Les outils d’analyse Web : le Direct Traffic

Il y a beaucoup de choses qui peuvent être mesurées en observant les utilisateurs. Les outils d’analyse Web comme Google Analytics semblent prédestinés à fournir de telles données sur l’utilisation des sites Web avec précision et presque en temps réel.

Cependant, il y a deux questions très importantes dans le marketing en ligne auxquelles les logiciels d’analyse web seuls atteignent régulièrement leurs limites pour répondre. Les bonnes réponses à ces questions sont essentielles pour les spécialistes du marketing en ligne.

La première question est : “Pourquoi l’utilisateur vient-il sur mon site ?”

La deuxième question est : “Pourquoi l’utilisateur quitte-t-il mon site ?”

Ces deux questions sont importantes pour la bonne gestion des budgets de marketing et le développement de son propre site web et de ses services.

À première vue, des outils comme Google Analytics semblent fournir des réponses détaillées à la question “Pourquoi les utilisateurs viennent sur mon site”. Le rapport Acquisition and Multichannel Funnel de Google Analytics vous indique exactement cela, de la source au support en passant par la campagne et le contenu publicitaire.

Cet article montre pourquoi le suivi des performances publicitaires basé uniquement sur des outils d’analyse web tels que Google Analytics n’a souvent qu’une signification limitée. On vous présente un exemple concret d’une approche permettant de retrouver cette importance. Dans les cases grises, vous trouverez toujours des conseils sur la façon dont vous pouvez le mettre en œuvre vous-même.

Quelles sont les sources de trafic les plus importantes ?

Dans cet article de blog sur l’importance des différents canaux publicitaires, les plus grands sites web par origine du trafic seront analysé. Les canaux les plus importants étaient le “direct”, la recherche organique et la recherche payante.

Qu’est-ce que le Direct Traffic ?

Direct fait en fait référence à la saisie directe de l’URL dans le navigateur. Dans Google Analytics, cependant, seuls les clics pour lesquels il n’y avait pas d’autre source d’origine avant la dernière entrée “Direct” sont signalés comme “Direct”. Dès qu’il y a ce “Last-Non-Direct-Click”, le “Direct” est ignoré et la source de ce dernier clic non-direct est utilisée (Attribution LNDC). Cela peut remonter jusqu’à six mois (si les paramètres par défaut n’ont pas été modifiés) – sic ! Ce n’est que dans le rapport sur l’entonnoir multicanal de Google Analytics que vous trouverez les “vrais” “Directs”, c’est-à-dire aussi ceux pour lesquels l’utilisateur est venu auparavant par une autre source. Dans les autres rapports, Google Analytics sous-estime systématiquement ces “Directs” car ils ont été écrasés par la dernière autre source où ils étaient présents. Google Analytics a donc déjà deux façons très différentes de calculer cette mesure. Mais ce n’est pas tout.

Les articles de blog énumèrent souvent des invocations directes plus techniques d’une page Web via une URL, des signets ou des paramètres de suivi manquants comme facteurs possibles pour les “directs”.

Cependant, si vous n’avez pas fait de grosses erreurs dans la mise en page du matériel publicitaire, dans la pratique, la cause la plus importante de “Direct” est souvent l’entrée directe de l’URL dans le navigateur par l’utilisateur. Cependant, l’entrée directe de l’URL n’est pas un conducteur en soi, mais se trouve généralement à la fin de quelque chose qui l’a précédé. À partir de là, les choses deviennent passionnantes, mais de nombreux messages s’arrêtent ici, tout comme les outils d’analyse Web tels que Google Analytics.

Quels sont les “moteurs” du trafic direct ?

La réponse à la question de savoir ce qui conduit à une telle saisie directe d’URL par l’utilisateur ne peut pas être fournie par l’analyse web dans la norme.

Les facteurs importants des “vrais Directs” peuvent être, par exemple, les suivants :

Connaissance de la marque : le domaine / l’URL est connu de l’utilisateur. La page se trouve dans l'”ensemble pertinent” de l’utilisateur. Il a la page du fournisseur “en tête” lorsqu’il veut acheter un certain produit ou utiliser un service.

Clients existants : Ce moteur est très similaire au thème de la notoriété de la marque. Ici, le client n’a acheté ou utilisé le service qu’auparavant. Il était manifestement si satisfait qu’il est devenu un acheteur ou un utilisateur régulier.

Bouche-à-oreille : le fournisseur a été recommandé et le client ou l’utilisateur l’appelle en saisissant l’URL dans son navigateur.

Des parcours clients bouleversés :

Effets cross-canal : L’utilisateur voit la publicité dans un magazine, dans un catalogue, à la télévision, dans un magasin, par le biais de la publicité extérieure, ou entend une publicité à la radio. Il visite ensuite le site web et achète ou utilise les services du site web.

