Piloter la donnée e-commerce en pratique — segmentation RFM et analyse de cohortes
L’analyse RFM note les clients selon trois axes — Récence (Recency), Fréquence (Frequency) et Montant (Monetary) — pour les répartir en segments, tandis que l’analyse de cohortes suit dans le temps un groupe de clients arrivés à la même période (une cohorte) pour observer la rétention et les réachats. Ensemble, ces deux méthodes répondent aux deux questions centrales du pilotage de la donnée e-commerce : « qui sont nos clients en ce moment (RFM) » et « comment ces clients restent-ils ou partent-ils avec le temps (cohortes) ». Cette structure n’apparaît jamais dans une simple moyenne de chiffre d’affaires. Cet article détaille les définitions, les étapes de calcul et des tableaux d’exemple pour que vous puissiez l’appliquer directement.
Tous les chiffres de cet article sont des exemples hypothétiques calculés pour illustrer le concept, et non des données réelles d’une entreprise en particulier (chaque tableau est marqué « exemple »). Les définitions ont été vérifiées à partir de la documentation officielle de GA4 et de sources de référence du secteur, et nous couvrons aussi une version minimale que vous pouvez démarrer avec GA4 et un simple tableur. Nous concevons cette approche dans une logique de data science au service de la croissance : trouver « le client qui deviendra du chiffre d’affaires », plutôt que de courir après le volume de trafic.
Pourquoi la moyenne globale vous ment-elle ?
L’indicateur le plus souvent affiché sur un tableau de bord e-commerce est le « revenu moyen par utilisateur » (ARPU). Pourtant, ce chiffre unique fausse souvent la décision, car une moyenne écrase les valeurs extrêmes et les distributions asymétriques en un seul point. Le chiffre d’affaires client suit presque toujours une distribution déséquilibrée, concentrée sur une minorité de clients premium, et la moyenne donne l’illusion qu’un « client représentatif » existe.
Prenons un exemple hypothétique. 1 000 clients actifs sur 90 jours, un chiffre d’affaires total de 101 millions de wons, soit un revenu moyen par client d’environ 110 000 wons. En s’arrêtant à cette moyenne, on est tenté de lire « chaque client dépense environ 110 000 wons ». Mais en découpant les mêmes données par groupe de clients, l’image change complètement.
| Groupe de clients (exemple) | Clients (part) | Revenu par client sur 90 jours | Part du chiffre d’affaires du groupe |
|---|---|---|---|
| VIP | 100 (10 %) | 480 000 wons | 43,6 % |
| Clients fidèles | 150 (15 %) | 180 000 wons | 24,5 % |
| Clients réguliers | 350 (35 %) | 70 000 wons | 22,3 % |
| Nouveaux clients | 200 (20 %) | 45 000 wons | 8,2 % |
| Clients dormants | 200 (20 %) | 8 000 wons | 1,5 % |
Presque aucun client ne correspond réellement à la moyenne globale de 110 000 wons. Les VIP dépensent 4,4 fois la moyenne, tandis que les clients dormants n’en dépensent que 7 %. Les 10 % de VIP à eux seuls génèrent 43,6 % du chiffre d’affaires, et les 25 % du haut (VIP + fidèles) en génèrent 68,1 %. C’est exactement pourquoi les campagnes qui « envoient un message moyen à un client moyen » échouent : le client médian hypothétique suggéré par la moyenne n’existe pas, ce qui existe réellement, c’est un mélange de groupes aux comportements totalement différents.
Le premier réflexe du pilotage de la donnée est donc « d’abandonner la moyenne pour regarder la distribution ». Les deux méthodes les plus éprouvées pour travailler la distribution sont justement la segmentation RFM et l’analyse de cohortes. Cette même logique s’applique aux indicateurs d’efficacité publicitaire — nous détaillons le piège du ROAS moyen dans Le piège du ROI et du ROAS.
