Analyse de Cohorte dans l'Analytique Mobile : définition, métriques et étapes de réalisation

Qu'est-ce que l'analyse de cohorte ?

L'analyse de cohorte est une méthode analytique qui divise les utilisateurs en groupes (cohortes) en fonction du moment où ils ont effectué leur premier événement cible, comme l'installation de l'application ou l'inscription. Contrairement aux métriques agrégées comme DAU ou MAU, les cohortes permettent de suivre le comportement du même groupe sur des semaines et des mois, révélant les tendances de rétention et d'abandon.

Le principal avantage de cette méthode est d'éliminer l'illusion de croissance, où les anciens utilisateurs masquent les problèmes des nouveaux. Selon Amplitude Blog (2024), les entreprises qui ont adopté l'analyse de cohorte réduisent l'abandon des utilisateurs de 20 à 30 % au cours des 90 premiers jours.

Appliquez l'analyse de cohorte pour évaluer l'efficacité des campagnes UA, comparer le comportement des différentes versions de l'application et calculer le retour sur investissement dans l'acquisition d'utilisateurs.

Métriques clés de l'analyse de cohorte

Taux de Rétention (Retention Rate)

Le taux de rétention est le pourcentage d'utilisateurs d'une cohorte revenus dans l'application N jours après l'installation. C'est la principale métrique de qualité du produit : si les utilisateurs ne reviennent pas, les problèmes se situent dans l'intégration, la proposition de valeur ou la stabilité de l'application. Selon Statista (2025), la rétention moyenne au Day-1 pour les applications mobiles est de 25 à 30 %, au Day-7 de 10 à 15 %, au Day-30 de 5 à 7 %.

Comparez la rétention de votre cohorte aux références de la catégorie et analysez quels changements de produit ont augmenté les retours.

LTV — Lifetime Value

Le LTV (Lifetime Value) est le revenu total de tous les utilisateurs d'une cohorte sur la période d'observation. Cette métrique est essentielle pour évaluer le ROI des campagnes publicitaires et prendre des décisions sur l'extension des budgets UA. Selon le rapport Adjust Benchmarks (2024), le LTV médian par utilisateur dans les jeux est de 3,50 $, dans le e-commerce de 1,80 $, et dans les utilitaires de 0,40 $.

Calculez le LTV de la cohorte aux Day-30, Day-90 et Day-180 pour comprendre la valeur à long terme des utilisateurs acquis.

Taux de Désabonnement (Churn Rate)

Le taux de désabonnement est le pourcentage d'utilisateurs d'une cohorte qui ont cessé d'utiliser l'application. Un taux de désabonnement élevé dans les premiers jours signale des problèmes d'intégration ou un décalage des attentes. Selon Localytics (2024), 25 % des utilisateurs abandonnent l'application après la première ouverture, et au 90e jour, il en reste moins de 5 %.

Surveillez le taux de désabonnement chaque semaine — une augmentation de 5 % dans une cohorte nécessite une analyse immédiate des causes d'abandon via des enquêtes ou des enregistrements de sessions.

Types de cohortes par période

Cohortes quotidiennes

Les cohortes quotidiennes sont les utilisateurs qui ont installé l'application le même jour. C'est le niveau le plus granulaire, permettant de détecter les anomalies : une baisse soudaine de la rétention à une date spécifique peut indiquer un problème technique ou une campagne créative problématique. Les cohortes quotidiennes sont utilisées pour la surveillance opérationnelle et les tests A/B lorsque des modifications sont apportées quotidiennement.

Cohortes hebdomadaires

Les cohortes hebdomadaires sont les utilisateurs qui ont installé l'application la même semaine calendaire. Elles fournissent des données plus stables, lissant les fluctuations quotidiennes. Elles conviennent aux rapports réguliers et à la comparaison des performances des canaux publicitaires — le pas hebdomadaire neutralise l'effet du jour de la semaine, où la conversion peut différer le week-end.

Cohortes mensuelles

Les cohortes mensuelles sont les utilisateurs qui ont installé l'application le même mois. Elles sont optimales pour analyser les tendances à long terme, la saisonnalité et calculer le LTV sur un horizon de 6 à 12 mois. Elles sont utilisées au niveau de la gestion de produit pour les décisions stratégiques concernant le développement du produit.

Comment réaliser une analyse de cohorte

L'analyse de cohorte se déroule en quatre étapes : collecte des données, regroupement en cohortes, calcul des métriques par période et visualisation. Tout d'abord, définissez l'événement cible — généralement install, signup ou first_purchase. Tous les utilisateurs qui l'ont effectué dans une même période appartiennent à la même cohorte.

