L’analytics e-commerce multicanal ressemble souvent à une scène de crime – tu as dix plateformes qui te montrent chacune des chiffres différents pour les mêmes conversions, et personne ne s’accuse. Facebook dit qu’il t’a ramené 6 ventes. Google dit 7. Dans ton Shopify, il y en a eu 10. Et toi tu te retrouves à réconcilier tout ça dans un Google Sheet à 23h. David Dokes, cofondateur de Polar Analytics – un SaaS de Business Intelligence verticalisé sur les marques Shopify – a passé une heure et demie à disséquer ce problème avec Danilo Duchesnes dans le podcast Le Rendez-Vous Marketing. Et franchement, la conversation m’a accroché dès les premières minutes.
David n’est pas un ex-consultant qui a monté un outil pour vendre de la méthode. Il a géré 20 millions de dollars de budget marketing entièrement via du code chez Turo – le Airbnb des voitures aux États-Unis. Il a vu de l’intérieur comment une data platform interne peut faire la différence entre une équipe qui prend les bonnes décisions au bon moment et une équipe qui navigue à l’aveugle.
La question que pose cet épisode est simple, brutale même : pourquoi les marques e-commerce de taille intermédiaire n’ont-elles toujours pas accès aux outils que les géants du retail utilisent depuis dix ans ? Et est-ce que Polar a vraiment résolu ça ?
Quand un ex-Turo décide que le chaos de la data, c’est fini
San Francisco, 2019. David Dokes rentre en France après plusieurs années chez Turo, où l’équipe est passée de 50 à 500 personnes en quatre ans. Il lance une activité d’agence, audite une centaine de boîtes e-commerce. Et là, le déclic.
« Ce qu’on s’est rendu compte, c’est que tu vois nous on avait construit quelque chose chez Turo, on avait construit une moderne Data stack assez élaborée. En revanche, ça reste encore très très difficile d’accès pour les marques e-commerce. C’est des projets qui sont hyper coûteux, tu vois rien qu’en tout, tu es entre 100K à 1 million de dollars. »
Un million de dollars pour avoir une vision correcte de ses données. Voilà.
Il rappelle Charbel – son ancien collègue côté Engineering chez Turo, passé entre-temps chez Airbnb. Ils se donnent six mois pour construire Polar. C’était début 2020, juste avant que le Covid transforme le e-commerce en ruée vers l’or. Timing qu’on ne peut pas qualifier d’accidentel.
Ce qui est intéressant dans ce parcours – et c’est un pattern qu’on retrouve chez plusieurs fondateurs de SaaS B2B sérieux – c’est que l’idée ne vient pas d’une vision. Elle vient d’une douleur observée cent fois sur le terrain. David a audité une centaine de boîtes. Il a vu le même problème une centaine de fois. C’est la même logique que beaucoup de marques DNVB qui naissent d’une frustration consommateur. Sauf que là c’est une frustration data.
Le vrai problème de l’analytics e-commerce multicanal
Dix à vingt outils. C’est la moyenne des applications qu’une marque e-commerce utilise pour gérer sa croissance aujourd’hui. Des canaux de vente différents – online, retail, marketplace. Des plateformes publicitaires différentes. Des devises différentes.
Et chacun de ces outils génère de la donnée. En silo. Que quelqu’un doit télécharger, nettoyer, agréger. À la main.
« Quand tu prends la question ‘quel est mon coût d’acquisition’ et répondre pour une marque, c’est un cauchemar. C’est un cauchemar. »
David le dit deux fois. Ce n’est pas un tic de langage – c’est que le mot est juste.
La raison pour laquelle l’analytics e-commerce multicanal est si compliqué tient à une chose précise : les modèles d’attribution. Facebook et Google ne jouent pas selon les mêmes règles. Pour une même vente, les deux plateformes peuvent se l’attribuer. Tu as 10 ventes dans Shopify. Facebook dit 6, Google dit 7. Total déclaré : 13. Réalité : 10. Et toi tu prends des décisions budgétaires sur ces chiffres-là.
C’est là que l’analytics e-commerce multicanal prend toute sa dimension – pas comme un gadget de reporting, mais comme un outil de décision réelle. Sans ça, tu sur-investis là où l’algorithme est le meilleur vendeur de sa propre valeur. Ce qui n’est pas la même chose qu’être le plus efficace pour toi.
