Mesure post-install : lire la cohorte sans surévaluer l’usage
L’installation n’est pas une conversion finale : c’est le début d’un risque de sur-attribution
Dans l’acquisition mobile, la mesure post-install est souvent présentée comme la réponse rationnelle à une question simple : les utilisateurs acquis ouvrent-ils réellement l’application et génèrent-ils de la valeur ? En pratique, la réponse est rarement simple. Une installation peut provenir d’un clic média, d’une recherche de marque, d’une recommandation organique, d’un push web, d’un passage en magasin ou d’une exposition préalable non mesurée. Elle peut être suivie d’une session unique, d’un usage intensif sans achat, d’un achat immédiat sans rétention, ou d’un retour différé trente jours plus tard. Lire une cohorte post-install consiste donc moins à constater l’usage qu’à reconstruire la qualité économique d’un recrutement dans le temps.
La cohorte désigne un groupe d’utilisateurs partageant une caractéristique commune, par exemple une date d’installation, une source d’acquisition, une campagne, un pays, un magasin de rattachement ou un segment CRM. L’analyse de cohorte permet d’observer comment ce groupe évolue après l’installation : activation, fréquence d’ouverture, événements clés, achats, désinstallation, réachat, valeur vie client. Elle est indispensable pour éviter le pilotage au CPI, cost per install, coût moyen nécessaire pour générer une installation attribuée. Mais elle peut aussi induire en erreur si elle transforme tout signal d’usage en preuve de valeur.
Le risque central est la surévaluation. Un utilisateur qui ouvre l’application cinq fois en sept jours n’est pas nécessairement rentable. Un utilisateur qui déclenche trois événements produit peut simplement chercher une information disponible ailleurs. Une cohorte issue d’une campagne payante peut afficher une excellente rétention D1, c’est-à-dire la part des utilisateurs revenus le lendemain de l’installation, parce que l’on cible des profils déjà très intentionnistes. À l’inverse, une cohorte plus lente à s’activer peut être plus intéressante si elle achète avec une marge supérieure ou devient récurrente.
Pour des annonceurs retail, omnicanaux ou locaux, l’enjeu est encore plus complexe. L’application n’est pas toujours le lieu final de la conversion. Elle peut servir à consulter un stock, activer un coupon, préparer une visite magasin, suivre une commande, réserver un créneau, demander un itinéraire ou rejoindre un programme de fidélité. Une mesure post-install mature doit donc distinguer usage applicatif, contribution commerciale et incrémentalité. Sans cette discipline, les budgets d’acquisition mobile peuvent être réalloués vers les sources qui génèrent les utilisateurs les plus actifs en apparence, mais pas nécessairement les plus utiles pour le chiffre d’affaires ou la marge.
Définir la bonne cohorte : la source média ne suffit pas à expliquer la qualité post-install
La première erreur consiste à lire les cohortes uniquement par réseau d’acquisition ou par campagne. Cette lecture est nécessaire, mais insuffisante. Une source peut sembler performante parce qu’elle capte une audience déjà proche de la marque, parce qu’elle diffuse sur des emplacements à forte intention, parce qu’elle bénéficie d’un effet promotionnel, ou parce qu’elle mesure mieux les conversions que les autres. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, n’est jamais neutre. Elle dépend des fenêtres d’attribution, des modèles de déduplication, du consentement, de la qualité du tracking et des règles de chaque partenaire.
Une cohorte utile doit combiner plusieurs dimensions. La date d’installation permet de suivre les effets de saisonnalité et de version applicative. La source média permet de comparer les leviers : social, search, display programmatique, affiliation, influence, CRM, QR code magasin, SMS ou RCS. Le segment d’audience permet de distinguer prospect, client actif, client dormant, membre fidélité, visiteur magasin ou utilisateur web connu. Le contexte local ajoute une couche décisive pour le retail : proximité d’un magasin, zone de chalandise, disponibilité produit, opération commerciale locale, présence concurrentielle, météo ou événement.
Le device et l’OS doivent également être intégrés. Les comportements post-install diffèrent souvent entre iOS et Android, notamment depuis les restrictions de tracking et les mécanismes de mesure agrégée. SKAN, pour SKAdNetwork, est le cadre d’attribution d’Apple permettant de mesurer des installations et événements post-install de manière agrégée et limitée dans le temps. Privacy Sandbox sur Android poursuit une logique comparable de réduction des identifiants individuels. Ces environnements imposent de repenser les cohortes : toutes les sources ne remontent pas les mêmes signaux, toutes les fenêtres ne sont pas comparables, et certains événements sont modélisés plutôt qu’observés directement.
