La rétention client e-commerce est devenue le sujet dont tout le monde parle – et que presque personne ne maîtrise vraiment. Ni les annonceurs, ni les agences. Coralie Dussart le dit sans détour dans cet épisode du Rendez-Vous Marketing, et franchement, ça fait du bien d’entendre quelqu’un être honnête là-dessus. CEO de l’agence Spaag, spécialisée en stratégie de growth sur-mesure, elle a accepté de passer en revue les méthodes concrètes que son équipe – data scientists inclus – applique chez ses clients. Segmentation RFM, analyse de cohortes, scénarios d’automation, algorithmes de recommandation produit : on rentre dans le dur.
Ce qui m’a frappé dans cet échange, c’est que le problème n’est pas technique au départ. Il est mental. Les marques continuent de tout miser sur l’acquisition parce que c’est ce qu’elles savent faire. Facebook tourne, Google tourne, les CPM explosent – et là, seulement là, elles commencent à regarder leurs clients existants. Un peu tard, souvent.
Pourquoi l’acquisition seule ne tient plus
Trois ou quatre ans en arrière, un bon ROAS sur Meta et tout le monde était content. Ce temps-là est terminé – pas parce que les plateformes sont devenues incompétentes, mais parce que la concurrence a explosé et que le tracking iOS a tout brouillé. Coralie Dussart nuance d’ailleurs intelligemment :
« Je dirais pas qu’elle se complexifie. Je pense que justement Facebook, Google, ils essaient vraiment de simplifier les choses. Tu as parlé de performance Max, je pense que c’est un peu leur idée – mais il y a des problèmes de tracking. »
Voilà. Le problème n’est pas la plateforme. C’est qu’on navigue à moitié à l’aveugle.
Du coup, les marques se retrouvent à payer de plus en plus cher pour recruter des clients dont elles ne savent pas grand-chose. Ni combien de temps ils restent. Ni combien ils rapportent sur deux ans. Ni si la campagne qui a fait exploser les volumes en juillet a recruté les bons profils ou juste des chasseurs de promos. La rétention client e-commerce commence exactement là – dans cette ignorance.
Et c’est ce qui rend le sujet à la fois urgent et sous-estimé. Parce que travailler la rétention, ça demande de la data, des outils, des profils spécifiques. Ce n’est pas appuyer sur un bouton dans Klaviyo et espérer.
Avant les KPIs : comprendre d’où vient la data
Première question de Danilo Duchesnes dans l’épisode : comment on récupère la data pour comprendre sa rétention ? La réponse de Coralie est nette. Pour le B2C, on commence par la base client – email, CRM, voire l’ERP ou le logiciel de logistique si la marque en a un. Pour le B2B, même logique, mais les cycles de vente sont plus longs et la data vient aussi des équipes sales.
Chez Spaag, ils ont structuré une offre autour de ce qu’ils appellent le « know your customer ». Deux dimensions : quantitatif et qualitatif. Et là, ce qui m’a surpris – c’est le qualitatif. Parce que dans la plupart des agences que je connais, personne n’appelle les clients. On exporte un CSV, on fait des pivots, on livre un deck. Eux, ils décrochent le téléphone.
« On va aller appeler les meilleurs clients, appeler les moins bons clients, appeler ceux qui n’ont pas commandé depuis X temps et comprendre tout ça – donc on fait aussi du qualitatif. On fait de l’appel et du questionnaire par email. »
C’est exactement là que la plupart des analyses de rétention s’arrêtent trop tôt.
Ce double prisme – chiffres et conversations – change la nature des conclusions. Un churn de 30% sur un segment, ça dit quoi exactement ? Rien, sans le qualitatif derrière. Avec les appels, tu sais si c’est le prix, le produit, l’expérience post-achat ou juste la concurrence qui a mieux bossé son acquisition ce trimestre-là. Sur le fond, c’est la même logique que ce que les DNVBs à succès appliquent sur l’expérience client depuis leurs débuts : écouter avant d’automatiser.
La segmentation RFM : vieille technique, nouveaux usages pour la rétention client e-commerce
La méthode RFM – Récence, Fréquence, Montant – date des années VAD. Vendeurs à distance, catalogues papier, Yves Rocher et La Redoute. Et pourtant, c’est encore ce que Spaag utilise en 2022 pour structurer la rétention client e-commerce de ses clients. Pas par manque d’imagination – parce que ça fonctionne.
