En résumé
L'analytics désigne l'analyse des données d'usage d'un produit numérique (site, SaaS, application) pour en tirer des décisions : qui s'inscrit, qui s'active, qui revient, qui paie. Le tracking collecte les événements, l'analytics les interprète à travers des entonnoirs, des cohortes et des segments.
L’analytics désigne l’analyse des données d’usage d’un produit numérique pour en tirer des décisions : qui s’inscrit, qui revient, à quelle étape les utilisateurs décrochent, quelles fonctionnalités justifient l’abonnement. Le mot vient de l’anglais et recouvre à la fois la discipline et les outils qui la pratiquent. Il ne faut pas le confondre avec le tracking, qui est la collecte des événements. Le tracking enregistre, l’analytics interprète : sans le premier il n’y a rien à analyser, sans le second il reste des millions de lignes que personne ne lit.
Le terme s’est imposé au milieu des années 2000. Google lance Google Analytics en novembre 2005 à partir du logiciel Urchin racheté en avril de la même année. Thomas Davenport popularise l’expression « competing on analytics » dans la Harvard Business Review en 2006, puis dans un livre coécrit avec Jeanne Harris en 2007. Vingt ans plus tard, un SaaS peut mesurer à peu près tout. La difficulté n’est plus de collecter mais de poser les bonnes questions aux données, et c’est l’angle de cette fiche.
Analytics web et analytics produit : deux métiers
L’analytics web regarde ce qui se passe avant l’inscription : d’où vient le trafic, quelles pages sont lues, quel taux de conversion obtient une page d’atterrissage. Google Analytics 4, Matomo et Plausible couvrent ce besoin, et c’est l’outil de pilotage du référencement et des campagnes d’acquisition. Depuis mai 2026, GA4 isole d’ailleurs dans un canal « AI Assistant » les visites venues de ChatGPT, Gemini ou Claude.
L’analytics produit commence quand l’utilisateur est connecté : quelles fonctionnalités il ouvre, combien de temps il met à accomplir sa première action utile, s’il revient la semaine suivante, s’il passe au plan payant. Mixpanel, Amplitude et PostHog sont construits pour ces questions, avec les entonnoirs, les cohortes et les parcours comme outils de base.
| Critère | Analytics web | Analytics produit |
|---|---|---|
| Périmètre | Site marketing, avant l’inscription | Application, après connexion |
| Unité d’analyse | Session, page vue, source de trafic | Utilisateur identifié, événement |
| Questions | D’où vient le trafic, que lit-il, convertit-il ? | Qui s’active, qui revient, qui paie ? |
| Outils | GA4, Matomo, Plausible | Mixpanel, Amplitude, PostHog |
| Consentement | Exemption CNIL possible | Utilisateur connecté, base légale du contrat |
Pour un SaaS, l’analytics produit est le poste principal. L’analytics web sert à remplir l’entonnoir, mais ne dit rien de ce qui se passe une fois la porte franchie. Les outils de heatmap et de replay de session (Microsoft Clarity, Hotjar désormais intégré à Contentsquare, ou le replay inclus dans PostHog) complètent les deux par une vue qualitative : on voit où les gens hésitent, pas seulement combien abandonnent.
Les questions auxquelles l’analytics doit répondre
Le cadre le plus utilisé pour organiser ses analyses reste celui de Dave McClure, présenté en 2007 sous le titre « Startup Metrics for Pirates » à cause de son acronyme, AARRR : acquisition, activation, rétention, recommandation, revenu. Pour un SaaS, quatre de ces étapes concentrent l’essentiel.
En acquisition, on mesure les inscriptions par canal et leur coût, et on cherche à savoir quelle source amène les clients qui restent, pas seulement ceux qui s’inscrivent.
En activation, on suit la part des inscrits qui atteignent le premier moment de valeur, et le temps qu’il leur faut. C’est la métrique qui prédit le mieux la rétention future, et celle qu’on fait bouger le plus vite en retravaillant l’onboarding. Notre guide sur l’onboarding SaaS qui convertit explique comment choisir cet événement d’activation.
En rétention, on regarde la part des utilisateurs qui reviennent après une, quatre et douze semaines, et le churn mensuel. En revenu, on suit les métriques SaaS classiques, MRR, revenu moyen par compte, valeur vie client, calculées à partir des événements de facturation émis côté serveur.
Ces familles alimentent les KPI que la direction suit chaque semaine, mais tout ne mérite pas d’y figurer. Eric Ries a donné un nom en 2009 aux chiffres qui flattent sans guider : les vanity metrics. Un total de pages vues ou d’inscriptions cumulées monte presque toujours. Une métrique utile peut baisser, et quand elle baisse, quelqu’un sait quoi faire.
