Quels segments sont comparables ?
Par défaut, les segments sélectionnés sont comparés à Toutes les autres sessions sur le même appareil/s. Cependant, cette information n'est pas toujours la plus pertinente car elle inclut des utilisateurs qui pourraient être n'importe où dans leur parcours de navigation.
Bonne pratique : Si vous analysez un segment de population qui a cliqué sur une certaine zone d'une page, comparez-les à des utilisateurs qui ont visité cette même page et n'ont pas cliqué sur la zone plutôt que de les comparer au Toutes les autres sessions.
Le widget Impact montre-t-il la cause des faibles taux de conversion ?
C'est un début ! Cependant, même si vous voyez une forte corrélation entre, par exemple, un Temps de chargement lent et un faible taux de conversion, gardez à l'esprit que ce n'est pas toujours la cause profonde.
Bonne pratique : Vérifiez d'autres facteurs pour expliquer le taux de conversion (par ex., un CTA cassé).
Des facteurs externes peuvent-ils mener à des aperçus contre-intuitifs ?
Oui, par exemple, les utilisateurs qui cliquent avec rage pourraient mieux convertir que ceux qui ne le font pas. Pourquoi ? Les clics de rage indiquent une motivation à acheter, d'où les multiples tentatives. Mais bien sûr, ajouter des clics de rage aux parcours des utilisateurs ne produira pas réellement des taux de conversion ou des revenus plus élevés.
Si le Segment A sous-performe par rapport au Segment B, devrais-je simplement appliquer ma campagne pour le Segment B au Segment A pour stimuler la conversion ?
Peut-être que cela aidera la performance, mais ne supposez pas que déplacer tous les utilisateurs du segment A vers la campagne du segment B entraînera une parité de performance. Pourquoi pas ? Eh bien, 100 % des utilisateurs du segment A qui ne convertissaient pas auparavant n'auraient pas converti s'ils avaient été acquis via la campagne du segment B. (Pour éviter de générer des aperçus basés sur ce résultat irréaliste, le widget Impact affiche le revenu par session gagné/perdu, et non le revenu total gagné/perdu.)
Comment l'opportunité de revenu (revenu supplémentaire) est-elle calculée ?
Nous affichons un revenu estimé qui pourrait être généré si les utilisateurs du segment perdant convertissent au taux du segment gagnant. Ainsi, nous montrons un revenu projeté basé sur la différence des taux de conversion des deux segments et la valeur par conversion du segment performant.
Pour illustrer cela, imaginez les scénarios suivants :
1. Vous comparez un Segment choisi par rapport au 'Toutes les autres sessions' par défaut.
- Le Segment sélectionné surpasse le segment par défaut ‘Toutes les autres sessions’.
L'opportunité de revenu est calculée par le trafic dans votre Segment sélectionné, la différence de taux de conversion entre les sessions dans le segment par défaut (‘Toutes les autres sessions’) et celles dans le Segment sélectionné, par rapport au revenu généré dans le Segment sélectionné performant (ou la valeur du panier moyen/valeur personnalisée).
Revenu supplémentaire (objectif e-commerce)
Revenu supplémentaire (objectif non e-commerce)
- Le Segment sélectionné sous-performe le segment par défaut ‘Toutes les autres sessions’.
L'opportunité de revenu est calculée par le trafic dans votre Segment sélectionné, la différence de taux de conversion entre les sessions dans le segment par défaut (‘Toutes les autres sessions’) et celles dans le Segment sélectionné, par rapport au revenu généré dans le segment par défaut performant ('Toutes les autres sessions').
htmlRevenu supplémentaire (objectif e-commerce)
Revenu supplémentaire (objectif non e-commerce)
2. Vous comparez un Segment A choisi à un autre Segment B choisi
- Segment A dépasse Segment B.
L'opportunité de revenu est calculée par le trafic dans le segment à faible performance (Segment B), la différence de taux de conversion entre les sessions dans le segment à faible performance (Segment B) et celles dans le segment à haute performance (Segment A), par rapport au revenu généré par le panier médian (ou le revenu du panier moyen/valeur personnalisée) dans le segment sélectionné à haute performance (Segment A).
Revenu supplémentaire (objectif e-commerce)
Revenu supplémentaire (objectif non e-commerce)
- Segment A est en dessous de Segment B.
