Funnel Analysis dans l'analytique mobile — ce que c'est, étapes de l'entonnoir et comment construire

Qu'est-ce que le Funnel Analysis ?

Funnel Analysis (analyse d'entonnoir) est une méthode d'analyse dans laquelle une séquence d'événements menant à une conversion est identifiée. Chaque étape suivante n'inclut que les utilisateurs ayant complété toutes les précédentes. Le résultat est un « entonnoir » — une large entrée (tous ceux qui ont commencé) et une sortie étroite (ceux qui ont terminé).

Dans les applications mobiles, un entonnoir typique ressemble à : installation → inscription → intégration → première action → action répétée → achat. À chaque étape, certains utilisateurs abandonnent, et la tâche de l'analyste est de comprendre la cause et de réduire les pertes.

Métriques de base de l'entonnoir

La métrique Average Time entre les étapes est souvent sous-estimée. S'il faut en moyenne 45 minutes de l'installation à l'inscription, le problème réside dans le chargement du contenu ou la complexité du premier écran.

Types d'entonnoirs dans l'analytique mobile

Les entonnoirs sont divisés en deux types principaux — ouverts et fermés. Le choix dépend du scénario et de la flexibilité du parcours utilisateur.

Entonnoir fermé (Strict Funnel)

L'utilisateur doit compléter toutes les étapes strictement dans l'ordre. S'il saute une étape ou emprunte un autre chemin, il n'est pas inclus dans l'entonnoir. Exemple : inscription → confirmation par e-mail → remplissage du profil → première commande. Les entonnoirs fermés donnent une image propre mais excluent les scénarios utilisateur réels.

Entonnoir ouvert (Open Funnel)

L'utilisateur peut effectuer les étapes dans n'importe quel ordre ou en sauter certaines. Le système calcule la conversion à chaque étape indépendamment. Exemple : visualisation du catalogue → ajout au panier → validation de la commande. Open Funnel est une méthode plus réaliste pour la plupart des applications mobiles.

• Entonnoir fermé — séquence stricte, toutes les étapes obligatoires
• Entonnoir ouvert — ordre libre, étapes facultatives
• Hybride — premières étapes obligatoires, suivantes libres

Exemple d'entonnoir hybride pour une application d'abonnement

Étape 1 (obligatoire) : installation de l'application. Étape 2 (obligatoire) : visualisation de l'écran d'abonnement. Étape 3 (facultative) : visualisation des forfaits. Étape 4 (obligatoire) : souscription à l'abonnement. L'approche hybride offre un équilibre entre la pureté des données et le réalisme.

Étapes de construction de l'entonnoir

Construire un entonnoir est une tâche à l'intersection de l'analytique et du produit. Le processus comprend cinq étapes, de la formulation de l'hypothèse à l'automatisation du rapport.

Étape 1 : Définissez la conversion cible

Que voulez-vous que l'utilisateur fasse ? purchase_completed, subscription_started, referral_sent. L'événement cible est le sommet de l'entonnoir. Toutes les étapes en dessous y mènent.

Étape 2 : Décomposez le parcours en événements

Listez tous les événements obligatoires entre l'entrée dans l'application et l'action cible. Pour le e-commerce : app_opened → product_viewed → add_to_cart → checkout_started → payment_selected → purchase_completed. Chaque événement doit déjà exister dans l'Event Tracking ou être ajouté.

Étape 3 : Choisissez une fenêtre de temps

Time window — le temps maximum entre la première et la dernière étape. Pour les scénarios rapides (installation de jeu) — 24 heures. Pour les abonnements — 7 ou 30 jours. Les événements hors fenêtre ne sont pas inclus dans l'analyse.

Le choix de la fenêtre affecte directement la conversion : une fenêtre trop courte (1 heure) exclut les utilisateurs revenus après 2 heures pour finaliser un achat. Trop longue (30 jours) inclut des actions aléatoires. L'optimum est déterminé en analysant le temps entre les étapes : construisez une distribution des intervalles et sélectionnez la fenêtre au 90e percentile.

Pour les entonnoirs rapides (intégration, inscription), utilisez une fenêtre d'1 heure. Pour les moyens (premier achat) — 7 jours. Pour les longs (abonnement) — 30 jours. Différentes fenêtres peuvent être utilisées pour différentes paires d'étapes au sein du même entonnoir.

-- Exemple de calcul de Funnel dans BigQuery
WITH funnel_steps AS (
  SELECT
    user_id,
    event_name,
    event_timestamp,
    LAG(event_name) OVER (
      PARTITION BY user_id ORDER BY event_timestamp
    ) AS previous_event
  FROM `project.events.*`
  WHERE event_name IN (
    'app_opened', 'product_viewed',
    'add_to_cart', 'purchase_completed'
  )
)
SELECT
  event_name AS step,
  COUNT(DISTINCT user_id) AS users,
  ROUND(
    COUNT(DISTINCT user_id)
    / MAX(COUNT(DISTINCT user_id)) OVER (), 3
  ) AS conversion_rate
FROM funnel_steps
GROUP BY step
ORDER BY ARRAY_POSITION(
  ['app_opened', 'product_viewed',
   'add_to_cart', 'purchase_completed'],
  event_name
)

La requête utilise LAG pour suivre la séquence et ARRAY_POSITION pour trier les étapes. Le résultat est un tableau avec le nombre d'utilisateurs et la conversion à chaque étape.

