Skip links

Comment calculer le nombre de nouveaux clients par levier d’acquisition

Les besoins d’analyse des équipes gérant ces différents leviers sont multiples notamment en ce qui concerne les performances des différents leviers ( performances Ad Centric , Site Centric ,Customers Centric ) . Une demande qui revient très souvent au sein des équipes est la capacité de pouvoir identifier le nombre de nouveaux clients par leviers d’acquisition

Les entreprises , quelque soit leur taille, investissent beaucoup dans leur stratégie marketing digital pour : 

  • Acquérir de nouveaux clients 
  • Retenir les clients actuels en base  
  • Générer de l’upsell. 

Les besoins d’analyse des équipes gérant ces différents leviers sont multiples notamment en ce qui concerne les performances des différents leviers ( performances Ad Centric , Site Centric ,Customers Centric ) . Une demande qui revient très souvent au sein des équipes est la capacité de pouvoir identifier le nombre de nouveaux clients par leviers d’acquisition.  Dans la majorité des entreprises , ce genre d’analyse nécessitent : 

  • Un premier échange avec les équipes CRM détenteur de la donnée client 
  • Un échange avec potentiellement l’équipe IT afin de mettre à disposition les données client aux équipes marketing 
  • Faire des extracts des outils pour croiser les données 
  • Faire une présentation ponctuelle de cette analyse

A l’ère du Modern Data Stack  ce type d’analyse peut être complètement automatisé. Toutes les données étant déversées tous les jours dans le Data Warehouse , il est donc possible de croiser les données venant de plusieurs sources différentes. 

Dans le cas de cette analyse, les données à croiser sont celles de Google Analytics ( Données de transaction par levier ) puis les données Prestashop ( données transactionnelles puis données clients ).

Identification New Customers vs Returning Customers

La requête ci dessous permet d’identifier les nouveaux clients vers les anciens suivant leur premier achat et les achats suivants 

				
					
with data_customer as ( 
select 
      distinct  
      order_date_add,  
      order_reference, 
      customer_id, 
from `xxxxxxxxxxxx` 
) , 

new_vs_old_customer as ( 
     select *, 
          RANK() OVER (PARTITION BY customer_id ORDER BY concat( order_date_add, order_reference)) AS customer_seqence
     from data_customer
     order by customer_id asc 
)

select 
      order_date_add,  
      order_reference, 
      customer_id, 
      customer_seqence, 
      case when customer_seqence =1 then 'New Customer' else 'Returning Customer' end customer_type
    from new_vs_old_customer

				
			

Pour le client 10006, on va identifier son statut au moment de chaque achat. Le premier achat de cet utilisateur est celui de la date 2019-03-09, on le considère comme ‘New Customer’ à cette date. Pour toutes les autres transactions après la date du premier achat , on considère ce client comme un ‘Returning Customer’ 

Ce premier résultat permet d’analyser le trend d’acquisition client, on observe visuellement les périodes de pic d’acquisition de nouveaux clients :

Données Google Analytics 

Les données Google Analytics vont permettre de récupérer pour chaque transaction la source de trafic ayant généré la transaction. La requête suivante permet de récupérer ces données GA : 

				
					select 
distinct
event_date ,
user_pseudo_id,
(SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'customer_id') AS customer_id,
geo.country	,
geo.region	,
geo.city	,
traffic_source.name	as traffic_name,
traffic_source.medium	as traffic_medium,
traffic_source.source	as traffic_source,
ecommerce.purchase_revenue	,
ecommerce.unique_items	,
ecommerce.transaction_id ,
from `xxxxxxxxxxxx` 
where event_name = 'purchase'
order by event_date desc
				
			

Les résultats de cette requête donne la table suivante : 

New Customers & Returning par levier d’acquisition 

Une dernière requête va permettre de concilier les deux tables : 

La requête : 

				
					select 
event_date ,
t1.customer_id,
transaction_id,
country	,
region	,
city	,
traffic_name,
traffic_medium,
traffic_source,
purchase_revenue	,
unique_items	,
t2.customer_type
from {{ ref('google_analytics_transactions') }}  t1
left join {{ ref('prestashop_new_vs_returning') }} t2
on t1.transaction_id = t2.order_reference
				
			

La table finale permet ainsi de retrouver la source de trafic de chaque transaction et le statut du client au moment de l’achat : 

Résultat, on a une analyse complète sur les performances des leviers quand  à l’acquisition de nouveaux ou anciens clients. On peut ainsi construire un rapport automatisé permettant d’analyser systématiquement , quotidiennement le nombre de nouveaux clients acquis par source de trafic. 

Hanalytics vous accompagne dans la mise en place d’un Modern Data Stack quelle que soit la taille de votre entreprise. Découvrez nos cas clients 

Leave a comment

Explore
Drag