Analyse de cohorte de rétention : le guide pas à pas
Analyse de cohorte pas à pas : construire un tableau de cohortes dans un tableur, lire la courbe de rétention et transformer ce que vous observez en actions.
L'analyse de cohorte de rétention regroupe les clients selon leur date de début, généralement le mois de leur premier achat ou de leur inscription, et suit la part de chaque groupe encore active à chaque période suivante. Présentée sous forme de tableau, elle montre quand les clients décrochent (le premier mois, après un essai, après un an) et si les clients arrivés récemment restent plus longtemps que les précédents. C'est la meilleure façon de vérifier si vos changements d'onboarding, de prix ou de service fonctionnent vraiment.
Ce guide vous montre pas à pas comment construire un tableau de cohortes dans un tableur, comment le lire et quoi faire de vos constats.
Pourquoi un seul taux d'attrition ne suffit pas
Un taux d'attrition donne un seul chiffre pour tous les clients sur une période. Il est utile, mais il mélange des groupes très différents : les clients dans leur premier mois, qui partent souvent davantage, et les clients fidèles depuis des années, qui partent rarement.
Imaginez une entreprise dont le churn mensuel global stagne à 4 % depuis un an. Un tableau de cohortes pourrait révéler que :
- Les clients arrivés récemment restent en fait plus longtemps qu'avant, grâce à un meilleur onboarding.
- Mais une grosse cohorte issue d'une campagne de remises part rapidement et tire la moyenne vers le haut.
Le chiffre unique masque ces deux histoires. Le tableau de cohortes les révèle.
Étape 1 : définir ce que signifie « actif »
Décidez ce qui compte comme activité sur une période :
| Type d'activité | Actif sur une période signifie… |
|---|---|
| Abonnement | Abonnement payé pendant le mois |
| Logiciel | Connexion ou utilisation d'une fonctionnalité clé pendant le mois |
| Boutique en ligne | Au moins une commande sur la période (envisagez des trimestres si vos clients achètent rarement) |
| Services | Un projet ou une facture sur la période |
Pour les boutiques aux achats irréguliers, un « actif » mensuel donnera des chiffres en dents de scie, car les clients qui achètent tous les quelques mois apparaissent puis disparaissent. Des périodes trimestrielles, ou une définition comme « a commandé dans les 90 derniers jours », lissent le résultat.
Étape 2 : exporter les données brutes
Il vous faut une ligne par activité (commande, paiement ou connexion) avec au minimum :
| customer_id | activity_date |
|---|---|
| C-1001 | 2026-01-14 |
| C-1001 | 2026-02-20 |
| C-1002 | 2026-01-22 |
| C-1003 | 2026-02-03 |
La plupart des outils de boutique, de facturation et de CRM savent exporter ces données en CSV. Supprimez d'abord les comptes de test et les utilisateurs internes.
Étape 3 : ajouter les colonnes auxiliaires
Dans votre tableur, ajoutez trois colonnes :
- Mois d'activité : le mois de chaque activité, par exemple avec une formule qui transforme la date en premier jour du mois.
- Mois de cohorte : le premier mois d'activité de ce client. Dans la plupart des tableurs, une formule de type MIN.SI sur la colonne des identifiants fait l'affaire.
- Numéro de période : le nombre de mois entre le mois de cohorte et le mois d'activité. Le premier mois est la période 0.
Chaque ligne vous indique alors : ce client, entré dans la cohorte X, était actif à la période N.
Étape 4 : construire le tableau de cohortes
Créez un tableau croisé dynamique :
- Lignes : mois de cohorte
- Colonnes : numéro de période
- Valeurs : nombre d'identifiants clients uniques
Utilisez bien un comptage distinct : un client ayant passé trois commandes dans le mois ne compte qu'une fois.
Vous obtenez un triangle de chiffres :
| Cohorte | Période 0 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|---|
| Janv. | 200 | 150 | 128 | 116 | 108 | 102 |
| Févr. | 180 | 140 | 122 | 112 | 105 | |
| Mars | 220 | 176 | 158 | 147 | ||
| Avr. | 210 | 172 | 156 | |||
| Mai | 240 | 202 | ||||
| Juin | 230 |
La forme en triangle est normale : les cohortes récentes ont été observées sur moins de périodes.
Étape 5 : convertir les chiffres en pourcentages
Divisez chaque cellule par la valeur de la période 0 de la cohorte. Les cohortes de tailles différentes deviennent ainsi comparables.
| Cohorte | Période 0 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|---|
| Janv. | 100 % | 75,0 % | 64,0 % | 58,0 % | 54,0 % | 51,0 % |
| Févr. | 100 % | 77,8 % | 67,8 % | 62,2 % | 58,3 % | |
| Mars | 100 % | 80,0 % | 71,8 % | 66,8 % | ||
| Avr. | 100 % | 81,9 % | 74,3 % | |||
| Mai | 100 % | 84,2 % | ||||
| Juin | 100 % |
Si vous avez les chiffres d'une cohorte, le calculateur de taux d'attrition propose un mode cohorte : collez les valeurs, il renvoie la rétention par période et le churn d'une période à l'autre.
Étape 6 : lire le tableau
Regardez dans trois directions.