Effets inter-appareils : Le client visite d’abord le site via son mobile, puis se rend (“directement”) sur le site web sur son ordinateur de bureau/portable et y effectue la transaction (ou vice versa). Le suivi inter-appareils est déjà disponible dans une certaine mesure dans la phase bêta de Google Analytics.

Effets cross-média : Le client voit une bannière, par exemple, mais ne clique pas dessus, il saisit l’URL directement dans le navigateur. Les effets cross-média en ligne sont les plus faciles à estimer. Dans Google Analytics, cependant, vous ne pouvez voir cette partie des contacts répétés de la publicité (parcours client) que si l’utilisateur a également cliqué sur la publicité (rapport entonnoir multicanal).

Interruption technique du parcours client : cela peut se produire, par exemple, si l’utilisateur supprime les cookies ou s’il utilise des navigateurs qui désactivent les mesures basées sur les cookies (par exemple, ITP d’Apple).

Vos propres employés (mais techniquement, ils peuvent être exclus, par exemple dans les paramètres de filtrage de Google Analytics au niveau de la vue des données).

Les requêtes de marque, c’est-à-dire les requêtes sur les moteurs de recherche qui contiennent le nom du site web, se comportent également de la même manière. Ils ne sont en fait pas un véritable contact publicitaire. La véritable cause est autre, comme le bouche à oreille, la marque, le cross-média, le cross-canal. Là encore, l’utilisation d’outils d’analyse web tels que Google Analytics ne permet qu’une identification insuffisante de la cause.

Pourquoi il est important de connaître les “conducteurs” de votre trafic direct ?

“Direct” n’est pas seulement l’un des canaux les plus importants pour de nombreuses entreprises. Les différents moteurs du trafic “direct” entraînent également des efficacités publicitaires complètement différentes, c’est-à-dire des ratios coût/résultat.

Comment mesurer les “moteurs” du trafic direct ?

Il n’est pas difficile de trouver les conducteurs réels. Toutefois, les outils d’analyse du web ne suffisent pas. L’approche décris les complète par une courte question avec plusieurs réponses possibles sur la page de remerciement (confirmation de la commande, inscription à la newsletter, etc.)

Avec une enquête comme celle-ci, vous ne pouvez poser des questions que sur les comportements conscients (cognitifs). Les choses dont l’utilisateur est conscient et dont il peut se souvenir. La mesure de l’impact de la publicité subliminale échappe à cette méthode.

Dans cet exemple, la question suivante est posée sur la page de confirmation d’inscription au séminaire :

Quelle était la raison de votre achat ?

Vous devez dériver les questions respectives de votre propre modèle d’entreprise et du mix publicitaire de l’entreprise. 121WATT ne réalise pas, par exemple, de publicités télévisées ou n’envoie pas de catalogues à grande échelle. C’est pourquoi ces questions ne sont pas posées.

Il est important de poser des questions ouvertes (au moins au début de la période d’enquête) sur les autres causes. En utilisant les réponses ouvertes, vous pouvez facilement voir si vos utilisateurs comprennent correctement les options de réponse ou si vous devez les ajuster et si vous avez inclus tous les facteurs importants pour l’entreprise respective dans les options de réponse fermées.

Enquête utilisant Surveygizmo ou Surveymonkey

Chez 121WATT, il y a une collaboration avec Surveymonkey et, depuis peu, de plus en plus avec Surveygizmo.

Vous devez faire tourner les options de réponse de manière aléatoire à chaque affichage de page (option par défaut de la plupart des outils d’enquête en ligne) afin qu’il n’y ait pas de biais de séquence en faveur de l’option qui est autrement constamment en haut. Il est également judicieux d’inclure une option de réponse que l’entreprise n’a jamais suivie. Vous pouvez ensuite l’utiliser pour déterminer la proportion de réponses aléatoires et la soustraire de la proportion d’options “réelles”.

Intégrez des sondages Surveymonkey et Surveygizmo sur des sites Web 

Au départ, l’enquête est intégrée en utilisant Surveygizmo via un iframe, mais cela présentait un sérieux inconvénient, sur lequel je reviendrai plus tard.

Les premiers résultats :

La petite enquête est remplie très fréquemment selon les normes. Près de 400 réponses ont été recueillies.

Cela correspond à une expérience dans une grande entreprise de vente par correspondance par catalogue. Une approche similaire a été adoptée ici et obtenu des valeurs de réponse comprises entre 15 et 35.

Passez maintenant à la question passionnante de savoir quels étaient les motifs réels de l’inscription à un séminaire.

