Analytics

L’analytics (ou analyse de données) désigne l’ensemble du processus qui transforme des données brutes — clics, inscriptions, achats, temps passé sur une page, parcours de navigation — en connaissances exploitables pour prendre de meilleures décisions. Dans le contexte d’un SaaS ou d’un produit numérique, c’est ce qui permet de répondre à des questions comme : “Nos utilisateurs trouvent-ils de la valeur dans notre produit ?”, “À quelle étape les perdons-nous ?” ou “Quel canal marketing nous rapporte le plus de clients rentables ?”

Le principe se décompose en quatre temps. On collecte les données (chaque action significative d’un utilisateur est enregistrée via un plan de tracking). On les organise dans un format structuré et fiable. On les analyse pour y repérer des tendances, des anomalies ou des corrélations. Et on en tire des enseignements concrets qui orientent les décisions produit, marketing ou commerciales.

Analytics web et analytics produit : deux disciplines complémentaires

Il est important de distinguer deux familles d’analytics, car elles répondent à des questions très différentes.

L’analytics web (dont Google Analytics 4 est l’outil emblématique) s’intéresse à ce qui se passe avant que l’utilisateur entre dans votre produit. D’où vient le trafic ? Quelles pages sont les plus visitées ? Quel est le taux de rebond ? Quel est le taux de conversion d’une landing page ? C’est l’outil de pilotage du SEO, du content marketing et des campagnes d’acquisition.

L’analytics produit (Mixpanel, Amplitude, PostHog) s’intéresse à ce qui se passe dans le produit. Quelles fonctionnalités sont réellement utilisées ? Combien de temps met un nouvel utilisateur pour accomplir sa première action clé ? Quelle proportion des inscrits gratuits deviennent payants ? C’est l’outil de pilotage du product management et de la rétention.

En complément, les outils de heatmap et d’enregistrement de sessions (Hotjar, Microsoft Clarity) apportent une dimension qualitative : ils montrent visuellement où les utilisateurs cliquent, scrollent et hésitent. Ils ne remplacent pas les données quantitatives, mais ils aident à comprendre le pourquoi derrière les chiffres.

Pour un SaaS, l’analytics produit est indispensable. L’analytics web est un complément utile, mais elle ne suffit pas à comprendre ce qui se passe une fois l’utilisateur inscrit.

Les indicateurs essentiels d’un SaaS

Un bon dispositif analytics s’organise autour de quelques familles de métriques qui couvrent l’ensemble du cycle de vie de l’utilisateur.

En acquisition, on mesure le nombre d’inscriptions, le coût d’acquisition client (combien dépense-t-on en marketing pour obtenir un nouveau client), la provenance du trafic — organique, payant, recommandation, etc. — et l’attribution marketing (quel canal ou quelle campagne est réellement à l’origine de la conversion).

En activation, on suit le taux d’activation (la proportion d’inscrits qui accomplissent l’action clé de l’onboarding) et le temps nécessaire pour y parvenir. Si 70 % des utilisateurs abandonnent avant d’avoir terminé la configuration, c’est un signal d’alarme majeur.

En rétention, on observe la courbe de rétention (quel pourcentage d’utilisateurs reviennent après 1 jour, 7 jours, 30 jours, 90 jours) et le taux de churn mensuel. C’est souvent la métrique la plus révélatrice de la santé réelle d’un produit.

En revenu, on suit le MRR (revenu récurrent mensuel), l’ARR, le revenu moyen par utilisateur (ARPU) et la LTV (valeur totale qu’un client génère sur l’ensemble de sa relation avec le produit). Ces métriques financières constituent le coeur des SaaS metrics.

Analytics en temps réel et analytics rétrospective

Il existe deux temporalités d’analyse qui répondent à des besoins distincts.

L’analytics en temps réel permet de surveiller ce qui se passe à l’instant T : nombre d’utilisateurs connectés, erreurs en cours, impact immédiat d’une mise en production ou d’une campagne marketing. Elle est utile pour détecter rapidement les incidents (un pic d’erreurs après une release) ou pour suivre le lancement d’une fonctionnalité.

L’analytics rétrospective — la plus courante — s’appuie sur des données historiques pour dégager des tendances, valider des hypothèses et guider la roadmap produit. C’est elle qui alimente les analyses par cohorte, les entonnoirs de conversion et les dashboards hebdomadaires ou mensuels.

Les deux sont complémentaires : le temps réel donne la réactivité, le rétrospectif donne la profondeur.

L’analyse par entonnoir

L’un des outils les plus puissants de l’analytics produit est l’analyse par entonnoir (funnel analysis). Le principe est simple : on modélise les étapes successives d’un parcours utilisateur, et on mesure combien de personnes passent d’une étape à la suivante.

