La fin de l’analytics digital

• Depuis 20 ans, l’analyse digitale promettait une prise de décision fondée sur les données via l’attribution marketing et le suivi des comportements utilisateurs, mais elle apparaît aujourd’hui comme une illusion à l’impact business limité, et son paradigme historique est en train de s’effondrer
• Les nouveaux recrutements d’Amplitude symbolisent l’échec de Google Analytics 4 et suggèrent un basculement vers des outils d’analyse spécialisés destinés aux marketeurs professionnels
• L’effondrement de l’attribution marketing est provoqué par la complexification des canaux et l’évolution de la réglementation, qui constituent la cause principale de la disparition de la valeur clé de l’analytics traditionnel
• La confusion de l’interface de GA4 et la difficulté de la migration ont semé le désordre dans tout le secteur, accélérant l’essor d’outils alternatifs
• Ces changements ouvrent deux nouvelles voies — l’optimisation opérationnelle de l’expérience client et l’intelligence stratégique du revenu — et annoncent un futur où l’analyse sera directement reliée aux résultats business

---

Partie I : ce qu’était réellement l’analytics digital

• L’analytics digital se présentait comme un outil de décision fondé sur les données, en construisant des tableaux de bord qui suivaient le nombre de visiteurs, le comportement des utilisateurs et les taux de conversion, mais il portait en lui une contradiction fondamentale : la plupart de ces données ne produisaient pas de changement concret dans l’entreprise
  • Plus concrètement, savoir qu’un bouton a été cliqué 200 fois ne dit pas clairement quelle action entreprendre, si bien que cela reste souvent une simple observation intéressante
  • Dans les projets clients, même avec des configurations analytiques sophistiquées permettant de comprendre les comportements utilisateurs, le même schéma se répétait : très peu de décisions changeaient réellement
• L’analytics digital naissant, porté par le lancement de Google Analytics en 2005, a formulé une promesse révolutionnaire en rendant visibles les comportements sur les sites web, mais dans les faits, la boucle build-measure-learn n’a pas su répondre aux questions business complexes
  • La philosophie Lean Startup d’Eric Ries présentait l’analytics comme un outil scientifique, mais en dehors de l’A/B testing, elle n’apportait pas de directives claires sur la rétention des utilisateurs ou le développement produit
  • Des outils comme Amplitude et Mixpanel ont fait progresser le suivi événementiel et l’analyse de cohortes, mais plus les données devenaient abondantes, plus l’écart entre insight et action devenait visible
• La véritable valeur de l’analytics digital s’est en réalité concentrée sur deux points : l’attribution marketing et la mise en lumière des zones obscures ; tout le reste relevait surtout d’un habillage donnant une apparence scientifique
  • L’attribution marketing permettait d’évaluer de manière neutre la contribution de plusieurs canaux, d’optimiser la répartition budgétaire et de calculer le ROI
  • La mise en lumière des zones obscures révélait des schémas de trafic sur les sites web et aidait UX designers et marketeurs à mener des discussions concrètes

The Promise That was Great at the Time but Never Delivered

• Google Analytics promettait de suivre le parcours utilisateur et de permettre un développement produit piloté par la donnée, mais en pratique, l’absence de réponses aux questions complexes a entretenu un état de promesse non tenue
  • L’idéal consistait à mesurer puis itérer après le lancement d’une fonctionnalité, mais l’analyse des causes de drop-off n’allait pas jusqu’au « pourquoi », ce qui limitait les changements d’action
  • Même avec des tableaux de bord et une segmentation de plus en plus sophistiqués, les données servaient la plupart du temps surtout à alimenter des réunions plutôt qu’à produire des changements concrets
• Le secteur de l’analytics a insisté sur l’idée que la mesure était au cœur du succès des entreprises, mais en réalité, les données ont surtout servi à compléter l’intuition et les retours clients, révélant ainsi une valeur surestimée
  • C’est utile dans des cas simples comme l’A/B testing, mais cela ne donne pas de réponse claire sur des enjeux essentiels comme l’amélioration de la rétention ou la priorisation des fonctionnalités
  • Même après des mois investis dans le paramétrage analytique, les entreprises reviennent toujours à la même question : « que fait-on de ces données ? », ce qui ne fait qu’accroître l’incertitude

