Analyse de Cohortes de Rétention

Un graphique de rétention par cohorte affiche les données de rétention dans une matrice triangulaire. Les lignes représentent les cohortes d'acquisition (cohorte de janvier, cohorte de février, etc.) ; les colonnes représentent les périodes de temps depuis l'acquisition (Semaine 1, Semaine 4, Mois 3, Mois 6, Mois 12). Chaque cellule indique le pourcentage de la cohorte originale qui était active pendant cette période. Modèles de lecture : Comparaison diagonale : comparer la rétention au Mois 3 de mars 2024 à la rétention au Mois 3 de mars 2025 montre si le produit retient mieux les clients maintenant qu'il y a un an — en contrôlant l'âge de la cohorte. Forme de la ligne : la forme de la courbe de rétention d'une cohorte (à quelle vitesse elle chute au cours des 4 premières semaines, et à quel pourcentage elle se stabilise) révèle si le produit a un « noyau retenu » d'utilisateurs engagés ou s'il décline continuellement. Une courbe de rétention qui tombe à 5 % au mois 3 et y reste est radicalement différente d'une courbe qui tombe à 35 % au mois 3 et se maintient — la première n'a pas de modèle d'engagement durable ; la seconde a trouvé un noyau retenu sain. Comparaison des colonnes : comparer toutes les cohortes au mois 6 identifie les tendances de rétention à 6 mois au fil du temps — l'amélioration de la rétention des cohortes au mois 6 signale que les améliorations du produit fonctionnent.

L'analyse de cohortes comportementales regroupe les utilisateurs non pas par date d'acquisition, mais par une action spécifique qu'ils ont effectuée (ou non) dans le produit, puis compare les courbes de rétention des utilisateurs qui ont effectué l'action par rapport à ceux qui ne l'ont pas fait. Méthodologie classique (popularisée par la découverte de Facebook « 10 amis en 7 jours ») : définir une cohorte d'utilisateurs qui ont effectué l'Action X en semaine 1 et comparer leur rétention à 90 jours aux utilisateurs qui n'ont pas effectué l'Action X en semaine 1. Si la cohorte de l'Action X retient à 55 % contre 22 % pour les utilisateurs sans Action X à 90 jours, l'Action X est un fort prédicteur de rétention. Mise en garde importante : cette analyse identifie une corrélation, pas une causalité. Les utilisateurs qui ont effectué l'Action X peuvent avoir été intrinsèquement plus motivés ou des clients mieux adaptés qui auraient été retenus de toute façon. Pour établir la causalité, exécutez un test A/B qui incite un sous-ensemble aléatoire d'utilisateurs à effectuer l'Action X et compare leur rétention à un groupe de contrôle non incité. Si le groupe incité retient mieux, l'action a un effet causal sur la rétention. Product Ops facilite l'analyse de cohortes comportementales en tant que composante standard de l'examen trimestriel de l'analyse produit, produisant les actions candidates prédictives de rétention pour la validation par test A/B.

L'analyse de cohortes SaaS B2B présente cinq différences importantes par rapport aux applications grand public B2C. Unité d'analyse : la rétention B2B est mesurée au niveau du compte (l'entreprise est-elle toujours cliente ?), et non au niveau de l'utilisateur (les utilisateurs individuels quittant une entreprise comptent toujours comme une rétention de l'entreprise). Analyse de survie : le SaaS B2B utilise l'utilisation active quotidienne ou mensuelle comme mesure de rétention (et non le taux d'ouverture de l'application) — un compte qui se connecte au moins une fois par mois est « retenu » même si l'utilisation individuelle varie. Alignement contractuel : les contrats B2B annuels créent des plateaux de rétention artificiels — les comptes ne churnent pas en milieu de contrat, créant un pic d'événements de churn aux dates d'anniversaire du contrat. Les courbes de rétention des cohortes en B2B montrent un motif en dents de scie annuel plutôt que les courbes lisses typiques en B2C. Taille de la cohorte : les cohortes B2B sont beaucoup plus petites (un SaaS d'entreprise sain peut acquérir 25 à 50 nouveaux comptes d'entreprise par mois contre des milliers d'utilisateurs grand public) — nécessitant des fenêtres de temps plus longues pour une analyse statistiquement significative. Effet d'expansion : l'analyse de cohortes B2B devrait suivre non seulement le taux de survie mais aussi l'ARR par cohorte au fil du temps — une cohorte où 85 % des comptes survivent mais l'ARR a augmenté de 150 % (par expansion) est radicalement différente d'une cohorte où 98 % survivent mais l'ARR est stable.