Le Funnel Analytics consiste à mesurer la progression des visiteurs à travers chaque étape d’un funnel afin d’identifier précisément où ils avancent, hésitent, cliquent, abandonnent ou convertissent.
Un taux de conversion final peut vous dire qu’un funnel fonctionne mal. Il ne vous dit pas pourquoi.
Le problème peut se trouver dans la première card, dans une preuve trop tardive, dans une question difficile, dans un CTA peu compris ou dans une rupture entre le funnel et le booking. Sans mesure intermédiaire, toutes les modifications ressemblent à des intuitions.
La chaîne utile : TRAFFIC → STEP → SIGNAL → DROP-OFF → HYPOTHESIS → TEST → OUTCOME.
Qu’est-ce que le Funnel Analytics ?
Le Funnel Analytics est l’analyse quantitative et comportementale d’un parcours de conversion. Il observe les transitions entre les étapes plutôt que de comparer uniquement l’entrée et la sortie.
Dans un funnel de huit cards, la vraie question n’est pas seulement : « combien de visiteurs ont converti ? » Elle devient :
- combien ont commencé le parcours ;
- combien ont atteint chaque card ;
- à quelle étape la perte est la plus concentrée ;
- quels CTA ont été cliqués ;
- quel temps a été passé avant une sortie ;
- quels appareils ou segments progressent différemment ;
- quelle action finale a réellement été réalisée.
Cette granularité transforme « le funnel convertit peu » en un problème localisable.
Funnel Analytics et Funnel Optimization : la différence
Ces deux disciplines sont complémentaires, mais elles ne répondent pas à la même question.
| Discipline | Question | Livrable |
|---|---|---|
| Funnel Analytics | Où et comment le parcours décroche-t-il ? | Observation, segment, point de friction et hypothèse |
| Funnel Optimization | Quelle modification peut améliorer le résultat ? | Variante, test, mesure et décision |
L’analytics mesure et localise. L’optimisation modifie et vérifie. Une optimisation sans diagnostic peut améliorer la mauvaise étape ; un diagnostic sans test reste une observation. Pour passer de l’un à l’autre, utilisez notre méthode d’optimisation de funnel par IA.
Pourquoi le taux de conversion final ne suffit pas
Imaginez deux funnels qui convertissent chacun 3 % de leurs visiteurs.
Dans le premier, 60 % quittent dès l’introduction. Ceux qui dépassent la première étape progressent correctement.
Dans le second, l’introduction fonctionne, mais la majorité abandonne au moment de choisir un produit.
Le résultat final est identique. Le diagnostic et l’action à tester sont opposés.
Le premier funnel peut souffrir d’une promesse mal alignée avec le trafic. Le second peut révéler une offre confuse, trop de choix ou une transition insuffisamment expliquée.
C’est pourquoi un tableau de bord utile doit montrer les transitions, pas seulement les totaux.
Les métriques essentielles d’un funnel
1. Sessions
Le nombre de sessions donne le volume d’entrée. Il fournit le dénominateur nécessaire pour interpréter les autres métriques. Une variation spectaculaire observée sur dix sessions ne possède pas la même solidité que la même variation sur dix mille.
2. Reach par étape
Le reach indique combien de visiteurs distincts ont atteint une étape. Dans un Swipe Funnel, il permet de dessiner une courbe de progression card par card.
Exemple : 1 000 visiteurs atteignent la card 1, 720 la card 2, 680 la card 3 et 390 la card 4. La transition 3 → 4 mérite une analyse prioritaire.
3. Drop-off
Le drop-off mesure la perte entre deux étapes. Une formule simple est :
Drop-off = (visiteurs étape N − visiteurs étape N+1) / visiteurs étape N
Si 500 personnes voient une card et 350 atteignent la suivante, le drop-off de cette transition est de 30 %.
Le chiffre ne dit pas encore pourquoi les visiteurs partent. Il indique où enquêter.
4. Completion rate
Le taux de complétion compare les visiteurs ayant terminé le parcours aux visiteurs entrés. Pour un quiz, il peut aussi être utile de regarder la complétion par question et la distribution des résultats.
Attention à la définition : terminer un funnel n’est pas forcément convertir. Un visiteur peut atteindre la fin sans cliquer, réserver ou acheter.