Étape 4 : Validez sur des données historiques

Construisez l'entonnoir sur les données des 30 derniers jours. Si « checkout_started » a 80% de conversion mais « purchase_completed » seulement 25%, le problème est dans le formulaire de paiement. Comparez avec les benchmarks concurrentiels : la conversion moyenne du panier dans les applications mobiles est de 15–25% selon Statista (2024).

Étape 5 : Automatisez le suivi

Mettez en place un rapport quotidien avec l'entonnoir dans un tableau de bord (Looker Studio, Tableau). Ajoutez des alertes : si le Conversion Rate à une étape tombe sous la limite de contrôle, envoyez une notification à Slack ou Telegram.

Analyse des pertes dans l'entonnoir

Drop-off Analysis est une étape clé du Funnel Analysis. Les pertes à chaque étape sont une source d'hypothèses pour l'amélioration du produit. Trois zones de problèmes sont identifiées : les bugs techniques, les barrières UX et les scénarios motivationnels.

Pertes techniques

Si 15% des utilisateurs abandonnent à l'étape « registration_completed » après avoir saisi leur numéro de téléphone, vérifiez la passerelle SMS. Les pertes techniques se corrigent en 1–2 jours et offrent une augmentation rapide de la conversion. Utilisez Firebase Crashlytics en combinaison avec l'entonnoir pour identifier les bugs.

Barrières UX

Si 40% sont perdus à « cart_viewed » → « checkout_started », le problème est dans l'UX du panier. Il se peut qu'il n'y ait pas de bouton « Commander » au-dessus de la ligne de flottaison, ou que les frais de livraison ne soient pas affichés avant la saisie de l'adresse. L'analyse UX nécessite des rejeux de session (Hotjar, UXCam, Smartlook).

Pertes motivationnelles

Si l'utilisateur atteint « payment_selected » mais ne finalise pas l'achat, la valeur de l'offre est inférieure au prix. Les pertes motivationnelles sont traitées par des remises, des essais et une preuve sociale. Test A/B : montrez à 50% des utilisateurs des avis sur la page de paiement et comparez la conversion.

• Techniques — bugs, timeouts, erreurs API (jusqu'à 20% des pertes)
• Barrières UX — navigation complexe, CTA cachés (jusqu'à 35%)
• Motivationnelles — prix, manque de confiance (jusqu'à 45%)

Méthodologie d'analyse : 5 Pourquoi pour l'entonnoir

La technique des 5 Pourquoi appliquée à l'entonnoir : à une étape où la conversion a chuté de 20%, posez séquentiellement cinq questions « pourquoi ». Pourquoi les utilisateurs n'arrivent-ils pas au paiement ? Parce que le formulaire de paiement charge lentement. Pourquoi charge-t-il lentement ? Parce que la requête vers la passerelle de paiement expire. Pourquoi expire-t-elle ? Parce que le SDK n'est pas mis à jour. La méthodologie identifie la cause racine, pas le symptôme.

L'analyse de cohorte de l'entonnoir est un autre outil. Comparez l'entonnoir des utilisateurs ayant installé l'application en janvier et février. Si la cohorte de février montre une baisse de 15% de la conversion à l'étape « inscription », la cause est un changement de l'écran d'intégration déployé fin janvier. Les cohortes isolent les facteurs temporels.

Selon le CXL Institute (2024), l'analyse systématique du Drop-off suivie de tests A/B des hypothèses permet d'augmenter la conversion de l'entonnoir de 30% en moyenne sur 3 mois.

Outils pour le Funnel Analysis

Chaque outil propose sa propre approche pour construire des entonnoirs. Le choix dépend de la complexité du produit et du budget.

Amplitude — Pathfinder et Funnel Analysis

Amplitude est le leader de l'analytique produit. Son Funnel Analysis intégré permet de segmenter l'entonnoir par cohortes, appareils et versions d'application. Pathfinder montre les embranchements — combien d'utilisateurs ont emprunté un chemin alternatif après l'étape 2.

Mixpanel — Flows

Mixpanel Flows visualise l'entonnoir sous forme de graphe de transitions. Avantage : mise à jour en temps réel. Inconvénient : filtrage limité dans le plan gratuit. Convient aux projets de taille moyenne avec une équipe allant jusqu'à 10 analystes.

Firebase Analytics — Funnel Report

Firebase fournit un Funnel Report gratuit avec une limite de 10 étapes. L'intégration avec BigQuery permet de construire des entonnoirs personnalisés via SQL. Idéal pour les startups qui commencent tout juste à analyser la conversion.

Tableau + BigQuery

Pour les solutions entreprise, utilisez Tableau avec BigQuery comme source. Cela offre une flexibilité totale : métriques personnalisées, analyse de bout en bout de l'installation au LTV, suivi en temps réel. Nécessite un ingénieur BI.

Google Analytics 4 — Funnel Exploration

GA4 propose Funnel Exploration dans la section Explore. Prend en charge jusqu'à 10 étapes, la segmentation par paramètres utilisateur et la comparaison de périodes. Inconvénient : flexibilité limitée par rapport à Amplitude, mais entièrement gratuit et intégré à Google Ads.

Comparaison des outils de Funnel Analysis

Le choix de l'outil est déterminé par la fréquence d'analyse. Pour le suivi quotidien des entonnoirs, Amplitude ou Mixpanel conviennent. Pour les rapports stratégiques hebdomadaires — Tableau avec BigQuery. Pour les startups — Firebase ou GA4.