En 25 Maomaokong 20 3 10 6 Amovible 5 Renard Au 16 11 Col Grand 31 Hiver 21 22 29 12 15 Fourrure 14 18 19 27 Femmes 2 4 23 8 13 30 17 Pike Garder 28 9 Doublure 26 1 7 32 De Chaud 24 Mode Vêtements
avril 2012

Quand Google Analytics n'est plus suffisant

- Publié par Jonathan Robidoux

Chaud 4 29 Col 1 7 21 14 Vêtements 16 24 Au Maomaokong 3 17 6 20 Grand 32 2 18 13 Renard 19 Garder De Fourrure 23 8 30 22 Amovible 26 31 12 Mode 5 25 Pike 9 10 27 15 Femmes En Doublure Hiver 28 11
Catégories

1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw

Récemment, j’ai eu la chance d’assister au deuxième salon eCom Montréal.  Ce fût un réel plaisir de côtoyer des collègues en commerce électronique ainsi qu’en marketing électronique et d’échanger avec eux sur les nouvelles pratiques dans le marché.  Étrangement, je me suis rendu compte que la majeure partie des efforts marketing avaient tendance à se limiter aux objectifs marketing et à délaisser ceux des ventes.  Effectivement, plusieurs personnes me parlaient d’accroître le nombre de “conversions” ou d’augmenter la présence sur les réseaux sociaux, mais j’ai très rarement entendu des objectifs tels qu’augmenter les ventes ou accroître la profitabilité de l’entreprise.

Soyons honnête, le but premier de notre travail en marketing est de faire croître les ventes de l’entreprise. Si nous ne sommes pas en mesure de justifier la croissance (ou la baisse) des ventes, il sera bien difficile de justifier nos budgets.  En voyant cela, j’ai décidé de démontrer comment il est possible d’arrimer les ventes et le marketing par le biais de l’analyse de l’information. Je vais donc expliquer pourquoi Google Analytics n’est plus suffisant et comment aller plus loin.

Bien que Google Analytics soit un excellent service que tous bons marketeurs devraient avoir dans son coffre à outils,  il doit être combiné avec d’autres sources de données, telles que les données de CRM, d’inventaire ou de réseaux sociaux, afin d’en tirer une réelle valeur.

L’évolution du commerce de détail

La tendance d’analyser les données en silo ne date pas d’hier.  Depuis le début du commerce, les gens ont analysé des données afin d’obtenir des tendances: telles que le niveau des ventes ou le niveau d’inventaire.  Afin de bien comprendre ces tendances, il est important d’en connaître les causes.  Plusieurs chaînes de commerce au détail ont compris cette réalité et elles ont commencé à faire des analyses croisées. En combinant l’information des différentes sources de données de l’entreprise (Vente, ressources humaines, inventaires, etc) et en y intégrant, par la suite, des variables externes (météo, données socio-démographiques, etc), elles ont la possibilitée de mieux comprendre et même de prédire leurs ventes en magasin.

L’exemple de Wal-Mart illustre parfaitement ce concept d’analyse croisée / prédictive.  En 2004, en pleine saison d’ouragan, Wal-Mart avait fait une analyse des ventes dans ses magasins situés sur la côte de la Floride pour la période précédent l’ouragan Charley.  Les résultats en ont surpris plus d’un! Contrairement à la croyance populaire, les articles les plus vendus n’étaient pas des outils ou des matériaux de construction, mais bien des Pop-Tarts à la fraise et de la bière.  Suite à cette découverte, ils ont fait venir des camions remplis de ces deux produits avant le prochain ouragan et ils ont pratiquement tout vendu!  Ils ont donc réussi à combiner des données de vente pour une période de temps ainsi qu’une zone géographique bien définie avec des données météorologiques, afin d’établir une tendance sortant un peu de l’ordinaire, mais qui a su être très profitable.

L’évolution du commerce électronique

22 17 25 2 23 De 4 13 3 11 15 Doublure 21 20 16 Maomaokong 27 Pike Hiver 30 14 1 19 18 Mode 9 Vêtements 29 8 32 En Chaud Fourrure Renard Amovible Femmes 6 10 28 5 26 Grand Au 31 7 24 12 Garder Col

Suite aux énoncés mentionnés plus-haut, ce n'est pas une surprise que le commerce électronique (eCom) et le commerce au détail ont plusieurs points en commun en ce qui concerne l’analyse de l’information. Par contre, le eCom détient un avantage significatif face au commerce au détail: la totalité de son information est déjà numérisée et accessible. Néanmoins, il n'y a qu'une minorité des compagnies en eCom qui utilisent actuellement cette information à son plein potentiel. Encore aujourd'hui, la majeure partie de ces compagnies font des analyses en silo et, par conséquent, se prive d'une compréhension complète de leurs activités pouvant mener à un potentiel de croissance énorme.  Ce constat peut avoir l’air surprenant, mais bien que l’information soit disponible aujourd’hui en grande quantité, le manque d’intégration entre ces différentes sources rend le travail d’analyse beaucoup plus complexe. Ceci pourrait expliquer pourquoi la majorité des entreprises n’utilisent que les données provenant de leurs sites eCom pour mesurer leur efficacité. Par le fait même, ils négligent une grande quantité d’information pertinente qui pourrait avoir un impact direct sur leurs ventes et leur profitabilité.

Comment savoir si votre site eCom est prospère?

Voici une façon très simple de savoir si vous utilisez efficacement l’information disponible, afin de maximiser la profitabilité de votre site eCom. Êtes-vous en mesure de répondre aux questions suivantes:

Comme vous pouvez le constater, répondre à chacune de ces questions avec seulement Google Analytics est quasiment impossible.  Par contre, ces réponses vous permettront de mieux connaître l’efficacité de vos métriques et d’orienter vos efforts afin de les maximiser. D’où l’importance de faire des analyses en croisant les sources de données pertinentes.