L’analyse RFM en pratique : définitions et scoring par quintiles
Le RFM part d’une hypothèse simple mais puissante : un client qui a acheté récemment, souvent et pour un montant élevé a plus de valeur. L’analyse RFM est une technique de segmentation qui analyse le comportement des clients à partir de leur dernier achat, de leur fréquence d’achat et de leur montant d’achat (Shopify, guide de l’analyse RFM).
| Indicateur | Définition | Méthode de mesure | Signification |
|---|---|---|---|
| Récence (Recency) | Temps écoulé depuis le dernier achat | Aujourd’hui − date du dernier achat (en jours, plus c’est faible, mieux c’est) | Niveau d’engagement actuel |
| Fréquence (Frequency) | Nombre d’achats sur une période donnée | Nombre total de commandes (plus c’est élevé, mieux c’est) | Degré de fidélité et d’habitude |
| Montant (Monetary) | Montant total des achats sur une période donnée | Somme des montants d’achat (plus c’est élevé, mieux c’est) | Contribution au chiffre d’affaires |
Le scoring par quintiles, étape par étape
Le cœur du RFM consiste à convertir les trois indicateurs de valeurs absolues en scores de rang relatif. Chaque indicateur est noté de 1 à 5, 5 désignant les clients les plus précieux sur cet axe (Shopify). La méthode la plus répandue consiste à répartir les clients en cinq groupes égaux (quintiles). Voici les étapes.
- Fixez la période d’analyse et la date de référence. Par exemple, les 12 derniers mois, avec la date de référence fixée à la date d’extraction des données. Calculez la Récence, la Fréquence et le Montant de chaque client sur cette même base.
- Calculez les valeurs brutes par client. Déterminez le nombre de jours depuis le dernier achat (R), le nombre de commandes (F) et le montant total d’achat (M) pour chaque client.
- Répartissez chaque indicateur en cinq groupes et notez-les. Triez les clients par valeur puis attribuez des scores de 5 à 1 par tranches successives de 20 %. La Récence fonctionne dans le sens inverse — un délai plus court obtient un 5 — tandis que la Fréquence et le Montant obtiennent un 5 pour les valeurs plus élevées.
- Combinez les trois scores en un code RFM. Par exemple, R5·F4·M5 devient « 545 ». Ce code seul permet de lire le profil du client d’un coup d’œil.
Voici un exemple hypothétique de notation de la Récence (10 clients, selon le nombre de jours depuis leur dernier achat). Le point clé : plus le délai est court, plus le score est élevé.
| Jours depuis le dernier achat (exemple) | 3 j | 8 j | 14 j | 21 j | 30 j | 45 j | 60 j | 90 j | 150 j | 300 j |
|---|---|---|---|---|---|---|---|---|---|---|
| Score de Récence | R5 | R5 | R4 | R4 | R3 | R3 | R2 | R2 | R1 | R1 |
En répartissant de la même façon la Fréquence (nombre de commandes) et le Montant (dépense totale) en quintiles, chaque client se retrouve dans l’une des 5 × 5 × 5 = 125 combinaisons R·F·M possibles. Vous pouvez aussi fixer les seuils directement selon une règle métier plutôt que par quintiles stricts — par exemple, définir le Montant comme « inférieur/supérieur à 100 000 wons ». L’essentiel est d’appliquer la même règle à tous les clients pour que les positions relatives restent cohérentes.
Neuf segments RFM et l’action associée
Utiliser directement les 125 combinaisons brutes rend le pilotage ingérable. C’est pourquoi on regroupe les combinaisons R·F·M en segments standards et parlants. Le secteur regroupe généralement les combinaisons de scores RFM en catégories nommées — champions, clients fidèles, clients à risque, etc. — et associe à chacune une campagne sur mesure (Optimove, segmentation RFM). Voici les neuf segments les plus utilisés en pratique, avec l’action recommandée pour chacun (les seuils sont des exemples illustratifs — à ajuster selon votre activité).