Entonnoirs, cohortes, segments : les trois analyses de base
L’analyse par entonnoir
Un entonnoir modélise les étapes successives d’un parcours et mesure combien de personnes passent de l’une à la suivante. Sur 10 000 visiteurs d’un SaaS B2B, 5 000 cliquent sur « S’inscrire », 2 000 remplissent le formulaire, 1 400 confirment leur e-mail, 840 terminent l’onboarding et 250 deviennent clients payants. Le taux de conversion global de 2,5 % n’apprend pas grand-chose. L’étape qui perd 60 % des gens, ici le formulaire, dit où travailler. On formule une hypothèse (trop de champs, un bug sur mobile) et on la vérifie par un test A/B.
L’analyse par cohorte
Une cohorte regroupe les utilisateurs selon une caractéristique commune, le plus souvent leur mois d’inscription, et compare leur comportement dans le temps. C’est le seul moyen de savoir si le produit s’améliore. Si les inscrits de mars reviennent à 26 % après trente jours contre 18 % pour ceux de janvier, ce qui a été livré entre les deux a eu un effet. Un chiffre global d’utilisateurs actifs peut monter alors que chaque cohorte retient moins bien, simplement parce que l’acquisition accélère.
La forme de la courbe compte plus que son niveau. Une courbe qui s’aplatit après quelques semaines signale un produit devenu une habitude, une courbe qui tend vers zéro un panier percé. C’est le premier signal de product-market fit que nous regardons. Pour situer son niveau, le benchmark compilé par Lenny Rachitsky en 2020 auprès d’une vingtaine de responsables croissance reste le plus cité : à six mois, une rétention utilisateur de 60 % est bonne et 80 % excellente pour un SaaS vendu aux PME, 70 % et 90 % pour un SaaS grands comptes.
La segmentation
Une moyenne cache toujours deux populations. Un taux d’activation de 45 % peut mélanger 70 % chez les comptes venus par recommandation et 20 % chez ceux venus de la publicité. Segmenter par source, par plan, par taille d’entreprise ou par appareil transforme un chiffre plat en décision : arrêter une campagne ou revoir un parcours mobile.
La méthode : partir de la question, pas de l’outil
Une démarche data-driven ne commence pas par l’installation d’un outil mais par une liste de questions. « Nos utilisateurs trouvent-ils de la valeur ? » est trop vague. « Quelle part des inscrits de la semaine a créé un premier projet dans les 24 heures ? » peut recevoir une réponse chiffrée, qui déclenche une action. Chaque question désigne un ou deux événements à collecter et un graphique à construire. Le plan de tracking n’est que la face technique de cette liste.
Vient ensuite la boucle : une question, une métrique, une hypothèse, un changement, une mesure. Un entonnoir montre une fuite, une cohorte confirme que le problème est récent, un test A/B valide la correction. Cette boucle ne tourne que si quelqu’un regarde les données chaque semaine. La règle que nous appliquons chez nos clients tient en une phrase : une métrique qui ne déclenche aucune décision est une métrique morte. Trois indicateurs discutés en équipe valent mieux que trente dans un dashboard que personne n’ouvre.
Enfin, les chiffres disent quoi, rarement pourquoi. Une chute d’activation chez les utilisateurs mobiles se constate dans l’outil. La raison se trouve dans cinq enregistrements de session ou trois appels à des utilisateurs. L’analytics quantitative désigne où regarder, le qualitatif explique.
Les outils d’analytics en 2026
Côté produit, trois outils couvrent la quasi-totalité des besoins d’un SaaS. PostHog est open source, hébergeable en Europe et réunit analytics, replay de session, feature flags et tests A/B, avec un million d’événements gratuits par mois. Mixpanel et Amplitude restent les références pour les analyses de cohortes avancées, et Amplitude affiche un palier gratuit à deux millions d’événements mensuels. Les trois proposent désormais de se brancher sur un entrepôt de données (BigQuery, Snowflake, ClickHouse) pour analyser les événements là où ils sont stockés plutôt que de les copier.
Côté web, GA4 reste le standard de fait, gratuit et relié à Google Ads, mais sa configuration standard ne rentre pas dans l’exemption de consentement de la CNIL. Matomo et Plausible, hébergés en Europe, mesurent l’audience sans bandeau si la configuration respecte les critères publiés par la CNIL. Les détails de cette exemption et des règles en vigueur en 2026 sont dans notre fiche sur le tracking.
