Cohortes mobile : lire la rétention au-delà du taux d’ouverture

La rétention mobile se juge dans le temps, pas dans l’instant d’ouverture

Le taux d’ouverture reste l’un des indicateurs les plus consultés dans les dispositifs mobiles, notamment pour les notifications push, les messages in-app, le SMS enrichi ou certaines campagnes RCS. Il donne une lecture rapide de l’attention immédiate : combien d’utilisateurs ont ouvert ou consulté un message après réception. Mais pour un annonceur retail, local ou omnicanal, cette métrique répond rarement à la question décisive : l’activation a-t-elle augmenté la valeur future de l’audience, ou seulement provoqué une réaction ponctuelle ?

Une campagne push peut afficher 18 % d’ouverture et pourtant accélérer la désactivation des notifications dans les jours suivants. Un SMS promotionnel peut générer un pic de trafic magasin le samedi, mais réduire la fréquence de retour des clients exposés sur les quatre semaines suivantes. À l’inverse, une campagne moins spectaculaire en ouverture peut produire une meilleure rétention, c’est-à-dire la capacité à maintenir un utilisateur actif, acheteur ou engageable sur une période donnée. La différence se lit rarement dans un tableau de bord de campagne isolé. Elle se lit dans les cohortes.

Une cohorte mobile désigne un groupe d’utilisateurs partageant un point de départ commun : date d’installation d’application, première visite magasin identifiée, opt-in push, inscription fidélité, première exposition publicitaire, achat en point de vente ou réception d’une séquence CRM. L’analyse de cohorte consiste à suivre ce groupe dans le temps pour observer sa rétention, sa fréquence d’achat, ses opt-out, sa valeur, ses visites ou ses conversions. Elle transforme une mesure instantanée en trajectoire.

Pour les professionnels du marketing mobile, l’enjeu est stratégique. Les coûts d’acquisition augmentent, les signaux de tracking se fragmentent, les bases opt-in deviennent plus précieuses et la pression commerciale doit être arbitrée finement. Continuer à piloter les activations locales uniquement au taux d’ouverture revient à optimiser l’entrée du funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, sans vérifier ce que deviennent les individus exposés. Or la rentabilité réelle se joue après l’ouverture : revisite, réachat, marge, préférence, opt-out, usage app, visite magasin incrémentale et valeur vie client.

Pourquoi le taux d’ouverture surestime souvent la performance mobile

Le taux d’ouverture est utile, mais il est structurellement incomplet. Pour une notification push, il mesure généralement la part des notifications ouvertes parmi les notifications délivrées ou envoyées, selon les plateformes. Pour un email mobile, il peut être affecté par des mécanismes de préchargement ou de protection de confidentialité. Pour un SMS, l’ouverture n’est pas toujours mesurable de façon fiable : on observe plutôt la délivrabilité, le clic, la conversion ou l’opt-out. Pour le RCS, rich communication services, format de messagerie mobile enrichie permettant boutons, images et interactions avancées, les accusés de lecture peuvent enrichir la mesure, mais restent dépendants des terminaux, opérateurs et paramétrages.

Le premier biais est un biais d’intention. Les utilisateurs qui ouvrent le plus sont souvent déjà les plus engagés : membres fidélité actifs, clients récents, utilisateurs fréquents de l’application, visiteurs réguliers du magasin ou profils proches d’une décision d’achat. Si une campagne affiche un taux d’ouverture élevé sur cette population, il est dangereux de conclure que le message a créé l’engagement. Il a peut-être simplement capté une intention préexistante. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, peut renforcer cette illusion lorsqu’elle crédite le dernier message ouvert avant achat.

Le deuxième biais est un biais de court terme. Un message promotionnel agressif peut augmenter l’ouverture, surtout si l’objet ou l’accroche promet une remise forte, une urgence ou une exclusivité. Mais cette mécanique peut dégrader la relation si elle habitue l’audience à ne réagir qu’au prix, si elle cannibalise des achats organiques ou si elle augmente les désabonnements. Un taux d’ouverture de 22 % accompagné d’un opt-out de 0,6 % peut être moins rentable qu’un taux d’ouverture de 11 % avec un opt-out de 0,08 % et une meilleure rétention à 30 jours.