Pour les marques qui vendent sur plusieurs canaux – Shopify mais aussi Amazon, retail, marketplace – le problème est encore plus épineux. David mentionne Amazon Ads et Amazon Seller Central comme des connecteurs que Polar était en train de sortir. La complexité de vendre sur Amazon s’ajoute à celle du tracking – c’est une couche de plus dans le chaos.
Polar Analytics : architecture d’un outil de analytics e-commerce multicanal
Quatre blocs. C’est la structure de Polar telle que David la présente.
Le premier : les connecteurs. Un clic pour brancher Shopify, Google Analytics, Facebook Ads, Google Ads, TikTok, Pinterest, Snapchat, Criteo, Bing, Klaviyo, Recharge… Et aussi Google Sheets – ce qui peut paraître anecdotique mais ne l’est pas. C’est la porte d’entrée pour les données hors ligne : coûts d’influenceurs, budget radio, télé. Tout ce qui n’a pas d’API mais qui fait partie du coût marketing réel.
Le deuxième bloc : les templates. Des rapports pré-construits centrés sur des cas business précis – coût d’acquisition, LTV, performance produits. L’idée c’est que la logique métier e-commerce est déjà intégrée. Tu n’as pas à recréer les formules de base.
Le troisième : les custom reports. La feature dont David parle avec le plus d’enthousiasme. Accès à la donnée brute de toutes les sources connectées, avec possibilité de créer ses propres métriques et formules.
« Tu vois typiquement j’avais eu un exemple assez intéressant d’une boîte à New York qui calculait ses influenceurs en prenant Facebook moins Google Analytics. Bref, tu peux appliquer pas mal de choses. »
Dit comme ça, ça a l’air simple. Et c’est justement le point – ça devrait l’être depuis longtemps.
Le quatrième bloc : les modèles de data science. Forecasting, alertes en temps réel, insights automatisés. Et ce truc qui m’a particulièrement accroché – des benchmarks par industrie. Ton taux de conversion est à 1,5 %. Est-ce bien ? Est-ce catastrophique ? Ça dépend entièrement de ton secteur et de ta saisonnalité. Avoir une référence externe, c’est quelque chose que la plupart des marques n’ont tout simplement pas.
Le blended CAC : le seul chiffre vraiment honnête
Parmi tout ce que David explique sur l’analytics e-commerce multicanal, c’est peut-être le concept de coût d’acquisition « blended » qui mérite qu’on s’y arrête le plus longtemps.
La plupart des marques regardent leur CAC par canal. CAC Facebook. CAC Google. CAC TikTok. Et elles prennent des décisions d’allocation budgétaire sur cette base. Le problème c’est que ces chiffres sont pollués par les doubles attributions, les fenêtres d’attribution différentes, et le fait que le payant génère souvent du trafic organique en parallèle.
Le blended CAC fonctionne autrement. Tu prends deux données que tu peux vérifier de façon indépendante : tes dépenses totales sur toutes les plateformes (que tu peux recouper avec ton relevé de carte bancaire) et le nombre de nouveaux clients dans Shopify (source de vérité unique). Tu divises. Tu obtiens un coût d’acquisition global qui, lui, ne ment pas.
« Quand il va s’agir de prendre les données du dépenses marketing, on va prendre les données des plateformes directes. Ça on en est sûr de combien j’ai dépensé sur Facebook. Je peux le vérifier avec combien j’ai été débité sur ma carte bleue. »
C’est exactement le problème que personne ne pose clairement aux marques en phase de scale.
Et David ajoute quelque chose d’important : ce chiffre seul ne veut rien dire sans la LTV. Un CAC à 50 euros, c’est excellent si ton client dépense 300 euros sur deux ans chez toi. C’est catastrophique s’il achète une fois et disparaît. C’est pour ça que dans l’outil, le workflow recommandé commence par la rétention et la LTV – avant même de regarder l’acquisition. Ce qui est contre-intuitif pour la plupart des e-commerçants qui regardent d’abord leur ROAS du mois.
C’est un angle que j’explore aussi dans le contexte des modèles d’abonnement e-commerce orientés rétention – la LTV change radicalement la lecture de ce qu’on peut se permettre de dépenser pour acquérir.