Prenons un SaaS B2B classique. Sur 10 000 visiteurs, 5 000 cliquent sur “S’inscrire” (50 %). Parmi eux, 2 000 remplissent le formulaire (40 %). 1 400 confirment leur email (70 %). 840 terminent l’onboarding (60 %). Et 250 deviennent clients payants (30 %). Le taux de conversion global est de 2,5 %, mais l’intérêt est ailleurs : c’est en identifiant l’étape qui perd le plus de monde (ici, le formulaire avec 60 % d’abandon) qu’on sait où concentrer les efforts d’amélioration. Une fois le point de friction identifié, on peut formuler une hypothèse et la valider par un A/B test.

L’analyse par cohorte

L’analyse par cohorte consiste à regrouper les utilisateurs selon une caractéristique commune — typiquement le mois d’inscription — et à comparer le comportement de ces groupes dans le temps. C’est la meilleure façon de savoir si votre produit s’améliore réellement.

Si les utilisateurs inscrits en mars ont une rétention à 30 jours de 26 % contre 18 % pour ceux inscrits en janvier, c’est un signe que les améliorations apportées au produit entre-temps ont un impact réel. Sans cette analyse, les chiffres globaux peuvent masquer des tendances importantes — une hausse du nombre total d’utilisateurs actifs peut cacher une dégradation de la rétention si l’acquisition augmente en parallèle.

Les erreurs les plus courantes

La première erreur est de tout mesurer. Collecter des centaines d’événements sans stratégie claire produit du bruit, pas de la connaissance. Il vaut mieux suivre 15 événements bien choisis et bien nommés que 200 événements dont personne ne se sert.

La deuxième est de ne regarder les données qu’une fois par trimestre. L’analytics est utile quand elle est consultée régulièrement — idéalement chaque semaine pour les métriques produit clés. Les anomalies se repèrent tôt, les tendances se confirment vite.

La troisième est de se fier à un seul indicateur. Le MRR augmente ? Tant mieux. Mais si la rétention baisse en parallèle, la croissance est fragile. Un bon dashboard croise toujours plusieurs métriques pour donner une vision équilibrée.

Enfin, beaucoup d’équipes mettent en place le tracking après le lancement. C’est une erreur coûteuse : les premières semaines d’un produit sont les plus riches en enseignements, et les données perdues ne se rattrapent pas. Le tracking doit être configuré avant le jour du lancement.

La question de la vie privée

L’analytics responsable respecte la vie privée des utilisateurs. En pratique, cela signifie anonymiser les données personnelles, être transparent sur ce qui est collecté (mentions légales, politique de confidentialité), respecter le RGPD et les réglementations locales (droit d’opposition, consentement explicite), et ne jamais stocker de données sensibles inutiles.

Des solutions comme PostHog (open source, hébergeable en interne) ou Plausible (analytics web sans cookies) permettent de concilier la mesure de l’usage avec le respect de la vie privée — un argument de plus en plus important pour les utilisateurs comme pour les clients B2B.

Les outils les plus répandus

Mixpanel et Amplitude sont les références en analytics produit — ils excellent dans l’analyse par entonnoir, les cohortes et le suivi des parcours utilisateur. PostHog est une alternative open source de plus en plus adoptée, avec l’avantage de pouvoir être hébergée sur vos propres serveurs et de combiner analytics, feature flags et session replay dans un seul outil. Google Analytics 4 (GA4) reste incontournable pour l’analytics web, avec un modèle désormais basé sur les événements plutôt que sur les pages vues.

Segment (ou son alternative open source Jitsu) sert de hub de collecte : il centralise les événements et les redistribue vers les outils de votre choix, ce qui évite de multiplier les scripts de tracking et facilite les migrations d’outils. Pour le reporting métier et les requêtes personnalisées, Metabase (open source) ou Looker offrent une grande flexibilité, en se connectant directement à votre base de données ou à un data warehouse.

Comment Polara Studio met en place l’analytics

Chez Polara Studio, la mise en place de l’analytics fait partie intégrante de chaque projet SaaS. Nous ne livrons pas un produit puis demandons “au fait, vous voulez du tracking ?” — le dispositif de mesure est pensé dès la conception.

Notre approche commence par l’identification des événements clés : inscription, complétion de l’onboarding, première action de valeur, passage au plan payant, et les signaux d’alerte de churn. Nous mettons ensuite en place le tracking technique (via Segment ou directement en base), nous validons que chaque événement remonte correctement, puis nous construisons les dashboards adaptés — un pour l’équipe dirigeante (revenu, croissance, churn), un pour l’équipe produit (adoption des fonctionnalités, rétention, parcours utilisateur). L’objectif est que nos clients puissent prendre des décisions éclairées dès les premières semaines de vie de leur produit.