Le principe : classer chaque client selon la date de sa dernière commande, la fréquence d’achat, et le montant dépensé. À partir de là, on crée des segments : VIP, bon client, client occasionnel, client inactif. Et des cohortes – des groupes d’acheteurs acquis sur une même période, qu’on suit dans le temps.
Ce qui est plus intéressant dans l’approche de Spaag, c’est la notion d’attrition dans le temps. Coralie donne un exemple concret :
« Pour une marque de lingerie, un bon client est quelqu’un qui va commander pour environ 100 € tous les 3 mois. Et si on regarde les datas tous les 3 mois, on va se rendre compte que tous les 3 mois on perd je sais pas 10% de cette base qui en fait n’a pas commandé 100 € tous les 3 mois. »
Dit comme ça, ça a l’air simple. Mais le truc c’est que presque aucune marque ne fait ce suivi de manière régulière.
Ils vont plus loin avec ce qu’ils appellent des matrices de passage – le tracking du glissement d’un segment vers un autre. Quand est-ce qu’un VIP devient un bon client ? Quand est-ce qu’un bon client bascule vers l’occasionnel ? Ces transitions ont des patterns, et ces patterns permettent d’agir avant que la relation soit perdue. C’est ça, la vraie rétention client e-commerce : intervenir avant le départ, pas après.
Autre couche d’analyse : le prisme produit. Quels sont les top produits achetés par chaque segment ? Et c’est là que ça devient vraiment utile – parce que ça permet de détecter des campagnes d’acquisition faussement positives. Coralie donne l’exemple d’une marque qui vend des jeans mais a lancé des t-shirts d’appel moins chers. Les volumes ont grimpé. Le ROAS avait l’air correct. Mais :
« En fait ça nous permet de de se rendre compte qu’on n’a pas recruté la même typologie de clients – que nos campagnes d’acquisition étaient pas les bonnes ou qu’en tout cas ça ne fera pas des clients fidèles avec une bonne LTV sur le long terme pour cette marque. »
Franchement, j’aurais aimé avoir ce cadre d’analyse à portée de main lors de certaines campagnes que j’ai couvertes ces dernières années. Des marques qui scalaient sur du volume et qui découvraient 18 mois plus tard que leur base client était essentiellement composée d’acheteurs à -40%.
LTV, churn, utilisateurs actifs : les KPIs selon le business model
Pas de liste universelle ici – et c’est ce que j’apprécie dans la réponse de Coralie. Les KPIs de rétention client e-commerce dépendent du modèle. Pour un SaaS, c’est le nombre d’utilisateurs actifs et les fonctionnalités utilisées. Pour une app de sport (Spaag a travaillé sur ce type de client), c’est le nombre de sign-ups et l’usage réel dans les 30 premiers jours. Pour l’e-commerce pur, c’est la LTV déclinée par segment, le taux de réachat, et le churn.
La LTV – valeur vie client – reste le KPI de référence. Mais une LTV globale sur toute la base, ça ne dit rien. Ce qui compte c’est la LTV du segment VIP comparée à celle du client occasionnel. C’est cet écart qui révèle où la marge est vraiment faite – et donc où concentrer les efforts de fidélisation. Pour aller plus loin sur l’analyse de la LTV et des cohortes, l’épisode avec David Dokes de Polar Analytics sur la rétention e-commerce est une lecture complémentaire indispensable.
Sur les outils : pour l’e-commerce sur Shopify, Danilo mentionne Polar Analytics (dont le fondateur a été invité sur le podcast quelques épisodes plus tôt) et Triple Whale. Pour les applications mobiles, Coralie cite MixPanel, Firebase, et les outils d’attribution comme AppsFlyer ou Adjust. Mais la vérité, c’est que pour les cohortes avancées, on finit toujours sur Excel. Les CRM ont des fonctions d’export ; l’analyse fine, elle se fait à la main (ou avec des data scientists, ce qui n’est pas tout à fait pareil).
Spaag croise aussi des données de l’INSEE et des données open data pour enrichir les analyses démographiques – notamment quand il s’agit de drive-to-store, pour identifier où concentrer les efforts géographiquement. C’est le genre de détail qui sépare une analyse CRM basique d’une vraie segmentation stratégique.
Ce que personne ne dit sur les scénarios d’automation
Personnalisation. Tout le monde en parle. Peu de gens expliquent comment ça se structure concrètement dans un contexte de rétention client e-commerce. Coralie donne deux exemples réels – et ils valent le détour.