Le troisième biais est le biais de moyenne. Une moyenne campagne masque des trajectoires très différentes. Sur 100 000 utilisateurs exposés à une série push, 15 000 peuvent ouvrir au moins une notification. Mais parmi eux, 3 000 peuvent être des ultra-engagés ouvrant presque tout, tandis que 12 000 ouvrent une fois puis disparaissent. Le taux d’ouverture agrégé ne distingue pas la fidélité installée, l’opportunisme promotionnel et la fatigue. L’analyse de cohorte permet de séparer ces dynamiques.

Enfin, le taux d’ouverture n’intègre pas le coût d’attention. Le CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, peut baisser à court terme si les ouvertures augmentent. Le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses marketing, peut même sembler progresser. Mais si la base se réduit par opt-out, si les utilisateurs désactivent les pushs ou si la valeur future baisse, le gain immédiat masque une destruction de capital relationnel. La cohorte remet cette dette dans le calcul.

Construire des cohortes utiles : partir d’un événement business, pas d’une commodité de reporting

La première décision méthodologique consiste à définir le point zéro de la cohorte. Trop souvent, les équipes créent des cohortes parce que l’outil le permet : utilisateurs installés en janvier, clients exposés semaine 12, opt-in push du mois. Ces découpages sont pratiques, mais pas toujours actionnables. Une cohorte utile doit correspondre à une hypothèse business : les nouveaux opt-in push retiennent-ils mieux après une séquence d’onboarding ? Les clients recrutés via une campagne drive-to-store reviennent-ils en magasin ? Les utilisateurs exposés à une mécanique promotionnelle réachètent-ils hors promotion ? Les clients ayant reçu un SMS local désactivent-ils plus vite les communications ?

Un framework robuste distingue au moins cinq types de cohortes. Premièrement, les cohortes d’acquisition, construites selon la source d’entrée : organique, application, CRM, média social, display mobile, affiliation, campagne locale ou achat programmatique via une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires. Deuxièmement, les cohortes d’activation, liées au premier comportement significatif : création de compte, opt-in push, ajout au wallet, consultation de stock local, demande d’itinéraire ou première visite magasin.

Troisièmement, les cohortes transactionnelles suivent les individus à partir d’un achat : premier achat, achat dans une catégorie, achat avec remise, achat en click and collect ou achat en magasin après exposition mobile. Quatrièmement, les cohortes relationnelles suivent les changements de permission : inscription SMS, acceptation push, désactivation, opt-out, modification de préférence. Cinquièmement, les cohortes d’exposition publicitaire comparent des populations selon la pression reçue, par exemple 1 à 2 impressions, 3 à 5, plus de 6, ou selon le canal : push, SMS, RCS, display, social mobile, in-app.

La granularité doit rester exploitable. Une matrice de cohortes trop fine devient statistiquement fragile et opérationnellement illisible. Pour un réseau retail, il est souvent pertinent de croiser trois dimensions seulement au départ : date ou période d’entrée, canal d’acquisition ou d’activation, et segment de valeur. La méthode RFM, récence, fréquence, montant, segmentation classant les clients selon la date du dernier achat, la fréquence d’achat et la valeur dépensée, reste utile pour ce troisième axe. On peut ensuite ajouter la proximité magasin, l’isochrone, la catégorie ou le statut fidélité si les volumes le permettent.

Un exemple simple : une enseigne de beauté crée trois cohortes de nouveaux opt-in push sur un trimestre. Cohorte A : opt-in obtenu après installation de l’application. Cohorte B : opt-in obtenu après achat magasin avec carte fidélité. Cohorte C : opt-in obtenu via une campagne média mobile locale. À D7, c’est-à-dire sept jours après l’événement initial, les trois cohortes affichent des taux d’ouverture push proches : 16 %, 18 % et 15 %. À D30, la rétention active diverge fortement : 42 % pour la cohorte A, 57 % pour la cohorte B, 29 % pour la cohorte C. Le taux d’ouverture initial n’avait pas révélé la qualité relationnelle de l’acquisition.