| Segment | Profil RFM (seuils d’exemple) | Signification | Action recommandée |
|---|---|---|---|
| VIP / Champions | R5, F4-5, M4-5 | Meilleurs clients — récents, fréquents, forte dépense | Avantages exclusifs, avant-première sur les nouveautés, demande d’avis/parrainage. La reconnaissance et l’expérience plutôt que la remise. |
| Clients fidèles | R3-5, F4-5, M3-4 | Achètent souvent, mais panier moyen intermédiaire | Recommandations d’upsell et de bundles pour augmenter le panier moyen ; renforcer la fidélité et les points. |
| Fidèles potentiels | R4-5, F2-3, M2-3 | Actifs récemment, mais fréquence encore faible | Coupon pour le deuxième achat ou offre d’abonnement pour créer l’habitude. |
| Nouveaux clients | R5, F1, M1-3 | Premier achat récent, historique court | Séquence d’onboarding et contenu pédagogique vers le premier réachat. |
| Prometteurs | R4, F1, M1 | Acquis récemment, faible engagement | Construire la confiance via storytelling de marque et preuve sociale. |
| À surveiller | R3, F2-3, M2-3 | L’activité commence à ralentir | Recommandations personnalisées et rappels pour provoquer un retour. |
| À risque | R2, F3-4, M3-4 | Autrefois à forte valeur, mais silencieux récemment | Offres limitées dans le temps et alertes de réassort pour déclencher un retour. |
| À ne pas perdre | R1, F4-5, M4-5 | Anciens meilleurs clients, disparus depuis longtemps | Offre de reconquête forte et contact 1:1. Cible de récupération la plus prioritaire. |
| Dormants / perdus | R1, F1-2, M1-2 | Petit achat isolé il y a longtemps, puis plus rien | Une ou deux campagnes de réactivation à faible coût ; exclure des envois futurs en l’absence de réponse. |
Ce tableau est puissant parce qu’il pousse à répartir un même budget marketing de façon radicalement différente. Les clients « à ne pas perdre » dépensaient beaucoup par le passé, donc les récupérer a une forte valeur et mérite un effort agressif, tandis que les clients « dormants » doivent recevoir le minimum de budget. Plutôt que d’envoyer le même coupon à tout le monde, la vraie valeur opérationnelle du RFM consiste à faire varier le message, l’offre et le canal selon le segment. Cela rejoint exactement la logique du parcours de décision client (CDJ), qui comprend le client étape par étape.
L’analyse de cohortes en pratique : lire un tableau de rétention
Si le RFM est « une photo de maintenant », l’analyse de cohortes est « l’évolution dans le temps ». Une cohorte est un groupe d’utilisateurs qui partagent une caractéristique commune — dans GA4, les utilisateurs qui partagent la même date d’acquisition appartiennent généralement à la même cohorte (documentation officielle GA4, exploration de cohortes). Autrement dit, on regroupe « les clients ayant effectué leur premier achat en janvier 2026 » en une seule cohorte, puis on suit combien d’entre eux rachètent en février, mars et avril.
Voici un exemple hypothétique de tableau de rétention pour des cohortes d’inscription (premier achat) mensuelles. M0 est le mois d’inscription (=100 %), M1, M2, M3 sont la part de clients ayant racheté 1, 2 et 3 mois après leur inscription. Dans l’exploration de cohortes de GA4, chaque cellule du tableau indique le nombre d’utilisateurs ayant rempli la condition de retour après la date de départ (documentation officielle GA4).
| Cohorte d’inscription (exemple) | M0 | M1 | M2 | M3 |
|---|---|---|---|---|
| Inscrits en janvier (1 000) | 100 % | 22 % | 15 % | 12 % |
| Inscrits en février (1 200) | 100 % | 25 % | 18 % | 14 % |
| Inscrits en mars (1 500) | 100 % | 31 % | 23 % | — |
| Inscrits en avril (1 400) | 100 % | 34 % | — | — |
Ce tableau se lit dans deux sens.
- Horizontalement (l’évolution d’une cohorte dans le temps) : la cohorte de janvier passe de 100 % à 22 %, puis 15 %, puis 12 % — une chute nette le premier mois, suivie d’un plateau. Cette courbe « chute puis stabilisation » est normale, et la hauteur du plateau correspond à la taille de votre noyau de clients fidèles.
- Verticalement (comparaison entre cohortes) : la rétention M1 progresse régulièrement, de 22 % en janvier à 25 % en février, 31 % en mars et 34 % en avril. Cela signifie que les cohortes les plus récentes rachètent mieux dès le premier mois — un signe que les actions d’onboarding et de relance introduites entre-temps portent leurs fruits.
La comparaison verticale est particulièrement importante. Un taux de réachat global unique se dilue avec le volume de nouvelles acquisitions et masque l’amélioration réelle, alors que le découpage par cohorte révèle précisément à partir de quelle période l’acquisition les clients se sont mis à mieux racheter. Le rapport de rétention de GA4 fonctionne sur le même principe : il montre à quelle fréquence les utilisateurs reviennent durant leurs 42 premiers jours après acquisition, avec une courbe qui démarre à 100 % le premier jour et décline avec l’attrition (documentation officielle GA4, rapport d’aperçu de la rétention).
Quelle est l’ampleur de l’effet cumulatif d’une amélioration du taux de réachat ?
