En e-commerce, ce ne sont pas les données qui manquent, mais une image cohérente de ces données. La vitrine sait une chose, la plateforme publicitaire une autre, l’entrepôt et l’ERP encore une autre, et le CRM une version de plus. Résultat : les décisions les plus importantes sur l’assortiment, la marge et le budget d’acquisition se prennent souvent à l’instinct plutôt que sur des chiffres. Pour un responsable data, e-commerce ou growth, la conclusion est simple : l’analytique e-commerce doit être un produit entretenu à part entière, et non un tas de rapports à la dérive.
D’après notre expérience, le difficile n’est pas de tracer un graphique mais d’amener les données dans un état où l’on peut faire confiance à ce graphique. Cela demande des personnes qui comprennent en même temps les événements de la vitrine, la modélisation des données et la réalité d’un commerce en ligne. Même si nous n’avons pas d’étude de cas dans votre niche exacte, nous apportons les compétences pour construire cette analytique de bout en bout, de l’événement brut jusqu’à la prévision, en renfort d’équipe ou en équipe dédiée.
Pourquoi les données e-commerce sont-elles si éparpillées ?
Parce que chaque système a été construit pour faire tourner une opération, pas pour en rendre compte. La plateforme e-commerce enregistre les commandes mais ignore tout du coût publicitaire. La plateforme publicitaire connaît le coût par clic mais pas si le client a retourné l’article. L’entrepôt connaît les niveaux de stock mais ne les relie pas à la marge. Les mêmes ventes apparaissent donc différemment à quatre endroits.
S’y ajoute une couche technique : des définitions différentes de la « session », de la « conversion » et de l’« utilisateur », des événements perdus à cause des bloqueurs et des changements de navigateur, et des identifiants clients impossibles à recoller entre appareils. Tant qu’il n’existe pas une définition commune des métriques et une source unique de vérité, chaque équipe défend sa propre version des chiffres. Notre premier travail consiste généralement exactement en ce nettoyage, avant même qu’un joli dashboard existe.
Quels rapports et dashboards commerce construisons-nous le plus souvent ?
Nous commençons par la couche qui change réellement les décisions quotidiennes de l’équipe, pas par des écrans impressionnants mais morts :
- un dashboard des ventes et de la marge dans le temps, par canal, catégorie et appareil,
- une vue de l’acquisition (coût, ROAS, CAC) confrontée à la valeur client réelle, et non aux seuls clics,
- un rapport sur les retours et les réclamations, parce que dans beaucoup de boutiques c’est ce qui mange la marge,
- des alertes et des anomalies qui signalent une chute de conversion ou une flambée de coût avant qu’un humain ne le remarque.
L’essentiel est que chaque dashboard calcule ses métriques sur une seule définition partagée. Nous gardons donc la logique métier dans la couche de modélisation des données, et non enfouie dans un unique outil BI où personne d’autre que l’auteur ne sait la reproduire.
À quoi ressemblent le pipeline d’événements et la télémétrie de la boutique ?
Un bon rapport commence bien avant le graphique, au point où les événements sont collectés. Nous concevons une couche de télémétrie qui capte ce que le client fait réellement : consultation d’un produit, ajout au panier, tunnel de commande entamé, achat, retour. Ce flux d’événements est le socle de tout le reste.
Techniquement, nous le branchons sur un pipeline qui collecte les événements du frontend et du backend, les valide contre un schéma convenu, les charge dans un entrepôt de données ou un lac, et ne les transforme qu’à ce moment-là en modèles prêts pour l’analyse. Nous privilégions une approche événementielle, côté serveur chaque fois que c’est possible, parce qu’une collecte uniquement navigateur n’est plus fiable aujourd’hui. L’ensemble passe sous CI/CD et monitoring, pour qu’un tag cassé ou un changement sur la vitrine ne détruise pas silencieusement des semaines de données.
Comment mener une analyse d’entonnoir et de cohortes qui mène vraiment quelque part ?
L’analyse d’entonnoir ne vaut son prix que lorsqu’elle montre où exactement vous perdez de l’argent, et pas seulement que « la conversion a baissé ». Nous construisons des entonnoirs que l’on peut décomposer et comparer entre segments :
- étape par étape, de l’arrivée sur le site à la page produit, au panier, puis au paiement,
- par source de trafic, appareil et segment client, parce qu’un entonnoir mobile issu d’une publicité ne ressemble en rien à un entonnoir desktop issu d’une newsletter,
- avec une analyse de cohortes qui montre comment se comportent au fil des semaines les clients acquis un mois donné,
- avec la rétention et le réachat, et non la seule première conversion.
Ce sont les cohortes et la rétention qui répondent à la question de savoir si vous grandissez sainement ou si vous versez simplement du budget publicitaire dans un seau percé. Ce sont les vues qui changent le plus souvent les décisions sur ce qui vaut la peine d’être financé.
Comment rendre compte de l’assortiment et de la marge, et pas seulement du chiffre d’affaires ?
Le chiffre d’affaires peut monter pendant que le profit baisse, et sans bons rapports personne ne le voit à temps. Nous construisons donc l’analytique d’assortiment autour de la marge, de la rotation et de la rentabilité à l’article, et non du nombre d’unités vendues. Nous joignons les données de ventes au coût d’achat, au coût logistique et au taux de retour pour montrer le résultat réel par produit et par catégorie.
