Navigation guidée et recherche à facette : les indicateurs clés de performance

Idée N°2 : mesurez tout et adoptez une stratégie DATA DRIVEN !

« Ce qui ne se mesure pas ne s’améliore pas »

William Edwards Deming

Nous avons observé dans un premier article que la navigation guidée est rarement bien traitée au regard des facteurs clés d’achat clients et qu’elle n’a guère évolué depuis le milieu des années 2000. Essayons de nous rassurer sur la mesure de toutes les interactions… S’il y a bien un sujet à améliorer grâce à la donnée, c’est la navigation guidée.

Voici le type de questions qu’on peut se poser :

• Est-ce que vos visiteurs utilisent vos filtres ?
• Quel est l’impact sur la performance de vos pages catégories (taux de conversion, panier moyen, nombre de fiches produits vues…) ?
• Quels sont les filtres les plus utilisés et quelles sont les valeurs activées ?
• Les facteurs clés d’achat sont-ils rangés dans le bon ordre ?
• Quel est l’impact de fermer un filtre au lieu de le laisser ouvert avec toutes les valeurs de choix affichées ?
• Mes filtres sont-ils mieux utilisés sur la version mobile ou desktop ?
• Combien de filtres faut-il mettre au maximum ?
• Est-ce que tous les produits bénéficient d’attributs suffisants pour être retrouvés sur le site en cas de filtrage ?
• …

Si vous ne savez pas répondre à la majorité de ces questions, vous avez un souci.

ETAPE 1 : LA COLLECTE

L’idée est donc de mesurer un maximum d’interactions avec vos filtres afin d’être ensuite en capacité de les optimiser durablement. Si vous avez parfois des doutes à positionner des traceurs analytics, sur ce périmètre, il ne faut pas se poser de question et TOUT collecter quand un filtre est vu (impression, exposition) et activé (cliqué). Et on ne parle pas ici d’une simple étude unique mais bien d’une mesure permanente et durable de la performance des filtres :

• titre du filtre
• type de filtre : puces radio mono choix, case à cocher multi choix, slider prix, carré couleur, liste déroulante, image / pictograme / visuel…
• ouverture / fermeture du filtre
• valeur du filtre
• position du filtre et de la valeur cliquée
• business généré après l’activation

Avec Google Analytics, vous pouvez commencer par créer 10 custom dimensions paramétrées au hit pour capturer les 5 premiers filtres activés et leurs valeurs, ce qui sera déjà un bon début pour couvrir la majorité des usages et croiser les données. On peut également compléter par des évènements chaque ouverture ou fermeture de filtre par exemple.

ETAPE 2 : L’ANALYSE DES DONNEES

Avant tout, vous devez créer le segment des « FILTREURS » afin d’identifier tous les visiteurs qui utilisent vos filtres durant leur navigation, et ce, dès la 1ère interaction détectée. Si vous avez bien effectué l’étape 1, rien de plus facile. Il faudra ensuite croiser les rapports selon le device utilisé pour détecter des anomalies dans les interfaces.

On peut commencer l’analyse par une vue MACRO avec les KPI suivants :

• % de filtreurs (nombre de visiteurs qui ont activé un filtre ou + durant la visite, divisé par toutes les visites) : là c’est très simple. Vous devriez atteindre un taux entre 15% et 30% des visites.
• % de conversion des filtreurs : à l’instar des « chercheurs » (visiteurs qui utilisent le moteur de recherche interne durant leur visite), les « filtreurs » sont plus engagés et cela devrait se traduire par un taux de conversion 2 à 3 fois supérieur à la moyenne du site, tous visiteurs confondus.
• panier moyen des filtreurs : idem côté valeur de la commande qui devrait augmenter de 15% à 20% comparé à tous les autres visiteurs.
• nombre de filtres activés en moyenne ainsi que le nombre moyen de valeurs activées avant achat : ce KPI va être plus complexe à analyser dans Google Analytics.
• durée visite et pages vues par session : ces 2 indicateurs devraient être en forte hausse (X2 ou X3) comparé à tous les visiteurs du site car on analyse un segment de visiteurs plus engagés, en quête du produit à acheter.

Ensuite, on peut affiner l’analyse MICRO avec les KPI suivants dans chaque contexte de page liste / page catégorie. L’idée est d’analyser finement, catégorie par catégorie, les usages et les performances de chaque filtre.

