
L'analyse de cohortes révèle les schémas de rétention cachés dans vos chiffres agrégés. Comment lire une cohorte, en construire une et agir sur ce que vous trouvez.
Votre taux de rétention global est de 78 %. Est-ce bon ? Tout dépend de quels clients restent et lesquels partent — et c'est précisément ce que votre taux de rétention agrégé ne peut pas vous dire. Une entreprise affichant 78 % de rétention peut très bien retenir ses clients les plus précieux tout en perdant les plus récents, ou bien maintenir une base de clients historiques pendant que ses cohortes récentes churne rapidement. L'agrégat masque les deux situations. L'analyse de cohortes les révèle.
Une cohorte est simplement un groupe de clients qui ont commencé en même temps — qui se sont inscrits le même mois, ont fait leur premier achat au même trimestre, ou ont évolué vers une offre supérieure la même semaine. En suivant chaque cohorte indépendamment dans le temps, on peut voir comment les schémas de rétention évoluent sur différentes périodes de l'histoire de l'entreprise. C'est l'un des diagnostics les plus puissants à la disposition d'une équipe produit ou commerciale.
Comment lire un tableau de rétention par cohortes
Un tableau de rétention par cohortes standard présente les cohortes d'acquisition en lignes (janvier, février, mars…) et les mois depuis l'acquisition en colonnes (Mois 0, Mois 1, Mois 2…). Le Mois 0 est toujours 100 % — c'est le point de départ. Les chiffres sur chaque ligne indiquent quel pourcentage de cette cohorte était encore actif lors de chaque mois suivant.
| Cohorte | Mois 0 | Mois 1 | Mois 2 | Mois 3 | Mois 4 | Mois 5 | Mois 6 |
|---|---|---|---|---|---|---|---|
| Janvier | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Février | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Mars | 100% | 76% | 62% | 51% | 49% | — | — |
| Avril | 100% | 79% | 65% | 61% | — | — | — |
| Mai | 100% | 82% | 69% | — | — | — | — |
| Juin | 100% | 84% | — | — | — | — | — |
Ce tableau raconte une histoire claire : la rétention s'est considérablement améliorée chaque mois. La cohorte de janvier ne retenait que 34 % au Mois 6, tandis que les cohortes plus récentes maintiennent 69 à 84 % lors de leurs deux premiers mois. Quelque chose a changé — probablement une amélioration produit, un meilleur onboarding ou un changement de canal d'acquisition attirant des clients mieux ciblés. Le taux de rétention agrégé aurait masqué cette évolution en totalité.
Les trois schémas à repérer
Une fois le tableau de cohortes en main, vous cherchez trois schémas précis. Chacun pointe vers un problème différent et appelle une solution différente.
Une forte chute initiale : si la rétention du Mois 0 au Mois 1 est constamment inférieure à 50 %, vous avez un problème d'onboarding. Les clients s'inscrivent mais ne trouvent pas la valeur assez rapidement pour rester. C'est le schéma le plus courant en SaaS early-stage et le plus traitable — un meilleur onboarding, un délai réduit jusqu'à la première valeur et un engagement précoce plus proactif aident tous.
Un déclin constant sur toutes les cohortes : si la rétention continue de baisser au même rythme mois après mois sur toutes les cohortes, vous avez un problème de valeur produit. Les clients essaient le produit, certains restent au départ, mais il n'y a pas suffisamment de valeur continue pour les maintenir engagés. Aucune amélioration de l'onboarding ne résoudra cela — le produit lui-même doit délivrer plus de raisons de revenir.
Une courbe en « sourire » qui s'aplatit : les meilleures courbes de rétention s'aplatissent après une chute initiale. Les clients qui survivent aux deux ou trois premiers mois ont tendance à rester. L'objectif est de maximiser le nombre de clients qui atteignent ce point d'inflexion. Si votre courbe ne s'aplatit jamais — si la rétention continue de baisser au même rythme au Mois 6 qu'au Mois 1 — vous n'avez pas de base stable de clients fidèles, et les calculs de LTV sur cette cohorte seront trompeurs.
Le chiffre le plus important dans un tableau de cohortes n'est pas le pourcentage au Mois 6 — c'est la pente entre le Mois 0 et le Mois 2. C'est là que la plupart des clients sont perdus, et que la plupart des interventions ont le plus d'effet de levier.
Segmenter les cohortes : là où résident les vraies insights
L'analyse de cohortes devient véritablement puissante quand on segmente les cohortes par canal d'acquisition, niveau de tarification, taille de client ou géographie. Un tableau de cohortes montrant une rétention globale de 60 % après trois mois peut révéler que les clients issus de la recherche organique retiennent à 75 % tandis que ceux acquis via les réseaux sociaux payants retiennent à 40 %. Cette seule insight reformule entièrement la conversation sur l'allocation des dépenses marketing.
La segmentation la plus utile en premier lieu est presque toujours par canal d'acquisition. Les clients qui vous trouvent via le bouche-à-oreille, le contenu ou la recherche organique retiennent généralement à des taux nettement supérieurs à ceux acquis via des campagnes payantes large audience. Si vos données de cohortes montrent ce schéma — et c'est généralement le cas — c'est un argument solide pour investir dans le contenu et les programmes de parrainage, même quand l'acquisition payante semble moins chère en coût par acquisition. Le CAC paraît bon marché jusqu'à ce qu'on intègre la rétention dans le modèle.
Que faire face à un tableau de cohortes en déclin
Si vos cohortes les plus récentes retiennent moins bien que les plus anciennes, c'est un signal urgent. Cela signifie que quelque chose dans votre produit, votre acquisition ou votre onboarding s'est dégradé — et récemment. Cherchez ce qui a changé. Avez-vous ouvert un nouveau canal d'acquisition attirant des clients moins qualifiés ? Avez-vous déployé une fonctionnalité qui a perturbé un flux de travail existant ? Avez-vous modifié la tarification d'une façon qui a attiré des clients peu adaptés ?
Améliorer la rétention des cohortes est presque toujours un problème de produit et d'onboarding avant d'être un problème marketing. La séquence d'interventions qui tend à fonctionner : d'abord, identifier les actions que les clients fidèles effectuent dans leurs deux premières semaines que les churned ne font pas. Ensuite, repenser l'onboarding pour déclencher ces actions plus tôt. Puis utiliser le comportement précoce comme signal pour identifier les clients à risque et intervenir avant qu'ils ne churnent, et non après.
Les cohortes avec une longue ancienneté ont l'air excellentes parce que les clients qui sont restés sont, par définition, vos clients les plus satisfaits et les mieux adaptés. Quand vous regardez la rétention au Mois 24 d'une cohorte vieille de deux ans, vous observez une population qui a déjà été fortement filtrée par le churn. Ne prenez pas le comportement des clients fidèles depuis longtemps comme modèle de ce que feront les nouveaux clients — c'est un échantillon sélectionné, pas représentatif.
L'analyse de cohortes est plus utile quand elle est revue régulièrement plutôt que faite une fois et oubliée. Dans FabricLoop, les équipes produit et croissance maintiennent souvent une note mensuelle dans leur groupe partagé avec un instantané de cohorte mis à jour — le tableau actualisé avec les dernières données, un paragraphe d'interprétation sur ce qui a bougé et pourquoi, et une liste de tâches d'interventions testées sur les cohortes à risque. Quand l'analyse vit aux côtés des tâches qui y répondent, l'écart entre insight et action se réduit considérablement.