La rétention e-commerce, c’est le sujet que tout le monde dit comprendre et que presque personne ne mesure correctement. David Dokes, cofondateur de Polar Analytics – un SaaS d’analytics multicanal pour les marques Shopify – l’a mis en chiffres, et ce qu’il montre est assez brutal : entre une marque qui fait 500 000 euros par an et une qui en fait 40 millions, le coût d’acquisition est quasi identique. Entre 50 et 65 dollars par client, en moyenne, peu importe la taille. Ce qui change tout, c’est ce qui se passe après le premier achat.
Ce constat, on l’a entendu dans la deuxième partie du podcast de Danilo Duchesnes, le Rendez-vous Marketing. Et franchement, dit comme ça, ça remet les priorités dans le bon ordre. Tu peux dépenser 12 000 euros par mois en pub ou 250 000 – le CAC converge quand même vers le même plancher. La vraie bataille, c’est sur la LTV.
Mais comment tu analyses ça concrètement ? C’est là que ça devient intéressant – et un peu technique.
Ce que iOS 14 a cassé dans ta lecture des coûts d’acquisition
Avant de rentrer dans la rétention e-commerce pure, il faut comprendre pourquoi elle est devenue le nouveau terrain de jeu des marques ambitieuses. La réponse tient en deux dates : 2020 et 2021.
David Dokes le dit sans détour :
« Au moment d’iOS 14, tout le monde se prend entre 50 et 200 % d’augmentation irréversible sur son CAC tous les mois. »
Irréversible. C’est le mot qui fait mal.
Le Covid avait dopé l’intent d’achat – les gens achetaient en ligne parce qu’ils n’avaient pas d’autre choix. Puis iOS 14 est arrivé, le tracking a explosé, et les CAC se sont envolés. Sur des benchmarks réalisés sur 800 marques Shopify, Polar Analytics a mesuré une multiplication par 3 en deux ans sur certains segments. Ce n’est pas une tendance. C’est une rupture de structure.
Du coup, le raisonnement qui tenait en 2019 – « j’acquiers à X, je marge à Y, je scale » – ne tient plus vraiment. La marge sur première commande est souvent nulle, voire négative. Et le salut, il est dans la deuxième, la troisième commande. Dans la rétention e-commerce.
C’est pour ça que Polar a décidé de segmenter ses benchmarks en trois catégories : les entrepreneurs (moins de 500 000 euros annuels), les SMBs (entre 500 000 et 5 millions), et le Midmarket (5 à 50 millions). Au-delà, ils considèrent eux-mêmes ne pas être l’outil le plus adapté – ce qui est rare comme aveu dans le secteur SaaS, et honnête.
Les cohortes, ou comment la rétention e-commerce devient lisible
Le problème classique avec la rétention, c’est qu’on la mesure avec une métrique globale : le pourcentage de clients qui répètent. Sauf que – et David Dokes insiste là-dessus – ce chiffre est un mélange de clients qui ont acheté il y a un mois, un an, trois ans. C’est du bruit.
L’approche par cohortes, c’est l’inverse. Tu isoles une génération de clients – disons, les 3 800 nouveaux acheteurs d’août 2021 – et tu suis leur comportement mois après mois. Un mois après, combien sont revenus ? Trois mois après ? Six mois après ?
« Tu vois typiquement tu te rends compte que ma cohorte de décembre au bout de 6 mois, j’ai moins de 5 % des clients qui sont toujours là. Versus ma cohorte de septembre qui au bout de 6 mois, j’ai 35 % de mes clients qui sont revenus. »
35 % contre 5 %. Sur les mêmes six mois. C’est exactement le problème – et personne ne le voit sans cet outil.
L’explication est souvent simple une fois qu’on la voit : la cohorte de décembre est bourrée de clients chasseurs de promos. Ils sont venus pour le Black Friday ou les soldes de Noël, ils ont acheté une fois, ils ne reviendront jamais. La cohorte de septembre, elle, contient des clients qui ont découvert la marque sans incitation financière massive – et qui restent.
Ce que j’aurais voulu qu’on me explique il y a dix ans – enfin, ce que j’aurais voulu que les e-commerçants comprennent plus tôt – c’est que les promotions agressives coûtent deux fois : d’abord sur la marge, ensuite sur la qualité des cohortes qu’elles génèrent.
