Big data et génération de leads : jouer avec la data

Adapter son site web et sa stratégie digitale grâce aux données sociodémographiques recueillies dans les formulaires pour mieux s'adresser à sa cible.

Chez les annonceurs issus de secteurs tels que la banque, l’énergie, les assurances, les services divers, etc., et dont le site web a entre autres pour but la génération de leads, il est fréquent de constater la présence de formulaires demandant une grande quantité d’informations personnelles et propres à la situation socio-économique de l’individu (sexe, âge, situation maritale, statut, montant des revenus, enfants, type de logement, etc.). Ces formulaires peuvent s’avérer être une véritable mine d’informations, ce qui est moins vrai avec des sites e-commerce qui en principe vous demandent votre sexe, âge et provenance.
Quelle que soit la solution de web analyse, il est facile d’obtenir des données de ce type (et fiables) sur les visiteurs  réalisant une conversion sur votre site.
L’idée, c’est de récupérer les données renseignées auparavant dans les formulaires au moment où le visiteur arrive en page de confirmation/remerciement. Comment ? Grâce aux variables personnalisées. Une variable personnalisée est une ligne de code javascript qui va vous permettre d’obtenir des précisions quant à votre site ou vos visiteurs, pour enrichir vos analyses et ainsi améliorer la compréhension de votre e-business. Chaque site internet se développe sur un marché différent, avec des objectifs puis des cibles différents, d’où l’intérêt d’ajouter un maximum de précision aux données de trafic et d’audience que vous allez collecter.
Concrètement, il faut associer chaque variable personnalisée à la page de remerciement, le produit et/ou la transaction, tout dépend de votre site et de votre business, et bien évidemment si votre tag e-commerce est en place (lignes de code javascript en rapport avec la transaction effectuée et celles en rapport avec les produits présents dans la commande).
Une fois les variables personnalisées mises en place et les premières données collectées, vous pouvez désormais effectuer des croisements entre ces données socio-économiques et vos rapports de conversions ou de performance produits. Utilisez pour cela les fonctionnalités permettant de spliter un rapport avec une seconde dimension ou les modules de segmentation. Il est alors aisé d’analyser la performance de chaque produit ou catégorie de produit en fonction d’un critère démographique particulier, afin de mieux comprendre pourquoi tel profil de visiteur va plutôt se diriger davantage vers un produit plutôt qu’un autre.

Croiser la data

Maintenant amusons nous un peu avec la data via Google Analytics (dans les exemples qui suivent, les vrais noms de produits sont volontairement renommés en « PRODUIT X » pour des soucis de confidentialité) :
………….(plus loin dans la liste)

Ce rapport nous indique que les CSP les plus enclins à solliciter un produit A et B font partie de la classe moyenne (ouvriers, employés, chômeurs, retraités).
Ce constat est d’autant plus appuyé que très peu d’individus appartenant à la CSP « Profession libérale » sollicitent ces produits.
Autre exemple :
Ici, pour le produit X qui est un produit très particulier pour l’annonceur en question, on constate que ce sont les individus propriétaires de leur logement qui sont le plus enclins à solliciter un tel produit.
La possibilité d’ajouter une seconde dimension est une fonctionnalité absolument fantastique. Ceci dit, elle peut également être très frustrante ! Dans un cas comme le nôtre où nous avons une quinzaine de variables personnalisées en rapport avec des critères sociodémographiques très précis, nous aimerions pouvoir croiser davantage de dimensions ! Pour ce faire, il existe deux solutions.

Utiliser les rapports personnalisés de Google Analytics, en mode Explorer ou Flat Table