Gagner quelques points de rétention peut sembler anodin, mais comme le réachat se compose mois après mois, l’effet cumulé est important. À titre d’exemple hypothétique, calculons les achats cumulés générés sur 24 mois par une nouvelle cohorte de 1 000 clients, sans nouvelle acquisition, selon différents taux de rétention mensuelle (en supposant un panier moyen de 60 000 wons).
| Rétention mensuelle (exemple) | Achats cumulés sur 24 mois | Achats attendus par client | Chiffre d’affaires cumulé |
|---|---|---|---|
| 30 % | ~1 429 commandes | 1,43 | ~85,71 M wons |
| 35 % | ~1 538 commandes | 1,54 | ~92,31 M wons |
| 40 % | ~1 667 commandes | 1,67 | ~100 M wons |
Faire passer la rétention mensuelle de 30 % à 40 %, soit 10 points de plus, augmente le chiffre d’affaires cumulé d’environ 17 % pour les mêmes 1 000 nouveaux clients. Le nombre d’achats attendus par client peut s’approximer par une série géométrique : avec une rétention mensuelle r, cela donne 1/(1−r). À r=0,3, on obtient 1,43 achat ; à r=0,4, 1,67 — plus la rétention augmente, plus le dénominateur diminue et plus la LTV croît de façon accélérée. Si le coût d’acquisition reste stable pendant que la seule rétention augmente la valeur vie client de 17 %, c’est équivalent à améliorer votre ROAS dans les mêmes proportions.
C’est précisément là que RFM et cohortes se rejoignent. La méthode de référence en pilotage de la donnée consiste à utiliser les cohortes pour repérer « à partir de quel moment la rétention se dégrade », puis à identifier ces clients dans le segment RFM « à risque » pour lancer une campagne proactive avant qu’ils ne partent définitivement. Cette approche — utiliser l’expérimentation et la mesure pour faire progresser le taux de réachat — correspond exactement aux étapes de rétention et de parrainage du modèle AARRR du growth hacking.
La version minimale, sans outil : GA4 + un tableur
Pas besoin d’un CDP ou d’un outil de BI dédié pour démarrer ces deux analyses dès aujourd’hui. L’essentiel n’est pas « une infrastructure sophistiquée », mais « l’habitude de découper systématiquement selon la même règle ».
| Analyse | Version minimale, sans outil dédié |
|---|---|
| Cohortes | Utilisez GA4 Explorer → le modèle exploration de cohortes. Réglez la condition d’inclusion sur « toute transaction » et la condition de retour sur « transaction », et vous obtenez immédiatement un tableau de rétention par mois d’inscription. Choisissez les dimensions et conditions de retour selon la documentation officielle de GA4 (exploration de cohortes GA4). |
| RFM | Exportez vos données de commande (trois colonnes : ID client, date de commande, montant de commande) vers un tableur, puis utilisez un tableau croisé dynamique pour obtenir la dernière date d’achat, le nombre de commandes et le montant total par client. Notez ensuite R, F et M de 1 à 5 avec PERCENTRANK ou des seuils de quintile définis manuellement, puis concaténez les trois scores pour classer les segments. |
Un point de vigilance : les cohortes GA4 reposent sur les données de l’appareil, et le User-ID n’entre pas dans la constitution des cohortes (documentation officielle GA4). Pour une vue précise du réachat lié aux utilisateurs connectés, le RFM basé sur la base de commandes reste donc finalement plus fiable. La fiabilité des deux outils dépend directement de la qualité de votre paramétrage de mesure : avant de démarrer, vérifiez donc que le suivi des événements et des conversions est correctement configuré. L’importance de ce paramétrage est détaillée dans Pourquoi le paramétrage des outils de tracking est essentiel.
Transformer les segments en campagnes (CRM et email)
Une analyse ne crée de la valeur qu’une fois transformée en action. Les segments RFM et les signaux de cohorte deviennent directement des conditions de déclenchement pour l’automatisation CRM et email. Voici un exemple de la façon dont ce circuit — du résultat d’analyse au canal marketing — s’organise.