Dans Polar, tu as deux façons de lire ces données. La vision en ligne te dit quelle cohorte performe le mieux dans le temps. La vision en colonne te dit à quel moment les clients reviennent – le troisième mois, le sixième, le douzième. Pour une marque de café, ça peut être toutes les semaines. Pour du mobilier, tous les ans. Pour de la mode, tous les six mois. Et cette information – triviale en apparence – change complètement ta stratégie de fidélisation et d’abonnement e-commerce.
Klaviyo, les flows, et ce que la data rend possible concrètement
Connaître le moment où tes clients reviennent, c’est bien. Anticiper ce moment avec un flow Klaviyo déclenché juste avant, c’est mieux.
David Dokes donne un exemple concret : si ton analyse de cohortes montre que les clients achètent à nouveau au troisième mois, tu crées un flow email qui se déclenche à la fin du deuxième mois. Et tu mesures si les nouvelles cohortes surperforment les précédentes à mois 3. Pas une intuition. Un test contrôlé.
C’est là que la connexion entre Polar et Klaviyo prend tout son sens. Tu crées un segment dans Klaviyo – tes clients VIP qui devraient renouveler – et tu mesures leur LTV séparément. Tu adaptes ensuite tes offres, tes avantages, ta fréquence de contact. Et la boucle est bouclée.
Danilo Duchesnes fait une remarque pertinente pendant l’épisode : si tu retargetes simplement « tous les clients qui n’ont pas commandé depuis trois mois », tu mélanges des gens qui ont acheté il y a quatre mois avec des gens qui ont acheté il y a quinze mois. Le signal est dilué. La cohorte, elle, te donne un périmètre propre. C’est pour ça que la rétention e-commerce basée sur des cohortes est une approche fondamentalement différente des tableaux de bord classiques.
Et pour ceux qui s’interrogent sur l’outil Klaviyo en général : Polar fait partie des tech partners officiels de Klaviyo, et propose justement une couche de reporting que Klaviyo lui-même ne fournit pas nativement – notamment l’agrégation des performances sur plusieurs pays et stores.
La LTV par produit : ce que personne ne regarde et qui change tout
Voilà le truc qui m’a vraiment scotché dans cet épisode.
Polar propose un rapport de LTV par produit – c’est-à-dire, selon le premier produit acheté par un client, quelle est sa valeur vie sur douze mois ? Et les résultats sont souvent contre-intuitifs.
« Tu as certains produits qui ont un très grand panier moyen, sauf qu’en fait si tu te places sur un an, les gens qui sont rentrés sur ces produits-là n’ont pas racheté. Versus des produits d’entrée de gamme qui en fait sont des produits fidélisants pour la marque. »
Dit comme ça, ça semble évident. Mais en pratique, presque toutes les marques poussent leurs produits à haute marge en acquisition – logique comptable de court terme. Ce rapport montre que ce raisonnement peut être une erreur.
L’exemple des marques cosmétiques est particulièrement parlant. Une marque avec une gamme large – crèmes, gommages, nettoyants, sérums – se rend compte que c’est la crème hydratante basique, à 25 euros, qui génère la meilleure LTV sur douze mois. Pourquoi ? Parce que les clients qui commencent par ce produit développent ensuite une routine complète. Ils reviennent acheter le nettoyant, le sérum, le contour des yeux. Tandis que les clients entrés sur un produit premium à 90 euros n’ont souvent acheté qu’une fois.
La réponse opérationnelle est directe : tu mets la crème hydratante en avant sur ta homepage pour les nouveaux visiteurs, et tu construis tes flows de cross-sell à partir de là. Ce n’est pas de la théorie marketing – c’est ce que la data sur la rétention e-commerce dit de faire.
From Future et Eleven Paris, deux marques qui travaillent avec Polar, utilisent ces données pour informer leurs équipes créa et merch sur les collections à prioriser. Ce n’est plus seulement une question de revenu – c’est une question de savoir quels produits génèrent la meilleure expérience client. Et ça, c’est un glissement assez important dans la manière de penser le pilotage analytics multicanal en e-commerce.
Bundles, retours, inventaire : les trois rapports qu’on sous-utilise
Au-delà des cohortes et de la LTV par produit, Polar propose d’autres analyses qui méritent qu’on s’y arrête.
Le rapport de bundles, d’abord. L’idée : quand quelqu’un achète ce produit, quel est celui qu’il achète le plus souvent avec ? C’est la logique des fréquences achat croisées, et elle réserve des surprises. David Dokes cite l’exemple d’Eleven Paris, qui a découvert des associations de produits inattendues – et en a fait une campagne email et une stratégie de merchandising pendant les soldes.