The Two Things That Actually Worked

• L’attribution marketing constituait la véritable valeur centrale de l’analytics digital : elle résolvait les problèmes de contribution redondante entre plateformes et permettait l’optimisation budgétaire ainsi que la démonstration du ROI
  • Google Analytics jouait le rôle d’arbitre neutre, en calculant précisément la contribution de conversion par campagne et en facilitant le reporting au CFO
  • Les modèles multi-touch (premier clic, dernier clic, etc.) ont progressé, mais leurs limites sont devenues visibles avec les blocages des navigateurs et la complexification des canaux
• La mise en lumière des zones obscures rendait les comportements utilisateurs plus concrets et favorisait les discussions entre équipes, mais il s’agissait d’une victoire en demi-teinte, l’écart entre insight et action restant important
  • La découverte de schémas de trafic pouvait mener à des améliorations UX ou à des ajustements de stratégie de contenu, mais des métriques comme le temps moyen passé sur une page ne donnaient pas d’instructions d’action précises
  • Les données rendaient les hypothèses plus concrètes, mais dans la plupart des cas elles suscitaient surtout de nouvelles questions sans conduire directement à des décisions business
• 80 % de la valeur de l’analytics digital se concentrait sur l’attribution marketing, le reste des fonctionnalités se limitant à des insights intéressants, ce qui révélait un déséquilibre caché du secteur
  • Les projets clients confirmaient que l’impact réel se concentrait sur l’attribution, tandis que l’offre globale fonctionnait comme une promesse exagérée

Partie II : les fondations s’effondrent

• L’effondrement de l’attribution marketing résulte de l’évolution réglementaire et de la complexification des canaux, ce qui accélère la fragilisation des fondations de l’analytics digital
  • Les exigences de consentement en Europe et les protections anti-tracking d’Apple limitent les connexions de données, mais ce n’est que le symptôme d’une transformation plus profonde du marketing
  • Des travaux menés en workshop montrent que le rôle de l’attribution fondée sur le clic diminue chaque année, et que les alternatives techniques ne résolvent pas le problème de fond
• Le marketing moderne couvre des dizaines de canaux (influenceurs, podcasts, etc.), mais les outils d’attribution traditionnels ne savent pas les suivre : ils sont désormais dépassés par l’évolution
  • Autrefois centré sur Google Ads, l’environnement comprend aujourd’hui de plus en plus de points de contact indirects comme les vidéos YouTube ou les newsletters
  • Les modèles probabilistes des plateformes publicitaires, fondés sur le machine learning, masquent les données détaillées et transforment la relation des marketeurs à la donnée
• Les données d’attribution ne jouent plus qu’un rôle minime dans la décision, et ont souvent dérivé vers un simple théâtre de la donnée, provoquant un choc de réalité
  • L’allocation budgétaire dépend de moins en moins de l’attribution, et moins de 10 % des implémentations soutiennent réellement des décisions marketing concrètes

The Google Analytics 4 Disaster

• GA4 a cherché à poursuivre plusieurs stratégies à la fois, ce qui a produit une interface confuse et reflète un changement stratégique chez Google
  • L’outil peut être perçu comme une porte d’entrée vers Google Cloud Platform, à l’image de son ancien rôle d’auxiliaire pour Google Ads
  • Il renonce à son rôle d’outil de base pour les marketeurs et impose une complexité excessive aux utilisateurs non spécialistes
• La migration exige une reconstruction complète, annule les anciens paramétrages et engendre un processus cauchemardesque
  • Avec un préavis de 18 mois, les équipes ont dû réagir dans l’urgence, tandis que l’évolution du concept de session exigeait une vraie compréhension technique
  • L’accès aux rapports est devenu plus complexe, perturbant le travail quotidien des marketeurs non spécialistes
• En ne définissant pas clairement son utilisateur cible, GA4 a créé une opportunité de marché, favorisant l’essor d’alternatives comme Amplitude
  • Positionnés comme un « meilleur GA » pour les marketeurs professionnels, ces outils bénéficient directement de l’échec de GA4, qui accroît la demande pour des solutions analytiques spécialisées
  • Tout le secteur en vient à remettre en question la valeur de l’analytics traditionnel