5. CTA rate
Un taux de clic honnête compare des personnes à des personnes : visiteurs distincts ayant cliqué ÷ visiteurs distincts exposés. Diviser un nombre total de clics par un nombre de visiteurs peut produire un taux supérieur à 100 % lorsqu’une même personne clique plusieurs fois.
6. Micro-conversions
Une vente ou un booking est une macro-conversion. Le parcours contient aussi des micro-conversions :
- commencer un quiz ;
- répondre à une question clé ;
- atteindre l’offre ;
- cliquer sur un CTA ;
- laisser un email ;
- ouvrir le calendrier ;
- commencer un checkout.
Ces événements révèlent si le visiteur progresse même lorsque la conversion finale est rare.
7. Temps passé
Le temps ne possède pas une interprétation universelle. Une durée élevée peut signaler de l’intérêt, de la confusion ou simplement un onglet laissé ouvert.
Utilisez-la avec d’autres signaux. Beaucoup de temps suivi d’un clic peut indiquer une décision réfléchie. Beaucoup de temps suivi d’une sortie et de clics répétés peut signaler une friction.
8. Rage taps et interactions répétées
Plusieurs interactions rapides sur une zone peuvent indiquer qu’un élément semble cliquable alors qu’il ne l’est pas, qu’une action répond mal ou que le visiteur ne comprend pas la prochaine étape.
Un signal comportemental n’est jamais une preuve isolée. Il devient utile lorsqu’il est concentré sur la même card et corrélé à une sortie anormale.
9. Device breakdown
Un funnel peut sembler correct globalement tout en perdant massivement les visiteurs mobiles. Comparez sessions, progression et complétion par appareil avant de conclure qu’un bloc fonctionne.
10. Outcome
La mesure finale doit correspondre à la promesse du parcours : lead qualifié, rendez-vous confirmé, paiement accepté ou autre résultat métier. Un clic sur « réserver » n’est pas encore un rendez-vous.
Le framework STEP → SIGNAL → MEANING → ACTION
Pour ne pas vous noyer dans les métriques, analysez chaque étape avec quatre colonnes.
| Couche | Question | Exemple |
|---|---|---|
| STEP | Quelle étape du parcours ? | Card de preuve sociale |
| SIGNAL | Que mesurons-nous ? | Reach élevé, sortie élevée |
| MEANING | Quelles explications sont plausibles ? | Preuve peu crédible, trop longue ou mal placée |
| ACTION | Quel test isolé lancer ? | Remplacer la preuve et conserver le reste |
La colonne « Meaning » doit rester une hypothèse. L’analytics observe des comportements ; il ne lit pas les intentions dans la tête des visiteurs.
Comment lire une courbe de funnel
Une courbe de funnel représente généralement le nombre ou le pourcentage de sessions ayant atteint chaque étape.
Commencez par chercher trois formes :
- Chute immédiate : promesse, source de trafic, chargement ou première impression à vérifier.
- Chute concentrée : une card, une question ou une transition mérite une enquête locale.
- Érosion continue : le parcours peut être trop long, répétitif ou insuffisamment progressif.
Ne supposez pas qu’une perte est toujours mauvaise. Un quiz de qualification peut volontairement diriger certaines personnes vers une autre route. Dans un funnel interactif, les visiteurs n’ont pas tous la même destination.
Open funnel et closed funnel
Dans un funnel fermé, une personne doit commencer par la première étape pour être comptée dans l’analyse. Dans un funnel ouvert, elle peut entrer à n’importe quelle étape.
Cette différence change les dénominateurs. Pour analyser un parcours éditorial strict, une logique fermée est souvent plus lisible. Pour un écosystème où plusieurs contenus envoient vers différentes routes, une vue ouverte peut mieux représenter la réalité.
Documentez toujours le modèle utilisé. Deux tableaux portant le même nom peuvent raconter des histoires différentes si leurs règles d’entrée ne sont pas identiques.
Analyse quantitative et comportementale
Les métriques quantitatives répondent surtout à où : où la progression ralentit, où les clics baissent, où les abandons se concentrent.
Les signaux comportementaux aident à explorer comment : zones cliquées, ordre des événements, appareil, durée et dernière étape atteinte.
Une timeline de session construite à partir d’événements permet par exemple de revoir la séquence des cards consultées et des actions enregistrées. Elle ne doit pas être confondue avec un enregistrement vidéo de l’écran du visiteur.