Le long d'une ligne : comment une cohorte s'érode
La cohorte de janvier perd 25 % de ses clients entre les périodes 0 et 1, puis 14,7 % des clients restants entre les périodes 1 et 2 (de 150 à 128), et des parts plus faibles ensuite. Cette forme, une forte chute initiale suivie d'un aplatissement, est typique. Le point où la courbe s'aplatit indique quand les clients qui restent se sont « installés ».
Le long d'une colonne : les cohortes récentes font-elles mieux ?
La rétention en période 1 passe de 75,0 % (janvier) à 84,2 % (mai). Si vous avez modifié votre onboarding en mars, voilà la preuve que cela a fonctionné. Lisez chaque colonne de haut en bas pour comparer les cohortes au même âge.
Le long des diagonales : les effets calendaires
Les cellules d'une même diagonale tombent le même mois calendaire. Si une diagonale est anormalement faible pour toutes les cohortes, un événement de ce mois-là a touché tout le monde : hausse de prix, problème de livraison, effet saisonnier.
Étape 7 : transformer les constats en actions
| Constat | Cause probable | Que tester |
|---|---|---|
| Forte chute en période 1 | Les clients n'accèdent pas assez vite à la valeur | Améliorer l'onboarding ; voir la checklist d'onboarding client |
| Une cohorte nettement moins bonne | La source d'acquisition ou l'offre a attiré des clients peu adaptés | Vérifier d'où vient cette cohorte ; ajuster le ciblage ou l'offre |
| La rétention baisse sans jamais se stabiliser | Problème de valeur persistant | Parler aux clients de longue date partis ; revoir le produit ou le service |
| Creux soudain sur une diagonale | Événement touchant tous les clients | Vérifier ce qui s'est passé ce mois-là |
| Cohortes récentes meilleures au même âge | Les changements récents fonctionnent | Continuer ; documenter ce qui a changé |
Exemple chiffré : mesurer l'effet d'un changement d'onboarding
Supposons qu'une entreprise d'abonnement ait introduit un appel de bienvenue pour les nouveaux clients à partir de mars. Avant ce changement, la rétention en période 1 était en moyenne de (75,0 + 77,8) ÷ 2 ≈ 76,4 % pour janvier et février. Après, elle atteint en moyenne (80,0 + 81,9 + 84,2) ÷ 3 ≈ 82,0 % de mars à mai.
Cela représente environ 5,6 points de pourcentage de clients en plus encore actifs après un mois. Pour une cohorte de 220 clients, cela fait à peu près 12 clients supplémentaires par mois qui passent le cap du premier mois. Multipliez par leur valeur vie client pour savoir ce que valent ces appels de bienvenue.
Une mise en garde : des cohortes de cette taille peuvent varier de quelques points par simple hasard, et d'autres facteurs ont pu changer en même temps. Une amélioration régulière sur plusieurs cohortes est une preuve bien plus solide qu'un seul bon mois.
Les erreurs fréquentes
- Compter les commandes, pas les clients. Utilisez un nombre de clients uniques par période.
- Des périodes de longueur inégale. Les mois calendaires varient légèrement, ce qui ne pose généralement pas de problème. Mélanger semaines et mois, si.
- Des cohortes trop petites. Avec 15 clients, un seul départ fait bouger la rétention de près de 7 points. Passez à des cohortes trimestrielles si nécessaire.
- Oublier les réactivations. En boutique, un client peut être inactif en période 2 et de nouveau actif en période 3. C'est normal ; sachez simplement que la rétention peut remonter le long d'une ligne.
- Analyser une fois, puis plus jamais. Un tableau de cohortes est surtout utile mis à jour chaque mois, pour comparer chaque nouvelle cohorte.
Votre prochaine étape
Exportez douze mois de commandes ou de paiements avec l'identifiant client et la date, construisez le tableau de cohortes en suivant les étapes 3 à 5, puis regardez la colonne de la période 1. Si c'est la plus forte chute du tableau, c'est sur l'expérience des premières semaines que doit porter votre prochain effort de fidélisation. Pour des idées sur la suite, consultez nos stratégies de fidélisation client.
FAQ
Qu'est-ce qu'une analyse de cohorte de rétention ?
Elle regroupe les clients selon leur date de début, par exemple le mois du premier achat, puis suit la part de chaque groupe encore active au fil des périodes. Elle montre à quel moment les clients décrochent et si les groupes récents se comportent mieux que les anciens.
De quelles données ai-je besoin pour une analyse de cohorte ?
Pour chaque client, un identifiant unique, sa date de début et les dates auxquelles il a été actif : dates d'achat, mois d'abonnement ou connexions. Un export des commandes ou des factures suffit généralement.
Quelle différence entre rétention par cohorte et taux d'attrition ?
Le taux d'attrition est un chiffre unique pour tous les clients sur une période. La rétention par cohorte suit des groupes dans le temps et révèle ce qu'un taux unique masque, par exemple le fait que la plupart des clients partent dans leurs deux premiers mois.
Combien de cohortes faut-il pour commencer ?
Six à douze cohortes mensuelles sont un bon début. Chaque cohorte doit compter assez de clients pour que les pourcentages aient un sens ; si vos cohortes mensuelles sont très petites, passez à des cohortes trimestrielles.