Une grille minimale de lecture peut structurer l’analyse. D’abord, séparer les cohortes par intention d’acquisition : installation de découverte, installation déclenchée par une offre, installation liée à un service magasin, installation après achat web, installation via parrainage. Ensuite, distinguer les cohortes par valeur relationnelle : nouveau client, client existant, client dormant, client premium. Enfin, intégrer la friction produit : version de l’application, parcours d’onboarding, présence ou non de connexion obligatoire, disponibilité des moyens de paiement, profondeur du catalogue, qualité du deep linking.
Sans cette segmentation, la comparaison devient dangereuse. Une campagne programmatique achetée via une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, peut produire un CPI plus élevé qu’une campagne social, mais recruter des utilisateurs situés dans des zones de chalandise prioritaires. Une campagne achetée en RTB, real-time bidding, mécanisme d’enchères en temps réel pour acheter une impression disponible, peut optimiser très vite vers les profils qui installent, mais pas vers ceux qui achètent à J30. La cohorte doit donc être conçue avant la campagne, pas reconstruite après coup selon les signaux disponibles.
Ne pas confondre activation, engagement et valeur : chaque étape du funnel a sa métrique
Le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, doit être redéfini après installation. Trop de reportings agrègent des signaux de nature différente : ouverture de l’app, création de compte, opt-in push, consultation produit, ajout au panier, achat, coupon activé, visite magasin. Ces événements ne se valent pas. Ils forment une chaîne de probabilité, pas une preuve de performance.
L’activation correspond au moment où l’utilisateur réalise l’action minimale indiquant qu’il a compris la proposition de valeur de l’application. Pour une app retail, cela peut être la consultation d’une fiche produit, la sélection d’un magasin favori, l’ajout d’une carte fidélité, l’activation d’un coupon ou la première recherche de stock. Pour une app de restauration, ce peut être la sélection d’un restaurant, la consultation du menu ou l’ajout au panier. Pour une app de services, ce peut être la prise de rendez-vous ou la simulation d’un besoin. L’activation doit être spécifique au modèle économique, et non réduite à la première ouverture.
L’engagement mesure la répétition et la profondeur d’usage : sessions par utilisateur, fréquence hebdomadaire, nombre d’écrans vus, événements clés, opt-in push, interaction avec les notifications, ajout au wallet, utilisation de fonctionnalités. Mais l’engagement peut être trompeur. Un utilisateur qui revient souvent parce qu’il ne trouve pas l’information cherchée gonfle les métriques de session sans créer de valeur. Un parcours mal conçu peut produire plus de clics qu’un parcours fluide, alors même qu’il convertit moins. La mesure doit donc intégrer la qualité du résultat : temps jusqu’à l’action, abandon, erreurs, retours arrière, désinstallations.
La valeur économique se mesure avec des indicateurs distincts. Le CPA, cost per acquisition, désigne le coût nécessaire pour obtenir une conversion attribuée : achat, inscription, rendez-vous ou visite qualifiée selon l’objectif. Le ROAS, return on ad spend, mesure le ratio entre chiffre d’affaires attribué ou incrémental et dépenses marketing. La LTV, lifetime value, correspond à la valeur économique attendue d’un client sur la durée de relation. Pour une cohorte post-install, le sujet n’est pas seulement de savoir si D7 est supérieur à D1, mais si la valeur cumulée à J30, J60 ou J90 dépasse le coût d’acquisition et le coût de stimulation CRM.
Un framework utile consiste à séparer quatre niveaux. Le premier est l’installation validée : app téléchargée et ouverte au moins une fois. Le deuxième est l’activation utile : action révélant une intention exploitable. Le troisième est la conversion : achat, réservation, coupon utilisé, visite magasin ou inscription fidélité. Le quatrième est la rétention rentable : réachat, fréquence, marge, baisse du coût de contact, contribution omnicanale. Une source qui surperforme au niveau 1 mais sous-performe au niveau 4 doit être optimisée ou réduite, même si son CPI est attractif.