Lire la matrice de rétention : D1, D7, D30 ne racontent pas la même histoire

La matrice de rétention est le format classique de lecture des cohortes. En ligne, on place les cohortes selon leur période ou événement d’entrée. En colonne, on observe les périodes suivantes : D1, D7, D14, D30, parfois M2, M3 ou M6. Chaque cellule indique la part de la cohorte encore active ou ayant réalisé un événement cible. Le choix de cet événement cible est décisif. Une rétention app peut mesurer une ouverture d’application. Une rétention CRM peut mesurer une interaction avec un message. Une rétention retail doit souvent mesurer une visite magasin, un achat, une consultation de stock ou une demande d’itinéraire.

D1 mesure surtout la qualité de l’activation initiale. Si une cohorte d’installations app chute massivement dès le lendemain, le problème est souvent lié à la promesse d’acquisition, à l’onboarding, au premier usage ou à la friction de compte. D7 mesure l’entrée dans une routine. Pour une application retail, une bonne D7 peut indiquer que l’utilisateur a trouvé une utilité : carte fidélité, coupon, suivi commande, catalogue, stock local, liste d’envies. D30 mesure davantage la valeur durable et la capacité à créer un deuxième moment d’usage ou d’achat. Pour un acteur drive-to-store, D30 est souvent plus proche de la réalité business que D1.

Il faut également distinguer rétention stricte et rétention comportementale. La rétention stricte demande qu’un utilisateur soit actif à une date donnée. La rétention comportementale vérifie s’il a réalisé au moins une action dans une fenêtre, par exemple une visite magasin entre D8 et D30. Pour des achats non quotidiens, la deuxième approche est souvent plus pertinente. Un client d’ameublement peut ne pas ouvrir l’application pendant vingt jours, puis revenir pour finaliser un projet. Le considérer comme perdu à D7 serait une erreur.

La lecture doit intégrer la saisonnalité. Une cohorte recrutée pendant les soldes n’a pas la même trajectoire qu’une cohorte recrutée hors promotion. Une cohorte entrée pendant une ouverture de magasin peut afficher un pic initial élevé puis une normalisation rapide. Une cohorte recrutée via une campagne RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression disponible, peut être plus hétérogène qu’une cohorte issue d’un programme fidélité. Comparer ces populations sans tenir compte du contexte conduit à de faux diagnostics.

Un cas chiffré illustre l’intérêt de la matrice. Une enseigne de prêt-à-porter suit 80 000 nouveaux clients recrutés via trois mécaniques mobiles. Le SMS local affiche un taux de clic de 7,5 % et un taux de visite attribuée de 2,4 %. Le push app affiche seulement 4,2 % de clic et 1,8 % de visite attribuée. Le display mobile géolocalisé affiche 0,6 % de clic et 0,9 % de visite attribuée. En lecture campagne, le SMS domine. Mais à D60, la part de clients ayant réalisé un second achat est de 18 % pour le SMS, 27 % pour le push et 22 % pour le display. Le SMS a généré un trafic rapide, mais plus promotionnel et moins récurrent. Le push, moins spectaculaire, a recruté ou activé une population plus durable.

Relier cohortes, valeur client et incrémentalité : la rétention ne suffit pas si elle n’est pas économique

Une cohorte peut être bien retenue sans être rentable. À l’inverse, une cohorte moins fréquente peut créer plus de marge si son panier moyen et sa valeur future sont supérieurs. La rétention doit donc être reliée à la LTV, lifetime value, valeur économique attendue d’un client sur la durée de relation. Pour un retailer, la LTV ne se résume pas au chiffre d’affaires : elle doit intégrer la marge, les retours, les remises consommées, les coûts logistiques, le coût média, le coût CRM et les signaux négatifs comme l’opt-out.

La bonne lecture combine trois courbes. La première est la courbe de rétention : quelle part de la cohorte reste active au fil du temps. La deuxième est la courbe de monétisation : combien de chiffre d’affaires ou de marge cumulée la cohorte génère. La troisième est la courbe de coût : acquisition, messages envoyés, remises, incentives, frais média et pression commerciale. L’arbitrage se fait sur la contribution nette, pas sur l’ouverture.