Mais David est honnête sur les limites :
« La data n’explique pas tout. Tu as une première vue mais ça reste une interprétation. Les e-commerce managers connaissent leur marché, connaissent leurs produits – notre objectif c’est de leur mettre à disposition des outils, mais la décision finale c’est à eux. »
Voilà. Ce n’est pas rien, comme concession. Un SaaS qui te dit que son outil ne remplace pas le jugement humain, c’est rare.
La limite concrète qu’il mentionne : si tu as seulement deux commandes de référence pour un produit, la co-occurrence est statistiquement nulle. Il faut du volume. Danilo suggère d’ailleurs un filtre « moins de 100 achats ensemble, on ignore » – ce filtre n’existait pas encore dans l’outil au moment de l’enregistrement. Ça viendra probablement.
Le rapport retours ensuite, qui croise les données Shopify pour identifier les produits avec les taux de retour les plus élevés. Simple, mais puissant quand tu gères plusieurs stores – parce que dans Shopify natif, tu n’as pas l’agrégation sur l’ensemble de tes boutiques. Pour les marques comme Pollen Paris, qui opèrent 8 stores simultanément (France, US, UK, Australie, Japon, Chine…), c’est le seul moyen de voir les retours globaux en un clic.
Et enfin l’inventaire – le fameux « days to zero ». Sur la base des ventes des deux dernières semaines, Polar calcule combien de jours il reste avant rupture de stock pour chaque SKU. Si ton lead time fournisseur est de 30 jours, l’alerte se déclenche à 30 jours de stock restant. Là encore, c’est de la donnée Shopify – mais agrégée, visualisée, et actionnée sans passer par Excel. Pour les marques qui se retrouvent régulièrement en rupture sur leurs meilleurs produits, ce rapport vaut à lui seul l’abonnement.
Ces trois rapports illustrent bien la philosophie de Polar : soit tu gagnes du temps sur de la donnée qui existe déjà quelque part mais qui est éparpillée, soit tu accèdes à des calculs – LTV, CAC, bundles – qui n’existent nulle part nativement. C’est la différence entre un outil de reporting et un outil d’analyse. Et dans le contexte actuel du retail marketing digital, cette distinction compte vraiment.
Rétention e-commerce : segmenter par canal, par pays, par code promo
Un dernier point qui mérite d’être mis en avant, parce qu’il change la manière dont tu lis tes performances.
Dans Polar, tu peux filtrer la LTV non seulement par produit, mais aussi par canal d’acquisition. Tes clients qui viennent de Facebook ont-ils une meilleure LTV que ceux qui viennent de Google ? De l’email ? De l’organique ?
David montre en direct que les clients Facebook ont, sur le compte démo, une LTV légèrement supérieure aux autres. Ce n’est pas universel – ça dépend de la marque, de la catégorie, du type de campagne. Mais avoir cette donnée change la conversation budgétaire. Tu ne pilotes plus tes canaux uniquement sur le ROAS de première commande. Tu pilotes sur la valeur à douze mois.
Et tu peux aller encore plus loin : filtrer par code promo (est-ce que mes clients arrivés avec -20 % ont une LTV différente ?), par pays, par order tags Shopify, par segment Klaviyo. En pratique, la rétention e-commerce cesse d’être une métrique globale floue pour devenir une série de questions précises : quelle promotion génère les meilleurs clients à long terme ? Quel canal ? Quel produit d’entrée ?
C’est cette granularité qui distingue les marques qui scalent de celles qui stagnent. Pas l’accès à plus de budget – l’accès à de meilleures questions. Et en 2022, avec des CAC qui ont triplé en deux ans, savoir poser les bonnes questions sur sa rétention e-commerce n’est plus un avantage compétitif. C’est une condition de survie.
Reste une question que l’épisode ne tranche pas vraiment : est-ce que les marques qui utilisent ces outils changent effectivement leur comportement, ou est-ce qu’elles regardent des beaux dashboards sans rien modifier ? David évoque From Future et Eleven Paris comme exemples de marques qui ont agi sur les insights. Mais pour combien d’abonnés Polar, la donnée dort dans un onglet ouvert en permanence ?
La rétention e-commerce ne s’analyse pas pour le plaisir d’analyser. Elle s’analyse pour décider. Et si tu veux comprendre comment les mêmes outils s’appliquent du côté acquisition, la première partie de cet épisode avec David Dokes est le point de départ logique. Et pour les marques qui réfléchissent à l’abonnement comme levier de rétention e-commerce, l’épisode sur le modèle d’abonnement de SPRiNG est une lecture complémentaire utile.
