Retours d’expérience concernant le modèle KIM

Une formule algorithmique trop complexe à « deviner »

Dans notre modèle, nous nous proposons d‟élaborer un système qui permettrait de révéler aux Web-marketeurs, la bonne pratique à appliquer en fonction des données statistiques enregistrées par les différents outils de Web Analytics. Cela implique une surveillance informatique des différents flux d‟entrées comme l‟enregistrement des bonnes pratiques en provenance de la veille des Web-marketeurs (Boutin, Gallezot, & Luc Quoniam, 2006) et des différentes données statistiques transmises par les différents outils d‟e-Marketing utilisés pour conduire le projet en question. Les flux de sorties sont quant à eux les différentes bonnes pratiques à appliquer suite à des variations remarquables enregistrées par l‟outil. Dans le modèle présenté, cette orchestration s‟effectue à partir d‟une formule permettant de prendre en compte à la fois les objectifs, les vecteurs de communication activés, les bonnes pratiques filtrées au moyen d‟indicateurs subjectifs apposés par les Web-marketeurs, mais surtout, un méta-KPI qui serait basé sur une formule mathématique et composé des KPI‟s révélés par la matrice d‟assistance au pilotage présentée en I. II. H- 2). Cela implique qu‟il faudrait que l‟équipe e Marketing de BleuRoy.com s‟appuie sur son expérience pour concevoir une formule qui permettrait de disposer d‟un méta-KPI suffisamment fiable pour être l‟indicateur de référence à surveiller par le système. Après de nombreux échanges avec les Webmarketeurs, des consultants experts qui ont bien voulu me donner leurs points de vue et quelques retours lors de présentations du modèle lors de conférences, il apparaît que celle-ci peut devenir très complexe et implique surtout de nombreux paramètres complémentaires pas toujours aisément récupérables.
Prenons l‟exemple du « Taux de rebond », indicateur clés de performance très en vogue pour le suivi des sites Web. Il est admis le raccourci rapide qu‟un taux bénéfique est un taux inférieur à 40 %, en dessus il faut se concentrer sur les erreurs d‟enregistrement au sein des annuaires de sites web, vérifier les balises de référencement au sein des pages du site et mettre en exergue le taux avec la fidélité des visiteurs et le pourcentage de nouvelles visites (Roudaut, 2009). En effet, ce dernier pouvant être lié au fait que les visiteurs sont déjà conquis et c‟est diagnosticable notamment par un faible taux de nouvelles visites mais des visiteurs fidèles. Si toujours avec un taux de rebond élevé, le taux de nouvelles visites est important et que le taux de fidélité est assez bas, il faudra alors intervenir car les visiteurs survolent le site. A cela, il faut donc rajouter le fait que « la notion de rebond est non seulement toute relative au niveau de la page (et non pas du site) mais également au contenu présenté sur le site […] mais prenons l‟exemple d‟un blog ou autre site de contenu : Même si mon taux de rebond est à 90%, il est intéressant de voir combien de temps -en moyenne- les visiteurs ont passé sur mon site […] le taux de rebond est à prendre « avec des pincettes » suivant le type de site et de contenu proposé » (Coquet, 2009b). En allant encore plus loin, on peut identifier que « certains évoquent un temps minimum (5 à 10 seconde) en dessous duquel le rebond peux être considéré comme une expression d‟insatisfaction […] En plus de son interprétation par lui-même, un autre avertissement majeur doit être lancé : ne pas le comparer trop rapidement avec celui d‟un autre site » (Guillard, 2009). On note donc plusieurs paramètres pour étudier efficacement le taux de rebond, avec, des dépendances inter indicateurs comme le pourcentage de nouvelles visites, la fidélité des visiteurs, le temps passé, le temps minimum, des dépendances contextuelles avec la page auditée, le contenu proposé …

Une comparaison étendue au-delà de la dimension temporelle

Nous l‟avons vu précédemment la comparaison de données statistiques par période pour un même vecteur est typiquement intéressante dans le cadre des sites Web qui sont de véritables supports uniques (Guillard, 2009) peu comparables entre eux. Dans le cadre des vecteurs de type campagne e-Marketing comme les « liens sponsorisés » ou les campagnes « d‟e-Mailing », il apparaît plus pertinent de comparer avec les données statistiques de campagnes précédentes. La comparaison temporelle est donc toujours de mise mais cette foisci on ne compare plus avec la campagne à l‟étude mais plutôt avec la campagne précédente qui disposait des mêmes critères. Cela peut s‟expliquer notamment par le fait qu‟une campagne a une date de début et une date de fin. Par exemple pour l‟e-Mailing les dates de génération de statistiques sont réalisées à 7 voir 15 jours après la date d‟expédition de masse (Milan, 2009).
Par ailleurs, lors de l‟analyse des statistiques, les Web-marketeurs établissent des bilans de performance par rapport à des baromètres publics librement distribués sur Internet. Parmi ces baromètres, on peut citer le benchmark des performances e-Mailing. A l‟instar des baromètres d‟AT Internet Institut fondée sur l‟agrégation puis la rationalisation des données statistiques des utilisateurs, celui-ci est certainement constitué à partir des statistiques des campagnes réalisées au moyen de la plateforme d‟Experian, CheetahMail. On y retrouve les principaux indicateurs d‟e-Mailing catégorisés par secteurs d‟activité. Ce qui est fort utile pour notre modèle qui dispose d‟une qualification thématique embarquée dans le configurateur. Le tableau ci-après présente les principaux indicateurs clés de performance de l‟e-Mailing en fonction des secteurs d‟activité :