Cette image répond aux questions qui font réellement bouger le résultat : quels produits gagnent de l’argent et lesquels ne font qu’amener du trafic ; ce qui dort en entrepôt en immobilisant du capital ; où une promotion a fait monter les ventes et où elle a simplement donné de la marge. Un rapport d’assortiment est bon quand les acheteurs et la finance regardent les mêmes chiffres et en tirent les mêmes conclusions.
Comment prévoir la demande et les stocks avec le machine learning ?
Une fois la couche de données en ordre, on peut monter d’un cran vers la prévision de la demande. Les modèles apprennent de l’historique de ventes, de la saisonnalité, des promotions et des tendances pour prédire la demande au niveau du produit et du site. Une bonne prévision se traduit directement en argent : moins de ruptures sur les meilleures ventes et moins de capital gelé dans des articles qui ne partiront pas.
Notre compétence en IA et data couvre la construction de tels modèles et, surtout, leur branchement sur un vrai processus d’achat et de gestion des stocks. Nous surveillons ce qui décide de l’adoption réelle d’un modèle :
- l’ajustement de l’horizon et de la granularité de la prévision à la façon dont vous passez réellement vos commandes,
- un backtesting honnête sur les données historiques, plutôt que des métriques impressionnantes sans rien derrière,
- une communication claire de l’incertitude, pour qu’un planificateur sache quand faire confiance au modèle et quand s’en méfier,
- un suivi continu de la qualité des prévisions, parce que le marché et l’assortiment changent sans arrêt.
Nous traitons un modèle comme la partie d’un produit qu’il faut entretenir, et non comme une expérience ponctuelle dans un notebook.
Comment concilier l’analytique avec la vie privée et le consentement ?
L’analytique e-commerce doit désormais fonctionner dans un monde de consentement réel des utilisateurs et de cookies tiers en voie de disparition. D’après notre expérience, ce n’est pas un blocage mais une affaire de bonne architecture. Nous nous appuyons sur les données first-party et la collecte côté serveur, plus résistantes aux bloqueurs et plus complètes que les seuls tags navigateur. En même temps, nous respectons les choix des utilisateurs en portant le consentement à travers tout le pipeline, pour que des événements sans consentement n’atterrissent pas là où ils ne devraient pas.
En pratique, cela veut dire concevoir la couche de collecte avec la vie privée en tête dès le premier jour : minimiser les données personnelles, pseudonymiser les identifiants et fixer des règles de rétention claires. Une analytique bien conçue est à la fois conforme et utile, et c’est notre point de départ, pas un correctif posé à la fin.
Quelles compétences apportons-nous sur un projet analytique ?
Nous composons l’équipe autour de l’étape précise et des particularités de la boutique, pas « au cas où ». Le plus souvent, nos spécialistes entrent dans des rôles comme :
- un data engineer qui construit le pipeline d’événements, l’entrepôt de données et les modèles,
- un analyste / BI engineer qui conçoit les dashboards et s’accorde avec le métier sur les définitions des métriques,
- un data scientist / ML engineer pour les prévisions de demande, la segmentation et les recommandations,
- un data architect qui relie l’ensemble et veille sur la qualité et la conformité.
Derrière cela se trouve notre expérience réelle des projets Big Data et AI/data, y compris de solutions fondées sur des LLM et des modèles prédictifs. Cela nous permet de pourvoir non pas de simples « paires de mains pour écrire du SQL », mais des rôles qui portent toute la chaîne, de l’événement à la décision.
Comment procédons-nous chez RITS ?
Nous le faisons en partenaire nearshore depuis la Pologne qui ajoute des compétences là où elles manquent, plutôt que de vendre un produit fermé et tout fait :
- nous concevons la couche de données depuis l’événement brut jusqu’à un modèle exploitable par le métier, au lieu de brancher un outil de plus,
- nous mettons d’accord le marketing, les ventes et la finance sur les définitions des métriques, pour en finir avec les disputes sur les chiffres,
- nous vérifions les compétences avant le démarrage et composons l’équipe selon l’étape du projet et la stack du client,
- nous travaillons dans un fuseau horaire proche, donc nous entrons dans vos réunions, vos revues et vos mises en production sans longue montée en charge.
Le plus souvent, nous livrons cela en logiciel sur mesure construit par notre équipe et, lorsqu’il faut compléter vite les effectifs, en renfort d’équipe.
Par où commencer pour construire l’analytique e-commerce ?
Commencez par une décision qui se prend aujourd’hui à l’instinct (par exemple quelle quantité commander d’une meilleure vente, ou où couper le budget publicitaire) et par la question des données réellement nécessaires pour la prendre. Cela définit les événements à collecter, la façon de les modéliser et le rapport qui doit changer les comportements. Mieux vaut livrer une seule vue fiable que l’équipe utilise vraiment que dix dashboards magnifiques auxquels personne ne croit. Nous avons exposé les différences entre les modèles de collaboration dans notre article sur les modèles de collaboration IT.
Vous construisez l’analytique des ventes et des comportements en e-commerce ? Parlons-en - nous accorderons l’équipe et l’architecture à vos données et à vos décisions.