Lire la rétention avec prudence : D1, D7 et D30 ne disent pas tous la même chose
Les taux de rétention sont les indicateurs les plus utilisés en post-install. La rétention D1 mesure la part des utilisateurs revenus le lendemain. D7 mesure la part revenue sept jours après l’installation. D30 mesure la part revenue trente jours après. Ces repères sont utiles pour détecter la qualité d’onboarding, la pertinence du ciblage et la capacité de l’application à créer une habitude. Mais ils doivent être interprétés selon le cycle d’usage.
Une application de livraison ou de restauration peut légitimement viser une rétention D7 élevée, car le besoin est fréquent. Une application d’ameublement ou d’automobile aura un usage naturellement plus discontinu. Une app retail omnicanale peut être consultée avant une visite magasin, puis rester silencieuse pendant trois semaines, avant d’être réutilisée pour le suivi de commande ou la fidélité. Lire D30 comme un critère universel revient à pénaliser les catégories à cycle long et à survaloriser les usages répétitifs à faible marge.
La rétention doit donc être reliée à l’intention initiale. Une cohorte installée après un push de disponibilité produit doit être évaluée sur la consultation du stock, la réservation, la visite magasin ou l’achat dans une fenêtre courte. Une cohorte installée via une campagne de fidélité peut être évaluée sur l’ajout de la carte, l’opt-in push et l’usage de coupons. Une cohorte issue d’une campagne de notoriété locale peut nécessiter un horizon plus long, avec mesure de la création de compte, de la première visite magasin et du réachat.
Les courbes de survie peuvent enrichir la lecture. Une courbe de survie observe la probabilité qu’un utilisateur reste actif au fil du temps. Elle permet de comparer la vitesse d’attrition entre cohortes. Deux sources peuvent afficher une rétention D30 identique de 12 %, mais l’une perdre massivement ses utilisateurs entre D1 et D3, tandis que l’autre décroît progressivement. Le diagnostic opérationnel n’est pas le même. Dans le premier cas, l’onboarding ou la promesse d’acquisition est probablement déceptive. Dans le second, l’application peut manquer de scénarios de réactivation ou de fréquence d’usage.
Il faut aussi analyser la rétention par événement, pas seulement par ouverture. Une rétention d’achat, de consultation de stock, d’usage coupon ou de visite magasin est souvent plus pertinente qu’une rétention de session. Pour un retailer, un utilisateur qui ouvre l’application une fois par mois pour préparer un achat de 90 euros peut valoir davantage qu’un utilisateur qui l’ouvre chaque semaine sans convertir. L’usage n’est pas une fin ; il est un proxy de probabilité économique, et ce proxy doit être validé.
Exemple chiffré : une cohorte très active peut détruire de la marge si elle est lue au mauvais niveau
Prenons une enseigne omnicanale qui investit 120 000 euros sur trois leviers d’acquisition app pendant un mois : social paid, search app campaigns et display programmatique local. Les trois sources génèrent 60 000 installations, soit un CPI moyen de 2 euros. Le reporting initial semble favorable au social : 30 000 installations à 1,60 euro, rétention D7 de 28 %, 4,2 sessions par utilisateur actif. Le search génère 18 000 installations à 2,10 euros, rétention D7 de 22 %, 3,1 sessions. Le display local génère 12 000 installations à 2,80 euros, rétention D7 de 18 %, 2,4 sessions.
Si l’on s’arrête à l’usage, le budget devrait être réalloué vers le social. Mais l’analyse post-install à J30 change la conclusion. Le social produit 1 050 premiers achats, avec un panier moyen de 34 euros et une marge brute de 31 %. Le chiffre d’affaires attribué est de 35 700 euros et la marge brute d’environ 11 067 euros, pour 48 000 euros investis. Le search produit 900 achats, panier moyen de 52 euros, marge de 36 %, soit 46 800 euros de chiffre d’affaires et 16 848 euros de marge, pour 37 800 euros investis. Le display local produit 720 achats, panier moyen de 74 euros, marge de 41 %, soit 53 280 euros de chiffre d’affaires et 21 845 euros de marge, pour 33 600 euros investis.
Le levier le moins engageant en apparence devient le plus intéressant en marge attribuée. L’explication vient de la composition des cohortes. Le social a recruté des utilisateurs sensibles à l’offre de bienvenue, plus actifs dans l’application mais très promotionnels. Le search a capté une intention déjà formulée, avec des taux de conversion corrects mais une part organique potentiellement élevée. Le display local a touché moins d’utilisateurs, mais davantage de clients proches d’un magasin avec stock disponible et catégories à forte marge. La rétention D7 était plus faible, mais les sessions étaient plus orientées achat ou visite.