Deuxièmement, définissez l'intervalle de temps : jour, semaine ou mois. Pour chaque période suivante (Day-1, Day-2, Day-3...), calculez le pourcentage d'utilisateurs qui reviennent. Les résultats sont compilés dans un tableau de cohorte, où chaque ligne est une cohorte, chaque colonne est une période et chaque cellule est une valeur de métrique.

Troisièmement, calibrez les données : excluez les cohortes de moins de 100 utilisateurs et tenez compte de la saisonnalité. Selon Mixpanel (2024), les cohortes de moins de 50 utilisateurs donnent des résultats statistiquement insignifiants avec une marge d'erreur supérieure à 20 %. Quatrièmement, visualisez les données sous forme de tableau de cohorte ou de carte thermique — les lignes (cohortes) et les colonnes (périodes) rendent les tendances de rétention claires pour les parties prenantes.

Pour une interprétation correcte, comparez toujours des cohortes de même taille : il est inacceptable de comparer une cohorte de 50 000 utilisateurs avec une cohorte de 500. Normalisez les métriques en pourcentage de la taille initiale de la cohorte, pas en nombres absolus — cela permet de comparer des groupes de taille inégale. Tenez également compte de l'effet de nouveauté : les utilisateurs qui ont installé l'application après un grand événement marketing peuvent se comporter différemment des installations organiques.

Outils d'analyse de cohorte

Les outils d'analyse de cohorte se divisent en outils intégrés aux plateformes d'analyse et en solutions SQL personnalisées. Amplitude et Mixpanel proposent des rapports de cohorte prêts à l'emploi avec calcul automatique de la Retention et du LTV, sans nécessité d'écrire des requêtes. Firebase Analytics fournit des cohortes de base par date d'installation réparties par jours, semaines et mois.

Pour les cohortes personnalisées, utilisez des requêtes SQL dans BigQuery ou Redshift — cela vous donne un contrôle total sur les métriques et les périodes. Selon Amplitude (2024), les équipes qui utilisent des cohortes SQL personnalisées découvrent 35 % d'informations comportementales supplémentaires par rapport aux rapports standard. Les outils BI (Tableau, Looker, Google Data Studio) permettent de construire des tableaux de bord interactifs de cohortes pour un suivi régulier.

Le choix de l'outil dépend de la maturité analytique de l'équipe. Au début, Firebase Analytics ou les cohortes intégrées d'Amplitude sont suffisantes — elles couvrent 80 % des besoins d'analyse de cohorte. Au fur et à mesure que l'équipe grandit, passez aux cohortes SQL dans BigQuery : cela offre une flexibilité pour définir des métriques non standard (par exemple, les cohortes par date du premier achat plutôt que par date d'installation) et permet de construire des modèles prédictifs de LTV utilisant le ML. Pour la visualisation, utilisez Looker Studio, qui se connecte directement à BigQuery sans frais supplémentaires.

Exemple d'analyse de cohorte en SQL

Pour calculer vous-même des cohortes quotidiennes, utilisez une requête SQL qui regroupe les sessions par date d'installation. Vous trouverez ci-dessous une requête pour BigQuery qui renvoie le nombre d'utilisateurs actifs par jour au sein de chaque cohorte.

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

Après avoir exécuté la requête, créez un tableau récapitulatif dans Google Sheets ou un outil BI. Chaque ligne est une date de cohorte, chaque colonne est le numéro du jour (Day-1, Day-2, etc.). Le pourcentage d'utilisateurs actifs est calculé comme le rapport entre active_users au jour N et active_users au Day-0 (jour d'installation).

Erreurs courantes dans l'analyse de cohorte

La première erreur est de travailler avec de petites cohortes. Si une cohorte contient moins de 100 utilisateurs, chaque abandon ou retour d'une personne fausse considérablement le pourcentage. La taille minimale d'une cohorte pour des conclusions fiables est de 500 utilisateurs.

La deuxième erreur est d'ignorer la saisonnalité. Une cohorte qui a installé l'application avant le Nouvel An se comportera différemment d'une cohorte de la mi-janvier. Comparez toujours des cohortes de la même saison ou utilisez la normalisation des données. Selon Mixpanel (2024), les fluctuations saisonnières peuvent atteindre 30 à 40 % pour la rétention au Day-1.

La troisième erreur est de confondre l'analyse de cohorte et l'analyse transversale. L'analyse de cohorte suit un groupe dans le temps, ne compare pas différents groupes à un moment donné. Utilisez des mesures répétées sur la même cohorte, sinon vous obtiendrez des conclusions fausses sur la croissance de la rétention.