Prenons un exemple. Une enseigne alimentaire spécialisée compare deux cohortes de 50 000 clients recrutés sur mobile. La cohorte A provient d’un coupon SMS de 10 euros. Coût média et routage : 8 000 euros. Coût promotionnel consommé : 62 000 euros. À D30, la rétention achat est de 24 %, le chiffre d’affaires cumulé de 410 000 euros, la marge brute de 32 %. La cohorte B provient d’une séquence push et in-app centrée sur les produits locaux et le programme fidélité. Coût : 14 000 euros, coût promotionnel : 18 000 euros. À D30, la rétention achat est de 19 %, le chiffre d’affaires cumulé de 350 000 euros, la marge brute de 39 %. En chiffre d’affaires et rétention brute, A semble meilleure. En marge nette après promotion, B peut dépasser A.

L’incrémentalité est l’autre condition de lecture. Une cohorte exposée peut afficher une meilleure rétention parce qu’elle était déjà plus engagée. Pour isoler l’effet causal, il faut comparer avec un groupe témoin comparable. Un holdout désigne un groupe volontairement non exposé ou non sollicité afin de mesurer ce qui se serait produit sans campagne. Dans un dispositif CRM mobile, conserver 5 % à 10 % d’une population éligible en holdout peut suffire à estimer l’uplift, c’est-à-dire le gain incrémental attribuable à l’activation, si les volumes sont significatifs.

Supposons qu’une cohorte exposée à une séquence push affiche 31 % de réachat à D30. Sans contrôle, la performance semble forte. Mais si le holdout comparable affiche déjà 27 % de réachat, l’uplift réel est de 4 points. Sur 100 000 clients, cela représente 4 000 réachats incrémentaux. Si le panier moyen est de 42 euros et la marge de 35 %, la marge incrémentale brute est de 58 800 euros. Si la campagne coûte 35 000 euros, le gain net est défendable. Si elle coûte 70 000 euros ou génère 1 500 opt-out de clients à forte valeur, le diagnostic change.

Segmenter les cohortes mobiles : canal, intention, pression et proximité modifient la rétention

Les cohortes deviennent vraiment utiles lorsqu’elles expliquent les différences de comportement. Le premier axe est le canal. Un opt-in push obtenu en application n’a pas la même signification qu’un numéro mobile collecté en caisse, qu’une audience publicitaire issue du social ou qu’un contact RCS. Le canal porte une promesse implicite. L’utilisateur qui installe une application attend souvent du service : carte fidélité, commande, stock, suivi. Celui qui accepte un SMS attend plutôt des informations rares ou utiles. Le même niveau de pression ne produit donc pas la même fatigue.

Le deuxième axe est l’intention. Un utilisateur ayant consulté une fiche produit, vérifié la disponibilité dans son magasin ou demandé un itinéraire appartient à une cohorte plus chaude qu’un profil simplement géolocalisé dans une zone de chalandise. La rétention d’une cohorte à forte intention doit être évaluée différemment : son taux naturel de conversion est plus élevé, donc l’incrémentalité peut être plus faible que ne le suggère l’attribution. À l’inverse, une cohorte froide peut afficher une rétention faible mais recruter réellement de nouveaux clients si le groupe témoin reste très bas.

Le troisième axe est la pression. Le capping, limitation du nombre d’expositions publicitaires ou de sollicitations sur une période donnée, doit être analysé en cohorte. Une audience exposée à 2 pushs par semaine peut conserver une bonne rétention à D30, tandis qu’une audience exposée à 5 pushs peut ouvrir davantage à court terme mais désactiver plus vite. La métrique clé n’est pas seulement la baisse d’ouverture par message, mais la survie du canal : combien d’utilisateurs restent joignables après 30, 60 ou 90 jours ?

Le quatrième axe est la proximité locale. Dans le drive-to-store, la distance brute doit souvent être remplacée par l’accessibilité : temps de trajet, isochrone, transports, horaires, densité concurrentielle. Une cohorte recrutée à moins de 10 minutes d’un magasin peut avoir une rétention visite élevée avec une pression modérée. Une cohorte plus éloignée peut nécessiter des messages de preuve : stock rare, service, rendez-vous, événement, conseil. Si les deux cohortes reçoivent le même message d’urgence, la première peut convertir, la seconde peut se désengager.