Funnel.io, Supermetrics : pourquoi la verticalisation change tout
Danilo pose la question directement : c’est quoi la différence avec Funnel.io ?
La réponse de David est structurée et honnête (ce qui est rare dans les pitch de fondateurs). Les outils comme Funnel ou Supermetrics sont des outils horizontaux – ils font des connecteurs pour tout le monde, quelle que soit l’industrie. Ce sont de bons outils. Mais être horizontal force à se concentrer sur une seule feature. Tu fais très bien les connecteurs. Ou très bien la visualisation. Ou très bien le monitoring.
Polar a fait un choix différent : se concentrer sur un seul type de client – la marque e-commerce sur Shopify – et lui apporter la suite complète. Connecteurs, stockage, rapports, alertes, modèles prédictifs. Tout dans un seul outil, avec toute la logique métier e-commerce intégrée d’emblée.
Il y a une limite réelle à mentionner ici – et David ne la cache pas. Pour l’instant, Polar est focalisé sur Shopify. Les autres CMS (et le headless notamment) arrivent, mais ce n’était pas encore là au moment de cet épisode enregistré en juillet 2022. Si tu es sur Prestashop ou WooCommerce, tu patienterais encore.
Le fait que la verticalisation permette d’aller chercher des connecteurs que les acteurs horizontaux négligent – comme TikTok Ads ou Recharge pour les abonnements – c’est un argument concret. Quand tu prépares une opération Black Friday avec des campagnes sur cinq plateformes simultanément, avoir un connecteur TikTok qui fonctionne n’est pas un détail.
Ce que j’aurais voulu qu’on creuse davantage – enfin, ce que j’aurais voulu qu’on me dise – c’est comment Polar traite concrètement les conversions dupliquées entre plateformes. David l’évoque, Danilo le résume bien, mais le mécanisme technique exact reste un peu flou dans l’épisode. Est-ce une déduplication basée sur des identifiants de commande ? Sur du fingerprinting ? C’est là que l’analytics e-commerce multicanal devient vraiment technique, et la transcription s’arrête avant d’y rentrer.
Ce que l’outil révèle que tu ne regardais pas
Quelques cas d’usage que David glisse au fil de la conversation et qui méritent d’être isolés.
Premier cas : les alertes temps réel. Tu définis un seuil – mon CAC ne doit pas dépasser 20 euros sur une journée – et tu reçois une notification Slack ou email dès que ça déclenche. Ça a l’air basique. Mais la plupart des marques découvrent que leurs campagnes ont mal performé deux semaines après, lors du reporting mensuel. Là, tu le sais dans la journée.
Deuxième cas : les formules custom. Une marque new-yorkaise calculait sa contribution influenceurs en soustrayant les conversions Google Analytics des conversions Facebook déclarées. Méthode approximative ? Sûrement. Mais c’est leur méthode interne, et l’outil permet de la coder une fois et de la recalculer automatiquement. C’est ça qui change le quotidien des équipes marketing – pas les dashboards visuels, mais l’automatisation des calculs récurrents que quelqu’un faisait à la main chaque lundi.
Troisième cas : les benchmarks sectoriels. Ton taux de conversion est à 1,5 %. Est-ce bien ? Tu n’as aucun moyen de le savoir si tu n’as pas de référence externe. Polar agrège les données de ses clients (de façon anonymisée, j’imagine, même si ça n’est pas précisé dans l’épisode) pour construire ces benchmarks. C’est ce qui permet de répondre à « est-ce juste moi ou c’est tout le marché ? »
Les marques qui vendent sur Amazon en plus de leur Shopify ont aussi un intérêt particulier à ce type d’outil. Performer sur l’e-retail implique de suivre des métriques distinctes de celles du direct-to-consumer – et les consolider dans un seul endroit change radicalement la lisibilité du business global.
Et pour ceux qui construisent une marque DNVB avec une logique omnicanale dès le départ, avoir une vision unifiée de tous ses canaux d’acquisition n’est pas un luxe – c’est la condition pour ne pas se faire surprendre par une structure de coûts qui dérive sans que personne ne s’en aperçoive.
La deuxième partie de l’épisode porte sur la rétention client et la performance produits – le vrai terrain où se joue la profitabilité à long terme. Mais ça, c’est une autre conversation.