La question suivante est l’incrémentalité. L’incrémentalité mesure l’effet additionnel réellement causé par la campagne par rapport à ce qui se serait produit sans exposition. Un holdout, groupe témoin non exposé, est constitué sur 8 % des audiences éligibles CRM et sur des zones géographiques comparables pour le média local. Résultat : le social ne génère qu’un uplift de 0,4 point sur l’achat à J30, le search 0,6 point, le display local 1,1 point. Le ROAS attribué du social était déjà faible ; son ROAS incrémental l’est encore plus. Le display local, malgré un CPI supérieur, devient le levier prioritaire pour certaines zones et catégories.
Ce cas illustre une règle simple : l’usage post-install doit être pondéré par la qualité économique et par l’effet causal. Une cohorte active peut être composée d’utilisateurs opportunistes, de clients déjà décidés ou de profils à faible marge. Une cohorte moins active peut être plus rentable si ses rares usages correspondent à des moments de forte intention. Le volume d’événements n’est pas la valeur ; c’est la nature des événements et leur contribution additionnelle qui comptent.
Maîtriser les biais de mesure : attribution, fenêtres, fraude et effets d’onboarding
La mesure post-install est exposée à plusieurs biais. Le premier est la fenêtre d’attribution. Une fenêtre trop longue attribue à la campagne des actions qui auraient pu se produire organiquement. Une fenêtre trop courte sous-estime les cycles d’achat plus longs. Pour une offre alimentaire ou un coupon magasin, une fenêtre de 1 à 7 jours peut être pertinente. Pour l’équipement de la maison, l’optique ou les services avec rendez-vous, 14 à 30 jours peuvent mieux refléter la décision. La fenêtre doit être alignée sur le cycle d’usage, pas choisie par défaut dans l’outil de mesure.
Le deuxième biais est le modèle d’attribution. Le last click, modèle attribuant toute la conversion au dernier point de contact, avantage les leviers proches de l’installation ou de l’achat. Une campagne de search peut capter une intention créée par une campagne display, une recommandation magasin ou un email. À l’inverse, un levier de notoriété peut influencer l’installation sans être crédité. Pour piloter les cohortes, il faut distinguer attribution opérationnelle et contribution stratégique. Les MMP, mobile measurement partners, plateformes de mesure spécialisées dans l’attribution et l’analyse des campagnes app, apportent une base technique, mais ne remplacent pas l’expérimentation.
Le troisième biais est la fraude ou la qualité d’inventaire. Certaines installations peuvent provenir de clics accidentels, d’inventaires incitatifs, de fermes d’appareils ou de mécanismes de click injection. Même lorsque la fraude est limitée, la qualité des sources varie fortement. Les signaux à surveiller incluent des taux d’installation anormalement élevés après clic, une concentration d’événements dans des délais irréalistes, une rétention D1 très basse, des devices ou versions OS atypiques, ou une absence totale de progression vers les événements métier. Le nettoyage des données doit précéder la lecture business.
Le quatrième biais est l’effet d’onboarding. Une modification produit peut améliorer ou dégrader les cohortes indépendamment du média. Si l’application impose une création de compte trop tôt, la cohorte peut décrocher avant l’activation. Si un tutoriel est simplifié, la rétention D1 peut progresser sans changement de ciblage. Si un bug affecte Android pendant trois jours, une source surpondérée sur Android sera injustement pénalisée. L’analyse de cohorte doit donc intégrer les versions d’application, les incidents, les changements UX et les opérations commerciales.
Le cinquième biais est l’omnicanalité. Un utilisateur peut installer l’application, consulter un stock, puis acheter en magasin sans s’identifier. Le reporting app sous-estimera sa valeur. À l’inverse, un client déjà fidèle peut installer l’app via une campagne et acheter en magasin comme il l’aurait fait sans stimulation. Le reporting surestimera la valeur. Les liens entre app, CRM, caisse, carte fidélité, coupons uniques, wallet et géolocalisation consentie doivent être construits avec rigueur, en respectant les choix utilisateur et les cadres réglementaires.
Construire un pilotage post-install orienté décision : de la donnée observée à l’arbitrage budgétaire
Un dispositif de mesure post-install performant doit déboucher sur des décisions concrètes. Il ne s’agit pas d’accumuler des dashboards, mais de déterminer quelles sources, quels segments, quelles zones et quels scénarios CRM méritent plus ou moins de budget. Pour cela, les métriques doivent être hiérarchisées selon l’horizon.