Vous pouvez constater que cette enquête révèle les véritables moteurs de cette activité : Les clients existants et les recommandations sont à l’origine de près de ⅔ des inscriptions aux séminaires.

Cela ressemble très peu aux sources de l’analyse web de Google Analytics.

Les clients existants commandent généralement à nouveau parce qu’ils ont déjà eu de bonnes expériences avec le fournisseur, et les recommandations sont faites parce que la bonne expérience s’est répandue. La qualité des séminaires est donc le moteur de cette activité dans une large mesure.

Une simple enquête peut révéler les véritables moteurs de l’activité d’une entreprise, bien plus que les analyses du Web, en particulier pour les produits et les services qui sont achetés de manière réfléchie plutôt qu’impulsive, et lorsque le client peut ensuite fournir des informations sur ses motivations d’achat.

Intégration de Surveygizmo avec Google Analytics

Mais avec Surveygizmo, vous pouvez aller encore plus loin et rapporter les réponses à l’enquête à Google Analytics comme une vue de page “virtuelle” (malheureusement, ce n’est pas possible actuellement avec surveymonkey). Pour atteindre l’objectif, il fallait finalement emprunter une autre voie. Mais il faut d’abord revenir à Surveygizmo.

Comme vous pouvez le voir dans la partie du code surlignée en jaune, l’URL de la page “virtuelle” est techniquement construite à partir des variables de l’enquête. Les caractéristiques des variables forment alors une URL correspondante, que vous pouvez appeler dans Google Analytics dans le rapport “Behavior” sous Website Content et filtrer par exemple via le répertoire “/surveys/” ou le titre de l’enquête (voir figure) :

La plus commune (non montrée ici) est la variante sans valeur. Il s’agit des enquêtes qui n’ont pas été complétées. Vous pouvez donc facilement mesurer le taux de réponse dans le rapport filtré (pages vues de l’URL pour les questionnaires non remplis divisées par toutes les pages vues). Je n’ai trouvé les pages virtuelles que dans la vue des données brutes.

Et voici maintenant l’inconvénient déjà mentionné de l’intégration iFrame que vous avez utilisée au départ : il serait en fait agréable de savoir quelle combinaison source/moyen mesurée par les analyses Web a été utilisée par les utilisateurs qui ont donné une certaine réponse à cette petite question. Théoriquement, cela serait relativement facile à réaliser en sélectionnant la dimension secondaire “source/moyen”.

En raison de l’intégration en tant que iFrame, cependant, malheureusement pas….. Toutes les entrées du rapport source/moyen sont définies comme directes / (aucune). Techniquement, une iFrame n’est rien d’autre qu’un appel à un autre site web dans une fenêtre du site web existant. Puisqu’aucune “donnée d’origine” n’est transférée avec cet appel, Google Analytics enregistre “Direct/(none)” comme source/moyen pour les appels de page :-(.

Donc, malheureusement, avec cette approche, il n’est pas possible de mesurer quel canal mesuré par Google Analytics est le plus influencé par les moteurs en arrière-plan. De plus, faire passer l’option de réponse sélectionnée en tant que pageview “virtuelle” n’est pas très élégant. Il faut donc trouver une autre solution.

Intégration réelle de l’enquête avec Google Analytics

Afin d’arriver à l’intersection des réponses avec les canaux d’alimentation et peut-être de les représenter plus élégamment comme des “événements”, une solution en dehors de tout outil d’enquête a été construite.

Il repose essentiellement sur une liste de liens que vous pouvez définir via l’éditeur de contenu en mode texte du CMS (WordPress) sur la page de confirmation de la commande avec les différentes options de réponse. La réponse à la question se fait en cliquant sur le lien correspondant à l’option de réponse, qui sert ensuite de déclencheur pour déclencher un événement Google Analytics.

Cependant, vous avez encore besoin d’un deuxième script Java pour trier la liste de manière aléatoire afin qu’aucun effet d’ordre ne se produise (c’est-à-dire pour répartir l’effet de la tendance à sélectionner les premiers résultats de manière égale entre toutes les options de réponse). Vous devez inclure ce script dans l’en-tête de la page correspondante.

Puisque vous n’êtes pas des développeurs de logiciels, il faut mettre en place cette fonctionnalité à titre d’essai via le plugin Embed Code. À long terme, cependant, il sera à nouveau élargi. Grâce à ce plugin, une fenêtre apparaît sous chaque page de WordPress, dans laquelle vous avez intégré le code JS pour trier aléatoirement les options de réponse. L’enquête est maintenant en place et vous devez encore la relier à Google Analytics via Google Tag Manager en utilisant des “événements personnalisés”.