Enfin, une recherche qualitative — entretiens, messages de support ou réponses ouvertes — aide à comprendre pourquoi. Les trois niveaux se complètent.
Segmenter sans fabriquer de fausses certitudes
Une moyenne globale peut masquer des parcours très différents. Segmentez lorsque le volume le permet :
- mobile, desktop et tablette ;
- source ou campagne ;
- nouveaux visiteurs et visiteurs connus ;
- résultat de quiz ;
- route recommandée ;
- période avant et après un changement.
Évitez les segments minuscules. Plus vous découpez, plus les variations aléatoires ressemblent à des conclusions. Gardez la taille des échantillons visible et formulez une hypothèse prudente lorsque les données sont faibles.
Exemple : un funnel de coaching
Le parcours contient six étapes :
- promesse ;
- problème ;
- méthode ;
- preuve ;
- qualification ;
- booking.
Les données montrent : 2 000 entrées, 1 760 vues de la card 2, 1 590 de la card 3, 870 de la card 4, 790 de la qualification et 180 bookings ouverts.
Le plus gros décrochage se situe avant la preuve. Plusieurs hypothèses sont possibles : transition trop longue, promesse de preuve insuffisante, média lent ou répétition de l’argument précédent.
Le test prioritaire n’est donc pas nécessairement de changer le formulaire de booking. Il consiste d’abord à isoler la transition 3 → 4.
Exemple : un quiz funnel
Un quiz funnel comporte cinq questions, une capture et un résultat.
Si 80 % des participants atteignent la question 4 mais seulement 45 % la terminent, examinez cette question :
- demande-t-elle une information trop sensible ?
- contient-elle trop de choix ?
- est-elle claire sur mobile ?
- la réponse influence-t-elle réellement le résultat ?
Une question peut être intellectuellement intéressante et opérationnellement inutile. Si sa réponse ne modifie ni le score, ni la route, ni la personnalisation, la supprimer peut être le meilleur test.
Exemple : un funnel e-commerce
Le parcours est : recommandation produit → fiche → ajout au panier → checkout → paiement.
Une forte progression jusqu’au checkout suivie d’une chute ne prouve pas que le prix est responsable. Vérifiez d’abord les frais révélés tardivement, les moyens de paiement, les erreurs, le compte obligatoire, la confiance et la performance mobile.
La donnée localise le problème au checkout. L’enquête et les tests déterminent la cause.
Funnel Analytics et Customer Journey Analytics
Le Funnel Analytics étudie un parcours défini vers une conversion. Le Customer Journey Analytics observe plusieurs interactions et canaux autour de la relation complète.
Un funnel peut expliquer qu’un visiteur quitte avant le booking. L’analyse du parcours client peut montrer qu’il revient deux jours plus tard depuis un email et réserve.
Lorsque plusieurs surfaces partagent le même contexte, la mesure évolue de la page isolée vers la Customer Journey Orchestration : événement, état, décision, action et résultat.
Les erreurs fréquentes
Optimiser la plus grosse perte absolue
Une perte importante au début est normale lorsqu’il y a beaucoup de trafic. Comparez les taux, la qualité des visiteurs et la fonction de l’étape.
Confondre corrélation et cause
Une card associée à de nombreux abandons n’est pas forcément la cause. La friction peut avoir été créée plus tôt.
Changer plusieurs éléments à la fois
Si vous modifiez le titre, la preuve, le CTA et le prix simultanément, vous ne saurez pas ce qui a produit le résultat.
Ignorer l’instrumentation
Un événement dupliqué, un index de card incohérent ou une conversion comptée avant confirmation peut invalider l’analyse.
Prendre un clic pour une vente
Chaque métrique doit correspondre à un événement clairement défini. CTA cliqué, calendrier ouvert, rendez-vous confirmé et client sont quatre états différents.
Créer trop de dashboards
Un écran riche mais sans décision associée devient décoratif. Chaque bloc doit aider à détecter, prioriser ou vérifier quelque chose.
Comment auditer un funnel en 30 minutes
- Définissez la conversion finale. Quelle action confirmée compte ?
- Listez les étapes. Nommez-les selon leur fonction.
- Vérifiez les événements. Entrée, vue, sortie, clic et conversion sont-ils fiables ?