À court terme, les indicateurs de santé permettent de détecter les anomalies : taux d’ouverture post-install, crash rate, complétion onboarding, opt-in push, première action utile, coût par activation. À moyen terme, les indicateurs de performance évaluent la qualité : conversion J7 ou J30, panier moyen, marge, taux d’usage coupon, visite magasin qualifiée, rétention événementielle. À long terme, les indicateurs économiques arbitrent les budgets : LTV à 90 jours, taux de deuxième achat, marge incrémentale, churn, désinstallation, coût de réactivation.
Une matrice d’arbitrage peut croiser deux axes : valeur incrémentale et scalabilité. Une source à forte valeur incrémentale mais faible volume doit être protégée et optimisée finement. Une source à fort volume mais faible incrémentalité doit être plafonnée ou réservée à des objectifs de couverture. Une source à faible valeur et faible volume doit être coupée. Une source à forte valeur et fort volume mérite une hausse budgétaire progressive avec contrôle de saturation. Cette logique évite de confondre performance moyenne et potentiel marginal.
Le pilotage doit aussi intégrer le CRM post-install. L’installation n’est pas la fin de l’acquisition, mais le début d’une orchestration. Un utilisateur activé mais non converti peut recevoir un push personnalisé avec deep link vers le produit consulté. Un utilisateur ayant sélectionné un magasin peut recevoir une offre locale si le stock est fiable. Un utilisateur nouvellement inscrit à la fidélité peut être orienté vers un avantage de bienvenue. Un utilisateur inactif à J7 peut entrer dans un scénario de réassurance plutôt que dans une relance promotionnelle immédiate. La mesure de cohorte sert alors à adapter la pression, pas seulement à juger le média.
Enfin, les décisions doivent être prises sur des marges et non uniquement sur du chiffre d’affaires. Une campagne qui recrute des utilisateurs attirés par des remises fortes peut afficher un ROAS chiffre d’affaires correct et une marge faible. Une campagne qui recrute moins d’installations mais davantage d’acheteurs de catégories premium peut créer plus de profit. Pour les enseignes locales, il faut également intégrer la capacité magasin : stock, horaires, retrait, personnel, événements. Une cohorte app ne vit pas dans un environnement purement digital ; elle dépend de la promesse opérationnelle.
Conclusion : lire la cohorte comme un actif économique, pas comme une courbe d’usage
La mesure post-install devient réellement utile lorsqu’elle cesse de valoriser l’activité pour elle-même. Une installation n’est qu’un point d’entrée. Une ouverture n’est qu’un signal. Une session n’est qu’une opportunité. La cohorte doit être lue comme un actif économique en formation : combien d’utilisateurs comprennent la proposition de valeur, combien réalisent une action utile, combien convertissent, combien reviennent, combien génèrent une marge additionnelle, et combien auraient agi sans campagne.
Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, définir l’événement d’activation spécifique au modèle d’affaires, au-delà de la première ouverture. Deuxièmement, segmenter les cohortes par source, intention, statut client, contexte local, OS et version d’application. Troisièmement, distinguer activation, engagement, conversion et rétention rentable. Quatrièmement, choisir des fenêtres d’attribution adaptées au cycle d’achat. Cinquièmement, nettoyer les biais de mesure : fraude, tracking incomplet, changements produit, saisonnalité, effets promotionnels. Sixièmement, relier les données app au CRM, à la caisse, aux coupons et aux visites magasin lorsque le consentement et la qualité de donnée le permettent. Septièmement, mettre en place des holdouts ou tests géographiques pour estimer l’incrémentalité. Huitièmement, arbitrer les budgets sur la marge incrémentale et la LTV, pas sur le CPI ou la rétention de session.
Le point critique est culturel autant que technique. Les équipes acquisition veulent réduire le coût d’installation, les équipes produit veulent augmenter l’usage, les équipes CRM veulent stimuler la conversion, les équipes retail veulent générer du trafic magasin et les équipes finance veulent sécuriser la marge. La cohorte post-install est le terrain commun où ces objectifs doivent être réconciliés. À condition de ne pas prendre l’usage pour de la valeur. Lire correctement une cohorte, c’est accepter qu’un utilisateur peu actif puisse être précieux, qu’un utilisateur très actif puisse être non rentable, et que la vraie performance se mesure dans l’écart entre ce que la campagne attribue et ce qu’elle crée réellement.