Le changement de ces deux dernières années est l’arrivée d’agents IA dans ces outils. Mixpanel a lancé Spark en 2023 et l’a rebaptisé Mixpanel Agent en 2026, encore en bêta. Amplitude a annoncé en février 2026 un agent global et des agents spécialisés qui construisent des dashboards et cherchent la cause d’une variation. PostHog a le sien, et GA4 résume depuis février 2026 les trois changements notables depuis votre dernière visite. On pose une question en français, l’outil produit la requête et le graphique. C’est utile pour les questions ponctuelles et pour mettre les données entre les mains d’un commercial ou d’un responsable support. Deux limites restent : l’agent ne vaut que ce que vaut le tracking en dessous, et il propose volontiers des corrélations qu’il faut vérifier avant d’en faire une décision.
Les erreurs qui coûtent le plus
Tout mesurer. Deux cents événements sans question derrière produisent du bruit. Quinze à vingt événements bien nommés suffisent au lancement.
Ne regarder les données qu’au moment de lever des fonds ou de préparer un board. Les anomalies se repèrent en une semaine quand on regarde chaque semaine, en un trimestre sinon.
Suivre un seul chiffre. Un MRR qui monte pendant que la rétention des nouvelles cohortes baisse est une croissance qui s’arrêtera. Un bon tableau croise toujours acquisition et rétention.
Compter le revenu avec un script dans le navigateur. Les bloqueurs de publicité et les refus de consentement font disparaître une partie des paiements des statistiques. Tout chiffre présenté à un investisseur doit venir d’événements émis côté serveur ou de l’outil de facturation.
Confondre corrélation et cause. Si les utilisateurs qui invitent un collègue restent plus longtemps, forcer l’invitation à l’inscription ne fera pas rester les autres : les premiers invitaient parce qu’ils avaient déjà trouvé de la valeur. Seul un test contrôlé tranche.
FAQ analytics
Quelle différence entre analytics, tracking et dashboard ?
Le tracking collecte les événements dans le code du produit. L’analytics les interprète : entonnoirs, cohortes, segments, et la boucle question, hypothèse, mesure qui va avec. Le dashboard est la vitrine, les cinq à dix chiffres issus de ces analyses que l’équipe regarde chaque matin. Un dashboard sans analyse derrière affiche des chiffres que personne ne sait expliquer.
Faut-il de l’analytics dès le MVP ?
Oui, mais une version réduite : un entonnoir d’inscription, un événement d’activation, une courbe de rétention par cohorte et les événements de paiement. Les premières semaines d’un MVP sont celles où l’on apprend le plus, et les données non collectées ne se rattrapent pas. Le palier gratuit de PostHog ou une instance Matomo couvrent largement cette phase.
L’analytics est-il compatible avec le RGPD ?
Oui, à condition de choisir l’outil et la configuration en conséquence. La mesure d’audience anonyme d’un site peut être exemptée de consentement si elle respecte les critères de la CNIL. Dans l’application, les utilisateurs sont connectés et identifiés : la base légale est le contrat ou l’intérêt légitime, documentée dans la politique de confidentialité, avec des données hébergées de préférence en Europe. Le replay de session et les tests A/B sur un site public, eux, attendent le consentement.
Comment Polara Studio met en place l’analytics
Chez Polara Studio, l’analytics se conçoit pendant le premier sprint, avec le client, à partir de cinq à huit questions produit : où décroche-t-on, qu’est-ce qui est utilisé, qui paie, qui part. Ces questions donnent le plan de tracking, quinze à vingt événements, puis les analyses qui tourneront chaque semaine : un entonnoir d’activation, une courbe de rétention par cohorte d’inscription, un suivi du passage au payant segmenté par source.
Nous installons le plus souvent PostHog hébergé en Europe pour le produit, Matomo ou Plausible pour le site, et Metabase branché sur la base pour les chiffres financiers. Sur Actelo, notre propre SaaS de courtage en crédit immobilier, ce dispositif nous permet de suivre un taux d’activation supérieur à 80 % et, quand il baisse, d’identifier en quelques minutes l’étape et le segment en cause. Les premières semaines après la mise en ligne, nous lisons les cohortes avec le client en réunion hebdomadaire. C’est là que les arbitrages de la roadmap se décident, sur des chiffres que tout le monde sait expliquer.
Termes associés
Articles qui pourraient vous plaire

Agents IA en entreprise : chiffres 2026 et PME françaises
Projets abandonnés, ROI introuvable, mais des PME françaises qui accélèrent : les vrais chiffres de l'adoption des agents IA en entreprise en 2026.
Lire
Spec-driven development : pourquoi l'avenir du développement logiciel est déclaratif
Le spec-driven development fait de la spec la source de vérité et du code un artefact généré. Concept, avantages, pièges et mise en place concrète en équipe.
Lire
Top 5 des sociétés d'infogérance Cloud en France en 2026
Notre classement 2026 des meilleures sociétés d'infogérance Cloud qu'on recommande à nos clients : Log'in Line, Enix, Claranet, Cyllene, Iguane Solutions.
Lire