Premiers résultats

Ce qui est passionnant maintenant, c’est un premier aperçu des résultats : L’enquête n’a pas duré longtemps. Mais 74 réponses sont déjà reçues. Sous Comportement > Événements > CATEGORIE D’ÉVÉNEMENT : survey_order_closure > Action d’événement vous pouvez trouver les résultats entrants. Même dans ce cas, vous pouvez immédiatement voir à quel point certains conducteurs ne peuvent pas être éclaircis par Analytics.

Les motifs de recommandation et les clients existants sont également les principaux moteurs des transactions ici, alors que dans la vue d’analyse web pure avec Google Analytics, c’était la recherche organique et le direct. Mais ce qui est intéressant, c’est qu’en sélectionnant la dimension secondaire de la source/moyen, vous pouvez voir dans quelle mesure la “recommandation” et le “client existant” influencent les caractéristiques individuelles de la source/moyen mesurées par Analytics ou modifient leur message.

La lecture devient un peu plus facile si vous placez les données dans un tableau croisé dynamique et que vous examinez la part explicative de chaque source/expression médiatique.

Bien qu’il n’y ait “que” 74 points de données dans l’analyse, il est déjà clair que les trois principales expressions source/moyen (direct/none, google/organic et google/cpc) de 121WATT sont très largement déterminées par d'”autres” causes.

Dans le cas de “Direct”, vous pouvez voir que les facteurs importants mesurés par l’enquête sont “client existant” et “recommandation”. Ensemble, ils expliquent déjà 74ller des réservations de séminaires attribuées à “Direct” par Google Analytics. “google” comme réponse à une enquête suit avec 16%, “référence” et “newsletter” suivent. C’était aussi un peu prévisible.

La combinaison source/moyen “google /cpc” est entraînée par “google” comme option de réponse, ce qui était également prévisible. Cependant, la part de “seulement” 41% est étonnante. Un autre 29% est expliqué par la “recommandation” et 12 par le “client existant”. 6% sont expliqués par “service du personnel”, “consultant” et “autre” respectivement. Cela signifie que, si l’on exclut la raison “autre” de l’équation, 52 % de tous les enregistrements effectués par Google Analytics sont dus à un “renvoi”. Cela signifie que, si vous excluez la raison “autre”, 52% de toutes les inscriptions sont attribuées au canal publicitaire “google/cpc” par Google Analytics, bien que la commande ait été causée par autre chose : des “clients existants” vous auraient trouvés même sans publicité et des personnes pour lesquelles une “recommandation” par un tiers, le “service du personnel” ou le “nom de l’intervenant” du séminaire ont également joué un rôle.

Une image très similaire se dessine pour Google / organique : ici, l’indication dans l’enquête sur “Google” n’est même qu’en troisième position des conducteurs avec 18%, avec “Facebook”. En tête, on trouve à nouveau la “recommandation” avec 35% et le “client existant” avec 21%.

Et maintenant ?

L’évaluation présentée conduit à une réévaluation du marketing mix.

Ils dirigent non seulement les “Directs” mais aussi la recherche. Dans ce cas, ces canaux sont joliment calculés dans l’évaluation basée uniquement sur Google Analytics.

Conclusion

Cette analyse est un peu poussée plus loin. L’affirmation selon laquelle les “clients existants” et les “recommandations” dépassent largement les canaux publicitaires mesurés par Google Analytics n’a pas changé.

Cela montre en général que de nombreux modèles d’entreprise ne sont pas “uniquement” motivés par le marketing en ligne – même si, comme dans un tel cas, ils n’y consacrent que de l’argent.

De nombreux modèles commerciaux reposent sur l’interaction des canaux en ligne avec des éléments tels que la qualité des produits ou des services. Derrière cela, il y a la recommandation et le suivi du comportement d’achat des clients existants. Dans un tel cas, le moteur de cette activité, qui n’influence pas seulement le “Direct”, mais aussi les canaux de recherche (probablement là dans le focus par marque des recherches pour le “121WATT”)

Les effets cross-média plus importants des campagnes télévisées ou des imprimés, par exemple via des catalogues, peuvent également être mis en évidence dans le cadre d’une telle approche.

La méthode présentée ici atteint toujours ses limites lorsque le nombre de cas devient très faible. C’est-à-dire, si l’effet à mesurer par l’enquête est très petit ou si le magasin ne livre pas un nombre minimum de commandes dans une certaine période, de sorte que simplement trop peu de réponses sont reçues.

Une analyse du succès de la publicité à l’aide des seuls outils d’analyse du Web est souvent très insuffisante et ne permet qu’une quantification inadéquate des véritables moteurs de l’activité. En termes positifs, vous pouvez ajouter une valeur substantielle à votre déclaration en la complétant par une enquête comme celle décrite ici. Amusez-vous bien !