| Déclencheur (segment/signal) | Canal | Exemple de campagne | Indicateur de succès |
|---|---|---|---|
| Nouveaux clients (R5·F1) | Email / automatisation de messagerie | Séquence d’onboarding en 3 étapes → coupon pour le premier réachat | Taux de rétention M1 |
| Fidèles potentiels (R4·F2-3) | Email, notification app | Recommandation d’abonnement ou de bundle | Hausse de la fréquence d’achat (F) |
| À risque (R2, F·M élevés) | Publicité segmentée CRM, email | Offre limitée dans le temps, alerte de réassort | Taux de retour, récupération de la Récence |
| À ne pas perdre (R1, F·M élevés) | Email, contact 1:1 | Offre de reconquête forte | Conversion de reconquête, chiffre d’affaires attribué |
| VIP (R5, F·M élevés) | Programme fidélité, canal dédié | Avant-première produit, demande d’avis | Taux de rétention, parrainage |
Ici, le succès doit se mesurer par le changement de comportement réel du segment, pas par le « nombre d’emails envoyés » ou le « taux d’ouverture ». Le succès d’une campagne pour les clients à risque ne se juge pas au nombre de personnes ayant ouvert l’email, mais au fait que la Récence de cette cohorte s’est réellement améliorée et qu’un réachat a réellement eu lieu. Et toute campagne segmentée est plus sûre lorsqu’elle démarre petit et grandit via des tests A/B. Nous détaillons comment concevoir des expérimentations qui améliorent les campagnes en continu dans Comment améliorer la performance publicitaire avec les tests A/B.
En connectant ces segments de données au pilotage des canaux e-commerce — en particulier l’automatisation publicitaire pilotée par le machine learning, comme les campagnes Meta ASC — vous pouvez décider « qui doit recevoir combien de budget » sur la base de la donnée. Le fonctionnement de l’automatisation publicitaire est détaillé dans le guide des campagnes Meta ASC.
Trouver ensemble, par la donnée, « le client qui deviendra du chiffre d’affaires »
L’équipe performance marketing de Growth relie directement la segmentation RFM et l’analyse de cohortes au pilotage publicitaire, CRM et email, pour concevoir un système d’exploitation de la donnée qui mesure le succès par le réachat réel et la LTV, et non par le volume de trafic. Si vous souhaitez travailler avec nous pour trouver ce « client qui deviendra du chiffre d’affaires » masqué par la moyenne, découvrez notre service de performance marketing, et si vous avez besoin d’un diagnostic adapté à votre propre situation de données, contactez-nous via notre page de contact.
Vous trouverez la vue d’ensemble de ce sujet dans « Le guide de stratégie marketing e-commerce — full-funnel, données et plateformes ».
Questions fréquentes (FAQ)
Quelle est la différence entre l’analyse RFM et l’analyse de cohortes ?
Le RFM est une analyse instantanée qui classe « qui est quel type de client en ce moment » à partir de scores de récence, fréquence et montant, tandis que l’analyse de cohortes est une analyse temporelle qui observe « comment un groupe de clients arrivés à la même période reste ou part avec le temps ». Les deux sont les plus puissantes ensemble : utilisez le RFM pour choisir une cible, puis l’analyse de cohortes pour suivre l’évolution de la rétention de cette cible.
Les scores RFM doivent-ils obligatoirement être en quintiles (1 à 5) ?
Non. Les quintiles sont l’approche la plus répandue et la plus équilibrée, mais si votre base de clients est réduite ou que la distribution est atypique, vous pouvez simplifier en tertiles, ou fixer directement les seuils selon une règle métier plutôt que par quantile (par exemple, inférieur/supérieur à 100 000 wons pour le Montant). L’important n’est pas le système de notation en lui-même, mais l’application cohérente de la même règle à tous les clients pour que les positions relatives restent comparables.
Que faut-il regarder en premier dans un tableau de rétention par cohorte ?
Deux choses. D’abord, le schéma horizontal « chute puis plateau » — la hauteur du plateau après le premier mois indique la taille de votre noyau de clients fidèles. Ensuite, la tendance verticale de la rétention M1 (premier mois) entre cohortes — si ce chiffre augmente pour les cohortes les plus récentes, c’est le signe que les actions de réachat récemment mises en place fonctionnent. Le taux de réachat global se dilue avec les nouvelles acquisitions, d’où l’intérêt du découpage par cohorte pour une image fidèle.
Est-ce possible avec seulement GA4 et un tableur, sans outil d’analyse dédié ?
Oui. Pour les cohortes, utilisez le modèle d’exploration de cohortes de GA4 Explorer, en réglant la condition d’inclusion sur « premier achat » et la condition de retour sur « transaction » : vous obtenez immédiatement un tableau de rétention. Pour le RFM, exportez les données de commande (ID client, date de commande, montant de commande) vers un tableur et notez-les avec des tableaux croisés dynamiques et des fonctions de quantile. Cela dit, la fiabilité des deux analyses dépend de la qualité du paramétrage du suivi des événements et des conversions : vérifiez donc votre configuration de mesure avant de commencer.