L'opportunité de revenu est calculée par le trafic dans le segment à faible performance (Segment A), la différence de taux de conversion entre les sessions dans le segment à faible performance (Segment A) et celles dans le segment à haute performance (Segment B), par rapport au revenu généré par le panier médian (ou le revenu du panier moyen/valeur personnalisée) dans le segment sélectionné à haute performance (Segment B).
Revenu supplémentaire (objectif e-commerce)
Revenu supplémentaire (objectif non e-commerce)
Comment les conversions manquées, le revenu manqué et les conversions supplémentaires sont-ils définis et calculés ?
- Conversions manquées
Le nombre de conversions perdues en raison de la différence de taux de conversion (de l'objectif sélectionné) entre le segment A et le segment B, ou entre le segment sélectionné et toutes les autres sessions sur le(s) même(s) appareil(s).
Conversions manquées = Le trafic SEGMENT N X (Taux de Conversion de SEGMENT M - Taux de Conversion de SEGMENT N)
SEGMENT M : le segment qui a mieux converti
SEGMENT N : le segment qui a moins converti
- Revenu manqué
Le résultat de la multiplication du nombre de conversions manquées (de l'objectif sélectionné) par la valeur par conversion du segment non problématique.
Revenu manqué (objectif e-commerce) = Le trafic SEGMENT N X (Taux de Conversion de SEGMENT M - Taux de Conversion de SEGMENT N) X Panier Médian (Ou Panier Moyen) de SEGMENT M
Revenu manqué (objectif non e-commerce) = Le trafic de SEGMENT N X (TC de SEGMENT M - TC de SEGMENT N) X Valeur Personnalisée de l'Objectif
SEGMENT M : le segment qui a mieux converti
SEGMENT N : le segment qui a moins converti
- Conversions supplémentaires
Le nombre de conversions gagnées en raison de la différence de taux de conversion (de l'objectif sélectionné) entre le segment A et le segment B, ou entre le segment sélectionné et toutes les autres sessions sur le(s) même(s) appareil(s). Vous pouvez ajuster votre scénario d'amélioration pour estimer les conversions supplémentaires.
Conversions supplémentaires = Scénario d'amélioration (10 % ou 25 % ou 50 % ou 100 % ou pourcentage personnalisé) x Le trafic SEGMENT N X (Taux de conversion de SEGMENT M - Taux de conversion de SEGMENT N)
SEGMENT M : le segment qui a mieux converti
SEGMENT N : le segment qui a moins converti
Comment est calculée l'importance statistique ?
L'importance statistique sert de métrique de confiance que nous utilisons pour déterminer si une condition de segment est liée à une diminution des taux de conversion des utilisateurs.
Il est important de noter que nous pouvons uniquement évaluer la correlation entre l'erreur/segment et la baisse de conversion. Nous ne pouvons pas prétendre mesurer la causalité car d'autres facteurs peuvent contribuer à l'échec d'un utilisateur à convertir, en plus de l'expérience d'une condition d'erreur/segment.
Nos calculs d'importance statistique sont basés sur le modèle statistique fréquentiste, utilisant spécifiquement des tests z. Ce modèle nous permet de tirer des inférences significatives en utilisant la probabilité. Lorsque nous utilisons ce modèle, notre objectif est d'affirmer avec confiance : "Nous sommes x % certains que la différence observée n'est pas le résultat du simple hasard."
Nous fixons notre niveau de confiance à 99 %. Cela signifie que nous considérons qu'un résultat de test est statistiquement significatif uniquement lorsqu'il dépasse une valeur de 2,33, comme établi dans un tableau de distribution, communément appelé tableau z.
Chez Contentsquare, nos analyses fonctionnent avec un niveau de confiance de 99 %. Cela signifie :
- Nous avons 99 % de chances d'identifier correctement que l'hypothèse nulle est fausse lorsqu'elle l'est effectivement, indiquant la présence d'une véritable différence ou variation.
- Il y a 1 % de chances de conclure incorrectement que l'hypothèse nulle est fausse lorsqu'elle ne l'est pas, entraînant des faux positifs.
Par exemple, si nous devions fixer le niveau de confiance à 95 %, cela entraînerait au moins 1 faux positif pour chaque 20 erreurs ou opportunités (20 x 0,05 = 1). Cependant, à un niveau de confiance de 99 %, nous prévoyons seulement 1 faux positif pour chaque 100 erreurs ou opportunités (100 x 0,01 = 1).
Cette approche nous permet de trouver un équilibre entre la détection confiante de véritables différences et la minimisation du risque de conclusions erronées.