- Tracez la progression. Utilisez des visiteurs distincts par étape.
- Repérez la rupture. Cherchez la perte la plus anormale, pas seulement la plus grande.
- Segmentez. Comparez au minimum mobile et desktop si le volume suffit.
- Formulez trois hypothèses. Séparez ce que vous savez de ce que vous supposez.
- Choisissez un test. Modifiez une variable reliée à la rupture observée.
- Définissez le critère de décision. Que faudra-t-il observer pour garder ou annuler le changement ?
Ce que Swiipe mesure dans un funnel
Le tableau de bord Analytics de Swiipe s’appuie sur les événements du parcours pour présenter notamment :
- les sessions, complétions, clics CTA et leads ;
- la profondeur moyenne et les sorties précoces ;
- les vues, sorties, clics, rage taps et durées par swipe ;
- la distribution et la complétion par appareil ;
- des heatmaps de clics par swipe ;
- des sessions reconstruites à partir de leur suite d’événements.
Cette instrumentation fournit un diagnostic. Elle ne garantit pas qu’une interprétation ou une recommandation soit correcte. Les décisions d’optimisation doivent toujours être confrontées au contexte de l’offre et aux résultats des tests.
Les analytics de quiz et d’Univers utilisent leurs propres événements et surfaces : par exemple la progression et les résultats d’un quiz, ou les vues, ouvertures, swipes et clics sur les blocs d’un Univers. Le périmètre exact dépend de la surface et du plan utilisés.
De Funnel Analytics à l’AI Business Operating System
L’analytics devient particulièrement utile lorsque le résultat revient enrichir le système.
Un AI Business Operating System ne devrait pas seulement savoir qu’une card reçoit peu de clics. Il devrait pouvoir relier :
EVENT → CONTEXT → STATE → DECISION → ACTION → OUTCOME → LEARNING.
Le CRM Leads conserve une partie du contexte. Le funnel produit les interactions. Le booking ou le checkout enregistre l’action. L’analytics observe le résultat.
L’IA peut ensuite aider à résumer les écarts ou proposer des hypothèses. Elle ne doit pas inventer une causalité absente des données ni modifier automatiquement un parcours sans permissions et critères d’évaluation.
Questions fréquentes
Qu’est-ce qu’un funnel analytics ?
C’est l’analyse de la progression et des interactions à chaque étape d’un funnel pour identifier les points de friction et les conversions.
Quelle différence avec Google Analytics ?
Un outil généraliste peut mesurer pages et événements. Une vue Funnel Analytics structure ces données selon les étapes précises du parcours et leurs transitions.
Comment calculer le drop-off ?
Soustrayez les visiteurs ayant atteint l’étape suivante de ceux ayant atteint l’étape actuelle, puis divisez par le nombre de visiteurs de l’étape actuelle.
Quel est un bon taux de conversion ?
Il n’existe pas de taux universel. L’offre, la source, le prix, la qualification et la définition de la conversion changent le résultat. Comparez surtout des cohortes et périodes comparables.
À partir de combien de visiteurs peut-on optimiser ?
Cela dépend de la fréquence de conversion et de l’ampleur de l’effet recherché. Avec peu de données, privilégiez les problèmes manifestes, la recherche qualitative et des hypothèses prudentes.
Faut-il analyser chaque card ?
Oui si chaque card représente une étape réelle. Regroupez toutefois les étapes purement décoratives afin de conserver une lecture décisionnelle.
Une session replay est-elle une vidéo ?
Pas nécessairement. Dans Swiipe, la reconstruction du parcours repose sur les événements trackés et ordonnés dans le temps ; elle ne doit pas être présentée comme un enregistrement vidéo de l’écran.
L’IA peut-elle trouver automatiquement le problème ?
Elle peut détecter des anomalies et proposer des hypothèses. Elle ne connaît pas toujours la cause réelle ; une recommandation doit être vérifiée par le contexte et un test.
Trouvez le premier point de rupture
Ne commencez pas par refaire tout votre funnel.
Ouvrez sa courbe, identifiez la première rupture anormale, vérifiez les événements puis formulez un test limité.
Swiipe relie Swipe Funnels, quiz, leads et analytics pour observer le parcours card par card et transformer les signaux en décisions d’optimisation plus précises.