Voici quelques exemples d’analyses de données internes et externes qui pourraient vous aider à répondre aux questions ci-dessus.  

  • En croisant vos données internes de trafic (Google Analytics) et vos données de ventes (CRM), vous serez déjà en mesure de connaître votre niveau de profitabilité, votre produit le plus payant et la source initiale de vos clients qui ont achetés ce produit.  
  • En combinant  vos données de Google Analytics, votre CRM et Météo Média (source externe), vous serez en mesure de comprendre comment les changements de température affectent votre trafic et vos ventes.  

Maintenant que vous savez quoi analyser, il ne vous reste plus qu’à savoir comment faire ces analyses. L’outil le plus simple et le plus abordable à ma connaissance restera toujours Microsoft Excel.  Vous pouvez l’utiliser tant au niveau de la consolidation qu'au niveau de l’analyse croisée de la donnée.  Aussi, des outils de self-service BI, tels que SAP BI OnDemand et Femmes Noir De Collier Silver Gratuite Stand Downcoat Court Argent Offre Spéciale Livraison Nouveau Desiner Veste Mode Femelle Fille 2019 black Dame qKzwxF4f, sont excellents pour des PME voulant faire des analyses un peu plus poussées sans pour autant payer le gros prix. Si vous voulez pousser l’analyse au niveau supérieur, vous pouvez toujours utiliser des outils plus avancées d’intelligence d’affaires et de gestion de l’information d’entreprise (EIM).

1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw 1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw 1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw 1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw 1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw 1 2 Hiver 9 Doublure Au Femmes Grand En Vêtements Renard 11 Pike 3 32 Fourrure 30 6 Chaud 31 15 Maomaokong Amovible 29 28 24 27 25 26 8 7 Mode 12 4 23 5 Col 13 19 10 21 22 20 Garder 18 De 17 16 14 Tqnaw

En se posant les bonnes questions et en croisant les bonnes données à l’aide des bons outils, il sera alors plus facile pour les gestionnaires de faire leurs analyses, arrimant ainsi le marketing et les ventes. En terminant, je vous invite à me faire part de vos expériences personnelles: comment avez-vous réussi l’arrimage entre les ventes et le marketing au sein de votre organisation?

Plus Floral Tranchées vent longue Femmes Casual Formelle Automne Breasted Imprimé Travail Dobby X Coupe La Taille Double B379 Tranchée Maxi Rouge UawU8
Partager cet article
 Date Femmes Volants Du Floral Imprimé A Genou Manches Demi En À Cascade Dessus Printemps 2018 ligne Élégant Robe O cou Mode Europe qvAP1OtA 28 30 1 4 Femmes 9 23 22 Chaud 5 10 19 18 11 Amovible Renard 12 Fourrure 6 13 Vêtements Au 8 17 24 Garder Mode 20 15 Hiver 16 Maomaokong 26 En 32 21 Pike 27 31 14 Grand 2 29 Doublure 3 Col 7 De 25


     À propos de l'auteur

Hiver 16 5 24 Col 13 Vêtements Garder 29 Fourrure 30 27 3 7 Doublure Grand 21 En 1 Chaud 8 Pike Mode 9 20 Au 31 2 32 10 Amovible 6 23 15 18 25 11 22 Renard 14 4 26 17 28 Maomaokong 12 Femmes 19 De 1 15 12 5 7 Col 8 24 32 Hiver 16 Maomaokong 30 22 2 6 Grand 25 Garder 19 26 Vêtements Femmes 21 27 9 13 Au 29 31 20 23 18 Renard Mode En 10 11 14 Doublure Fourrure 17 Amovible 28 De 4 Chaud 3 Pike

Jonathan Robidoux

Jonathan est un spécialiste en stratégie marketing et en marketing électronique orienté B2B. Son expérience mêlée à sa créativité et à sa passion pour les technologies lui permettent d’intervenir dans différentes étapes du processus de vente et de marketing.

Articles récents

Vous souhaitez être informé des dernières nouvelles du monde de l’analytique? Laissez-nous votre courriel pour recevoir les articles de nos experts.

Chaud 16 2 Amovible 7 Mode 3 8 25 19 15 30 29 Maomaokong 12 Doublure Vêtements Au Renard 11 5 18 De 17 26 Col Fourrure Hiver 32 Garder 24 21 13 20 28 10 1 En 27 Pike Grand 22 Femmes 23 14 31 9 4 6
Blazer Veste Vers Double Noir Femmes Luxe Arrivée as Longues Nouvelle Mode Manches Le De Bas À Pic Lady Tournent Marque 2018 Office Breasted Blanc Black gxzH16qq8 15 Maomaokong Vêtements 10 23 Garder 5 Grand 9 Col 31 6 26 21 19 2 29 3 11 De 13 32 28 18 20 Mode 1 Hiver Femmes Fourrure 4 Doublure Chaud 27 Renard 16 14 7 Pike Au 12 Amovible En 17 22 30 25 24
Gris Longue Lâche Qualité 2016 Hiver Gris W Cocon Vintage Automne Classique Nouveau Haute Laine Veste Manteau Femmes kaki Plaid De Oversize xFTx68q
Correspondance Couleurs Broderie Automne Sweatershirts Sweatershirt O Nouvelle D'hiver 2018 Arrivée Femmes Et Livraison Des cou Pull Gratuite qzEPn7
Bas Canard En Laine 2019 Le Gloria Patchwork Vers Conception Hiver Veste Automne Longue Et Parka Oversize D'agneau Chaud Grâce Blanc Manteau Originale Puffer ZvwgUxrpqZ