Premier exemple : une marque allemande qui vend des cures de jus de jeûne. Le scénario d’automation varie en fonction de la cure achetée. Pendant la cure, des reminders et du contenu éditorial accompagnent le client. Et après :
« En fonction de ça et puis de leur satisfaction ou pas à la fin d’une cure, on leur conseillait des nouvelles cures, des nouveaux jus pour continuer à faire les bienfaits de leur cure. »
Simple en apparence. Mais derrière, il y a un questionnaire de satisfaction automatisé, une logique de recommandation, et une coordination entre l’équipe growth et le customer service. Rien de tout ça n’existe par défaut dans Klaviyo.
Deuxième exemple : une plateforme de vente de vin direct producteur. Là, ils ont développé un algorithme de recommandation basé sur l’historique d’achat. Deux achats de blanc de Bourgogne ? L’algo propose d’autres blancs de Bourgogne, des cépages proches, puis des rouges qui pourraient plaire à ce profil de palais. C’est du collaborative filtering appliqué à la cave – et ça change radicalement le taux de réachat.
Ces deux cas ont un point commun : la data collectée avant l’automation est aussi importante que l’automation elle-même. Sans segmentation propre, sans compréhension des produits achetés par segment, le scénario le plus sophistiqué du monde envoie le mauvais message au mauvais moment. C’est d’ailleurs un défi que rencontrent même les modèles d’abonnement e-commerce les plus avancés – la personnalisation post-acquisition reste un chantier permanent.
Coralie mentionne aussi plusieurs leviers complémentaires : le programme de fidélité avec points (à condition de le rappeler activement – un mail qui dit « vous avez 12€ qui vous attendent » convertit bien mieux qu’une bannière sur le site), le referral (Danilo cite un client avec 10% de remise sur parrainage – et clairement c’est sous-utilisé dans le secteur), les SMS et push notifications (moins sexy que l’email, souvent plus efficaces pour la réactivation), et même le courrier postal pour les segments VIP. Ce dernier point surprend toujours – jusqu’au moment où on regarde les taux d’ouverture d’un catalogue haute gamme comparé à un email promotionnel.
Sur le panier moyen e-commerce, ces scénarios d’automation ont aussi un impact direct – la recommandation produit post-achat, quand elle est bien calibrée, pousse naturellement vers des paniers plus élevés.
La limite qu’on ne dit pas
Ce qui m’a frappé dans cet épisode – enfin, ce que j’aurais voulu qu’on creuse davantage – c’est la question des ressources. Tout ce que décrit Coralie est pertinent. Mais ça nécessite des data scientists, des experts CRM, des outils de data science propriétaires, et une cadence d’analyse tous les 6 mois minimum. Pour une TPE qui fait 800k€ de CA sur Shopify avec une équipe de 3, c’est hors de portée sans prestataire externe.
Coralie l’assume d’ailleurs :
« C’est assez classique de faire appel à des prestataires extérieurs pour faire ça – puisque nous on va faire toujours les mêmes analyses tous les 6 mois et leur donner les clés pour que eux ensuite puissent mettre en place leur stratégie. »
Donc la vraie question pour les marques early-stage, c’est : à partir de quel seuil ça vaut le coup d’investir dans cette infrastructure analytique ? 1 million de CA ? 3 millions ? 10 000 clients actifs ? La réponse varie selon le modèle et la marge – mais elle mériterait un épisode entier. D’autant que l’analyse multi-canale en e-commerce complique encore l’équation quand on essaie d’attribuer correctement la valeur de chaque levier sur la LTV.
Et puis il y a la question de l’organisation interne. La rétention client e-commerce ne peut pas vivre dans un silo marketing. Coralie insiste : les équipes growth doivent être connectées au customer service pour le B2C, aux sales pour le B2B. Sans cette coordination, les scénarios d’automation manquent de la data qualitative qui les rend pertinents. Ce n’est pas un problème d’outil. C’est un problème de structure. Et la plupart des entreprises que je vois n’ont pas encore résolu ça.
La bonne nouvelle, c’est que les bases – segmentation RFM, suivi de cohortes, scénario post-achat – sont accessibles sans infrastructure lourde. Polar Analytics sur Shopify, un export Excel bien structuré, et la discipline de regarder les chiffres tous les trimestres : ça ne remplace pas une équipe de data scientists, mais ça donne déjà une vision que 80% des e-commerçants n’ont pas. Pour ceux qui veulent aller plus loin sur la stratégie globale de rétention client e-commerce, les success stories de marques comme Bobbies et SPRiNG montrent comment la rétention s’intègre dès le lancement dans la stratégie globale.
La rétention client e-commerce ressemble à la comptabilité : tout le monde sait que c’est important, peu de gens y passent du temps avant que ça brûle.