• % d’usage du filtre (nombre de clics sur les valeurs d’un filtre divisé par le nombre de pages vues) : si un filtre n’est pas utilisé, c’est qu’il n’est pas pertinent dans le contexte ou qu’il n’est pas assez visible, très mal exposé en zone froide.
• Chiffre d’affaires généré par le filtre et la valeur du filtre : l’idée est d’associer la vente du produit au(x) filtres(s) activé(s) avant sa mise au panier et son achat (last click attribution). On peut dénicher des filtres très peu utilisés mais gros générateurs de business.
• CTR (Click Through Rate) du filtre (nombre de clics sur les valeurs du filtre divisé par le nombre d’affichages du filtre) : l’idée est de détecter un filtre peu utilisé comparé à son exposition forte et à l’inverse, un filtre très utilisé comparé à sa faible exposition afin de le rendre plus visible en zone chaude
• taux d’ouverture / de fermeture si cette option est possible
• ordre moyen lors du clic (filtre et valeur du filtre)
• taux de couverture des produits : l’idée est de détecter tous les produits qui seront « orphelins » si un filtre est activé car aucune valeur d’attribut n’est renseignée. Dès qu’un filtre sera appliqué, le produit disparaîtra de la catégorie. Il est intéressant de gérer des attributs obligatoires sur les principaux facteurs clés d’achat de la catégorie concernée.

Comme vous l’aurez constaté, Google Analytics ne peut pas répondre à toutes les attentes en terme d’analyse des filtres. Il faut souvent compléter par des outils de type UX analytics. Certains permettent de restituer des cartes de chaleur ou de rejouer des visites via des vidéos. Il faut alors cibler les filtreurs non acheteurs pour tenter de comprendre les raisons d’abandon. Vous pourriez également compléter les analyses via un sondage activé dès qu’un visiteur active un filtre afin de collecter quelques feedbacks.

Chez Adeo, avec Samuel, nous avons développé un outil interne qui permet de collecter tous les clics et les performances associées des principaux leviers du e-merchandising, dont les filtres de navigation guidée. La donnée est facilement accessible car restituée directement dans le contexte de travail du e-merchandiser, sur le site web via un plugin Chrome. Difficile de faire plus simple pour analyser rapidement et optimiser ses filtres 🙂

ETAPE 3 : ACTIONS & OPTIMISATIONS

Une fois toute cette donnée collectée et analysée, vient ensuite le temps de l’ACTION ! Piloter la performance par la donnée et s’inscrire dans une stratégie DATA DRIVEN, c’est ça !

Les premières actions peuvent être d’ajouter un facteur clé d’achat manquant, de modifier ou de supprimer des filtres inutilisés. Idéalement, validez vos hypothèses par un test AB afin de mesurer les impacts « toutes choses égales par ailleurs » sur base des KPI vus dans l’étape 2.

L’action la plus fréquente que je vois au grès de mes analyses est l’ajustement des valeurs de filtres en remontant en zone chaude les filtres les plus importants, en effectuant des regroupements ou plus simplement, en rangeant les valeurs dans un ordre logique pour le client. Prenons cet exemple sur LeroyMerlin.fr dans le gazon sur le critère de la surface à traiter en m2 :

Le client est ici face à 2 problématiques : les valeurs sont affichées dans le désordre (tris par nombre descendant de produits correspondants) et il y a trop de valeurs ce qui oblige à en masquer certaines. Pas vu = pas cliqué. On le constate par les chiffres. Les valeurs exposées génèrent plus de clics :

Les valeurs non affichées par défaut ont eu moins de chance :

Il faudrait ici afficher uniquement 3 valeurs : de 0 à 100m2 / de 100 à 300 m2 / Plus de 300 m2 pour répartir les produits de façon homogène et logique. Etrangement, c’est très bien fait dans cette autre catégorie accessible via un niveau d’arborescence plus profond :

Les chiffres sont là pour le démontrer : l’usage du filtre est plus fort alors que la page bénéficie de près de 4 fois moins de trafic (niveau d’arborescence plus profond). On détecte très vite que les clients cherchent les sacs qui couvrent des surfaces de plus de 100m2 alors que l’offre produit est moins large.

Quand on cherche bien et qu’on prend le temps d’observer et d’analyser, on peut trouver partout des optimisations à réaliser pour faciliter les recherches des visiteurs. Le mieux est de se mettre en mode achat réel et de chercher à commander comme dans la vraie vie. Certaines optimisations vont vous sauter aux yeux 🙂 La data est la clé : à vous de jouer !

Si vous avez des compléments à apporter, des KPI à ajouter, des analyses contradictoires ou de meilleures performances, n’hésitez pas à partager et à commenter juste en dessous. Le prochain article sera certainement consacré au SEO et la meilleure façon de gérer les filtres de navigation guidée pour atteindre de meilleures positions dans les SERP (search engine result page = page de résultat de recherche) avec l’aide d’Aymen Loukil. J’ai hâte !