Une comparaison étendue au-delà de la dimension temporelle

Nous l‟avons vu précédemment la comparaison de données statistiques par période pour un même vecteur est typiquement intéressante dans le cadre des sites Web qui sont de véritables supports uniques (Guillard, 2009) peu comparables entre eux. Dans le cadre des vecteurs de type campagne e-Marketing comme les « liens sponsorisés » ou les campagnes « d‟e-Mailing », il apparaît plus pertinent de comparer avec les données statistiques de campagnes précédentes. La comparaison temporelle est donc toujours de mise mais cette foisci on ne compare plus avec la campagne à l‟étude mais plutôt avec la campagne précédente qui disposait des mêmes critères. Cela peut s‟expliquer notamment par le fait qu‟une campagne a une date de début et une date de fin. Par exemple pour l‟e-Mailing les dates de génération de statistiques sont réalisées à 7 voir 15 jours après la date d‟expédition de masse (Milan, 2009).
Par ailleurs, lors de l‟analyse des statistiques, les Web-marketeurs établissent des bilans de performance par rapport à des baromètres publics librement distribués sur Internet. Parmi cesbaromètres, on peut citer le benchmark des performances e-Mailing. A l‟instar des baromètres d‟AT Internet Institut fondée sur l‟agrégation puis la rationalisation des données statistiques des utilisateurs, celui-ci est certainement constitué à partir des statistiques des campagnes réalisées au moyen de la plateforme d‟Experian, CheetahMail. On y retrouve les principaux indicateurs d‟e-Mailing catégorisés par secteurs d‟activité. Ce qui est fort utile pour notre modèle qui dispose d‟une qualification thématique embarquée dans le configurateur. Le tableau ci-après présente les principaux indicateurs clés de performance de l‟e-Mailing en fonction des secteurs d‟activité :

Des tableaux de bord prédéfinis encore plus personnalisés

Dans notre modèle, nous proposons d‟établir des tableaux de bord en fonction des objectifs et des vecteurs de communication adressés. Ce sont les matrices d‟assistance au pilotage qui permettent d‟en révéler les indicateurs clés de performance. Mais il s‟avère que cette structuration peut représenter plusieurs limites. Eric T. Peterson segmentait davantage les tableaux de bord à travers 3 types de responsabilités, « les responsables seniors qui devraient recevoir de trios à cinq KPIs de haut niveau en relation directe avec les objectifs et la rentabilité de l’entreprise, les responsables intermédiaires qui sont souvent les points de contexte de leurs responsables seniors en cas de problème. C’est pourquoi ils doivent avoir accès aux mêmes rapports que leurs seniors plus une autre série de KPIs qui mettent les rapports en perspective sans rentrer dans des détails trop techniques. Les équipes tactiques qui sont constituées de gens pas assez importants pour avoir un titre sophistiqué mais qui occupent des postes à responsabilité. Ce sont en général les personnes qui se servent des outils web analytics et qui comprennent leur fonctionnement. Les équipes tactiques devraient recevoir les mêmes rapports que les responsables seniors et intermédiaires plus des KPIs tactiques pour garder un œil sur les aspects opérationnels » (Coquet & Peterson, 2008). Cette répartition impose de gérer de nombreux indicateurs clés de performance et à l‟époque de la rédaction originelle, Eric T. Peterson s‟était davantage focalisé sur les indicateurs clés de performance des Web Analytics liés aux supports de type Site Web. Entre temps, les Web Analytics se sont davantage étendues en prenant en considération non plus seulement les indicateurs clés de performance du vecteur de communication des sites web mais aussi des campagnes en ligne et hors ligne, les facteurs d‟Intelligence Compétitive etc … Nous avons pris le parti dans cette thèse de parler de Web Analytics en englobant l‟ensemble des indicateurs clés de performance des différents vecteurs de communication en ligne, liés ou non à un site web, ainsi que les indicateurs d‟actions hors ligne ayant un potentiel impact sur leurs consœurs. Stéphane Hammel parle aujourd‟hui d‟Online Analytics comme étant “The extensive use of quantitative and qualitative data, statistical analysis, explanatory and predictive models, business process analysis and fact-based management to drive a continuous improvement of online activities – resulting in higher ROI” (Hamel, 2010). Quoi qu‟il en soit, il convient d‟organiser des tableaux de bord qui correspondent davantage aux fonctions métiers des différents acteurs de l‟entreprise. Cela est nécessaire pour favoriser l‟implication mais surtout « pour fournir la bonne information, à la bonne personne, au bon moment afin qu‟elle puisse prendre les bonnes décisions » (Queyras & L. Quoniam, 2005).
En effet, « un directeur général, un chef de produit marketing et un responsable de service client ont des approches bien différentes du canal Internet et font appel à des indicateurs distincts » (Fétique, 2010), notre plateforme prend en considération cela à travers la gestion de tableau de bord de Widgets personnalisable. Mais cela implique que le gestionnaire est bien qualifié en amont son projet pour que notre système lui propose d‟élaborer son tableau de bord. Je rappelle que plusieurs points d‟entrées sont possibles notamment à travers le vecteur de communication, l‟objectif ou encore le site Web. A partir des productions de Stéphane Bordage et al.1 , il devient possible d‟établir une relation entre les différentes typologies de Sites Web et les fonctions métiers grâce à sa cartographie de concordance.