Partie III : les deux voies à venir

• L’analytics digital subsiste, mais l’optimisation opérationnelle de l’expérience client et l’intelligence stratégique du revenu émergent comme nouvelles directions
  • Les équipes marketing ont besoin d’expérimenter vite, avec des boucles de feedback immédiates, contrairement aux équipes produit
  • L’IA accélère l’optimisation des campagnes, ce qui impose des systèmes capables de supprimer l’écart entre insight et action
• L’optimisation de l’expérience client est orientée vitesse : des agents IA proposent des améliorations concrètes, mettant l’accent sur une utilité opérationnelle
  • Amplitude a appris à relier insight et action à travers ses expérimentations sur le CDP, tandis que l’IA peut recommander quoi faire sur les points de drop-off
  • Une IA connectée au CMS peut générer en temps réel des expériences optimisées
• Le modèle Hotjar permet une action immédiate grâce à une visualisation simple, et le rachat par ContentSquare signifie un élargissement de l’accessibilité
  • Les cartes de clics et les replays de session favorisent les améliorations UX, en privilégiant le feedback rapide plutôt que la profondeur analytique
  • Le modèle s’étend du niveau enterprise aux PME, illustrant la supériorité d’outils spécialisés sur un problème précis

Path 2: Revenue Intelligence

• Les rôles liés au revenu se déplacent depuis les équipes produit, ce qui montre un changement de cible : le revenu n’est plus un simple indicateur a posteriori, mais quelque chose qu’on veut rendre prédictible
  • CFO et CRO veulent identifier tôt les échecs d’activation ou les risques de churn, en exigeant un lien clair entre comportements et résultats business
  • Contrairement au ROI indirect de l’analyse produit, les équipes revenue peuvent calculer une valeur directe, ce qui facilite l’obtention de budget
• Pour dépasser les limites du tracking fondé sur les SDK, l’approche data warehouse constitue une percée, en garantissant qualité et rapprochement des données
  • L’extraction des événements depuis la base de données permet d’atteindre une couverture de 100 % et de retraiter les données historiques
  • La résolution d’identité et la création d’événements synthétiques permettent de produire des résultats business tels que la prédiction du churn
• La revenue intelligence cartographie l’ensemble du parcours client et construit une chaîne d’assemblage qui transforme des problèmes comme l’échec d’activation en opportunités d’intervention précoce
  • Si, sur 1 000 nouveaux comptes, seuls 100 s’activent, on peut calculer le potentiel de revenu perdu et tester des interventions
  • Les metric trees permettent de diagnostiquer les causes de la croissance et de corriger la rupture entre comportements et résultats propre à l’analytics traditionnel
• Cette approche rend l’analyse stratégique et la met directement au service de la réussite business, en ouvrant un avenir centré sur la prédiction

Conclusion

• L’analytics digital reposait sur l’idée que si l’on collecte les données, elles serviront bien un jour, mais dans l’environnement actuel, cela n’a presque plus de sens sans capacité d’action immédiate ou prédiction directe des résultats
• Les pratiques centrées sur le schéma collecte de données → rapport ne sont qu’un data theater, et n’ont qu’une utilité organisationnelle limitée si elles ne débouchent pas sur des systèmes qui déclenchent l’action

• Les deux voies qui suivent

  • Customer Experience Optimization : un avenir opérationnel qui privilégie l’exécution immédiate plutôt que l’analyse approfondie, avec des agents IA proposant des améliorations concrètes et des outils intégrés aux workflows pour soutenir des expérimentations rapides
  • Revenue Intelligence : un avenir stratégique visant à relier directement comportements utilisateurs et performance business, en combinant dans le data warehouse des données comportementales, d’abonnement, d’attribution et des métriques financières afin d’assurer prédiction proactive et prévention

• Ce qui se termine et ce qui commence

  • Ce qui se termine : une analytics centrée sur la collecte massive et les insights a posteriori, des opérations organisées autour de pipelines de données au service de la production de rapports, et une lecture marketing obsédée par la granularité de la contribution par canal
  • Ce qui commence : l’automatisation des recommandations d’action, la détection précoce des risques et opportunités, ainsi que l’automatisation de la décision et l’optimisation opérationnelle fondées sur des modèles directement liés à la performance
• Les stratégies qui restent attachées à l’ancienne culture de la marketing analytics sont peu alignées avec la performance future
• Les organisations doivent passer d’un système de production de rapports à un système qui provoque l’action
• Les équipes marketing doivent se réorganiser autour d’une stack opérationnelle centrée sur la vitesse et de dispositifs d’expérimentation assistés par l’IA, tandis que les organisations responsables du revenu doivent adopter un modèle intégré centré sur le warehouse et un cadre de RI doté de signaux d’alerte précoce

L’époque où l’on collectait en espérant que cela serve plus tard est terminée
Seuls les systèmes menant à une amélioration immédiate ou à une prédiction directe créent une valeur réelle
Les entreprises doivent choisir et renforcer, selon leurs priorités et leur maturité, l’axe de CX opérationnelle ou celui de la RI stratégique