Un framework opérationnel consiste à croiser intention et accessibilité. Proche avec intention forte : scénario court, message actionnable, rétention mesurée sur visite et achat rapide. Proche avec intention faible : message léger, objectif de découverte, capping bas. Éloigné avec intention forte : contenu plus argumenté, rendez-vous ou réservation, fenêtre de rétention plus longue. Éloigné avec intention faible : priorité à la notoriété locale ou exclusion si l’objectif est strictement transactionnel. Chaque quadrant doit avoir sa propre lecture de cohorte.

Identifier la fatigue et les signaux faibles : la cohorte révèle ce que la campagne masque

La fatigue mobile ne se manifeste pas toujours par un effondrement immédiat du taux d’ouverture. Elle apparaît souvent par signaux progressifs : baisse du clic après ouverture, hausse de la désactivation push, augmentation des opt-out SMS, diminution de l’usage app, baisse du réachat hors promotion, allongement du délai entre deux visites, réduction de la marge par client. Ces signaux sont difficiles à voir dans un reporting campagne isolé, mais visibles dans des cohortes suivies sur plusieurs semaines.

La notion de hazard rate, ou taux de risque de churn à un moment donné, peut aider. Elle mesure la probabilité qu’un utilisateur quitte l’état actif entre deux périodes, sachant qu’il était encore actif jusque-là. Appliquée au mobile, elle permet de repérer les moments où une cohorte décroche : après le troisième push commercial, après la fin d’un coupon, après une séquence d’onboarding trop longue, après un achat non suivi d’un message de service. Le but n’est pas seulement de constater la baisse, mais d’identifier le déclencheur probable.

Un exemple fréquent concerne les notifications push retail. Une application compte 600 000 utilisateurs opt-in. Une séquence de trois pushs commerciaux sur dix jours obtient respectivement 12 %, 10 % et 9 % d’ouverture. La baisse semble acceptable. Mais l’analyse de cohorte montre que les utilisateurs exposés aux trois pushs ont un taux de désactivation de 1,1 % sur quinze jours, contre 0,35 % pour ceux exposés à un seul push et 0,22 % dans le holdout. Si la base opt-in a une valeur moyenne future de 18 euros de marge par utilisateur actif, la perte relationnelle peut dépasser le gain de ventes attribuées.

Les cohortes doivent aussi distinguer fatigue créative et fatigue canal. Si une cohorte ouvre moins parce que la création est répétitive, changer le message peut restaurer la performance. Si elle désactive le canal, le dommage est plus profond. Une séquence bien conçue doit donc varier l’utilité : service, preuve, avantage, rappel, contenu local, disponibilité produit. Répéter la même remise sur plusieurs canaux produit une pression cumulée que le taux d’ouverture ne pénalise pas toujours immédiatement.

Il faut enfin surveiller les effets de sélection. Les utilisateurs qui restent dans une cohorte après plusieurs semaines sont mécaniquement les plus engagés. Les taux d’ouverture ou de conversion peuvent donc remonter sur une base plus petite, donnant l’impression que la performance s’améliore. En réalité, la cohorte s’est appauvrie en volume. C’est pourquoi il faut lire simultanément le taux et l’effectif absolu : 25 % d’ouverture sur 8 000 survivants ne vaut pas 18 % sur 40 000 utilisateurs encore actifs.

Mettre en production une lecture cohortée : données, gouvernance et décisions

Passer d’un reporting de campagne à une lecture cohortée nécessite une architecture minimale. Il faut d’abord un identifiant stable ou une résolution d’identité prudente reliant les événements : exposition média, réception push, SMS envoyé, clic, ouverture app, consultation produit, demande d’itinéraire, passage en caisse, opt-out, achat e-commerce, visite magasin. Une CDP, customer data platform, plateforme permettant d’unifier et d’activer les données clients, peut jouer ce rôle si elle est correctement alimentée et gouvernée. À défaut, un data warehouse marketing peut suffire pour les analyses périodiques.

