Lors du Mix-IT de  Lyon, j’ai assisté à la session «Intelligence collective avec Apache Mahout» présentée par Michaël Figuere.

Les solutions présentées lors de cette conférence ainsi que les cas d’utilisation évoqués rejoignent une problématique qui me trotte dans la tête depuis quelque temps déjà.

Comment analyser plus finement les actions des internautes qui viennent sur notre site pour améliorer nos taux de conversions.

Split Tests classiques

Google Analytics offre une première lecture du comportement sur notre site. Il ne s’avère pas suffisant pour une bonne optimisation.

Ainsi pour tester notre site, nous avons toujours 2 versions parallèles qui tournent. Une version, nommée  HARD  et une version SOFT. La version est stockée dans la session de l’utilisateur. Durant tout son passage sur le site, il aura une version différente de l’internaute arrivé juste après lui.

Les variations portent sur:

• les textes des incitations à l’action («Voir mon taux» vs «Accéder au détail de ma simulation»)
• les couleurs,
• la cinématique (être plus ou moins agressif pour demander les coordonnées de l’internaute).

J’ai ensuite un suivi des scénarios qui me permet de voir les taux de conversion par version. Après avoir laissé suffisamment tourner 2 versions en parallèle, je suis en mesure de déclarer la version gagnante. Cette version est conservée tandis que la perdante est remplacée pour améliorer encore la conversion globale.

Pourquoi ça ne suffit pas

Le nombre de variables qui rentre en jeu dans le comportement d’un internaute est énorme. Je citerai en vrac:

1. sa provenance (google, site référent, …),
2. l’étape de son projet

C’est pourquoi des splits test simples ne suffisent pas. Il faut pouvoir les corréler avec des patterns d’internautes. Pour optimiser un site il faut être capable de réaliser des analyses multiaxes des taux de transformation.

Migrer les logs de postgres vers une base NoSql

Les données à analyser se trouvent aujourd’hui dans une base relationnelle, postgres en l’occurence. Les informations pertinentes sont dans des tables relativement éloignées dans le modèle de données.

La prochaine étape de mes expérimentations consistera à migrer ces données dans une base NoSql.

La suite au prochain épisode.

No related posts.

Vous suivez dans Google Analytics un objectif de vente. Pour optimiser vos campagnes publicitaires, votre effort sur les forums et les partenaires, il est important de comparer les taux de transformation par source.

Supposons le processus suivant :

LandingPage => Transaction => Merci

L’internaute arrive sur une Landing Page qui l’incite à passer aux pages de transactions. À l’issue du processus de vente, le site affiche une page de remerciement.

Cette mécanique est la même quelle que soit la source par laquelle l’internaute arrive sur le site :

- campagne de publicité (adwords, facebook, …),

- recherche Google,

- liens partenaire,

- liens dans des forums.

Il existe généralement plusieurs versions de Landing Page qui correspondent à des communications distinctes en fonction de la source d’arrivée de l’internaute. Si l’internaute vient d’une publicité «Baissez vos mensualités avec…», la première page du site sur laquelle il arrive reprend les mêmes termes.

Analytics permet de suivre «L’entonnoir des conversions vers votre objectif». Vous indiquez la page constituant l’objectif final (dans notre cas la page de remerciement) et les étapes intermédiaires. Les informations fournies vont vous permettre d’optimiser votre contenu ou sa présentation afin d’avoir la meilleure conversion globale.

L’astuce pour suivre les conversions en fonction de la source

Lorsque vous avez plusieurs version de Landing Page par source, il est facile de créer un objectif par source.

En cochant la case «Étape obligatoire», Google Analytics ne mélangera pas les statistiques des étapes suivantes avec d’autres objectifs.

Lorsque l’une de vos Landing Page est partagée par plusieurs sources (tous les forums sur le crédit immobilier par exemple), il est tout de même possibles de paramétrer l’entonnoir de conversion par source. Définissez les différentes sources que vous souhaitez identifier et attribuez leur un code. Exemple : Yahoo Groupe => yg, droit finance => df, le blog techo d’itintegrans => blogITI…

Utilisez ce code dans l’url du lien que vous créez.

http://www.mon-credit-immobilier.info/simulation-rachat-credit-au-meilleur-taux?src=blogITI

Le paramètre dans l’URL ne sert à rien dans le site mais vous permet de paramétrer dans Google Analytics cette URL particulière.

Vous pouvez ainsi différencier vos entonnoirs de conversion de vos objectifs en fonction de leur source.

No related posts.