La deuxième condition est la définition partagée des événements. Que signifie être actif ? Ouvrir l’application ? Cliquer ? Acheter ? Visiter un magasin ? Utiliser un coupon ? Pour une application bancaire, l’activité peut être hebdomadaire. Pour une enseigne d’ameublement, elle peut être mensuelle ou trimestrielle. Une définition trop faible gonfle la rétention ; une définition trop stricte sous-estime la relation. Le bon indicateur dépend du cycle d’achat et du rôle du canal.

La troisième condition est la fraîcheur. Les cohortes ne doivent pas devenir un audit trimestriel déconnecté de l’activation. Pour les campagnes push ou SMS, un suivi hebdomadaire peut suffire à ajuster les scénarios. Pour les campagnes média locales, une lecture par vague ou par magasin permet d’arbitrer les budgets. Pour les catégories à cycle long, l’analyse doit s’étendre sur plusieurs mois, sinon elle favorise les mécaniques promotionnelles courtes.

La quatrième condition est la décision. Une analyse de cohorte qui ne change aucun scénario reste un exercice descriptif. Les équipes doivent définir à l’avance des règles : couper une séquence si l’opt-out dépasse un seuil, réduire la pression si la rétention D30 baisse de plus de 10 % par rapport au holdout, augmenter l’investissement si la marge incrémentale cumulée dépasse le coût média, exclure les acheteurs récents, adapter la création aux cohortes à faible réactivation. La cohorte doit alimenter un moteur de décision, pas seulement un dashboard.

Une feuille de route pragmatique peut commencer par quatre tableaux. Premier tableau : rétention par cohorte d’entrée, avec D1, D7, D30 et effectifs. Deuxième tableau : valeur cumulée par cohorte, avec chiffre d’affaires, marge, remises, coûts et opt-out. Troisième tableau : comparaison exposés versus holdout, pour estimer l’incrémentalité. Quatrième tableau : pression cumulée par individu ou segment, tous canaux confondus. Cette base suffit souvent à révéler les arbitrages prioritaires.

Conclusion : piloter la valeur durable plutôt que l’attention immédiate

Lire la rétention mobile au-delà du taux d’ouverture ne signifie pas abandonner les métriques de campagne. L’ouverture, le clic, la délivrabilité et le coût par action restent utiles pour diagnostiquer la qualité d’un message et la réactivité d’un canal. Mais ils doivent être replacés dans une trajectoire. Une activation mobile performante n’est pas seulement celle qui obtient une réaction rapide ; c’est celle qui améliore la probabilité de revenir, d’acheter, de visiter, de rester joignable et de générer une marge incrémentale.

La démarche actionnable tient en huit étapes. Premièrement, définir les événements de départ pertinents : opt-in, installation, première visite, achat, exposition, clic, consultation de stock. Deuxièmement, construire des cohortes lisibles, en évitant une granularité excessive. Troisièmement, choisir des indicateurs de rétention alignés sur le business : achat, visite magasin, usage app, réachat, maintien opt-in. Quatrièmement, suivre les horizons adaptés au cycle : D7 pour l’activation, D30 pour la relation courte, M3 ou M6 pour les catégories longues. Cinquièmement, relier la rétention à la marge, aux coûts, aux remises et à la LTV. Sixièmement, intégrer des holdouts pour distinguer performance attribuée et performance incrémentale. Septièmement, surveiller les signaux négatifs : opt-out, désactivation push, baisse d’engagement, dépendance promotionnelle. Huitièmement, transformer les résultats en règles de capping, d’exclusion, de relance et de variation créative.

Le principe directeur est simple : le taux d’ouverture mesure une porte qui s’ouvre ; la cohorte mesure ce que l’utilisateur fait ensuite. Pour les annonceurs retail et omnicanaux, cette différence change la nature du pilotage. Elle permet de choisir entre volume et qualité, urgence et fidélisation, pression et valeur, attribution et causalité. Dans un environnement mobile saturé, la maturité marketing consiste moins à obtenir davantage d’ouvertures qu’à préserver les cohortes qui créent de la valeur durable.