Analyse des données comportementales

J'ai commencé cette mission en creusant dans Google Analytics et en observant les premiers éléments évidents. Tout d'abord, j'ai passé du temps sur l'audience globale et j'ai remarqué que la tendance augmentait juste après l'envoi d'une newsletter. À première vue, c'est un bon indicateur : la newsletter est cliquée.

En creusant dans l'audience, j'ai remarqué un point clé majeur : les visiteurs sont principalement sur des appareils mobiles... ce qui n'est pas une très bonne nouvelle car comme dit plus haut, l'expérience mobile n'est pas du tout optimale.

Ensuite, je me suis concentré sur les canaux d'acquisition et j'ai remarqué un deuxième fait important : les visiteurs viennent des réseaux sociaux...

... et plus spécifiquement, de Facebook.

Pour finir l'analyse Google Analytics, j'ai passé du temps sur les comportements des utilisateurs sur le site, la durée des sessions, etc. et comparé aux tendances du marché, ces KPIs ne sont pas sains.

‍

Analyse de la newsletter

Concernant la newsletter elle-même, j'ai examiné le rapport de Sendinblue et j'ai pu identifier 3 faits importants, 1 bon et 2 mauvais :

1. La régularité des newsletters n'est pas définie, le client a envoyé 3 newsletters les 3 premiers mois de l'année, et... c'est tout.
2. Le taux de clic par ouverture est vraiment bas comparé à la tendance du marché, ce qui signifie que le contenu n'est pas assez attrayant pour faire cliquer les utilisateurs. Si on fait le lien avec l'augmentation d'audience après une newsletter dans Google Analytics, nous devrions voir un pic encore plus élevé avec un meilleur contenu de newsletter.
3. La base de données email est assez saine, ce qui est un bon point.

Rapport en dataviz

Pour synthétiser mes apprentissages et les expliquer à mon client, j'ai décidé de concevoir des visualisations de données pour l'aider à comprendre les faits.

Préconisations UX et wireframes

Basé sur mes apprentissages, j'ai suggéré quelques changements mineurs à appliquer au site web. J'ai utilisé des wireframes basse fidélité comme outil visuel pour que mon client comprenne mes suggestions.

Par exemple, j'ai pensé que le client devrait travailler et améliorer ses boutons d'appel à l'action (CTA). Dans ce cas, le client veut communiquer sur 2 choses : le détail du produit et la possibilité de tester le vélo. J'ai suggéré 2 options pour le CTA ainsi qu'un A/B Testing de ces deux possibilités pour choisir celle qui convertit le mieux.

Basé sur les sites web des concurrents lors de mon benchmark, j'ai suggéré de mettre un autre CTA au niveau de la navigation. Le niveau de navigation est fixé en haut de l'écran donc il serait toujours visible, ce qui est une bonne chose.

En naviguant sur le site web de mon client, j'ai fini par tomber sur une vidéo hébergée sur YouTube, présentant le vélo. La vidéo était super mais j'ai été déçu à un moment donné de devoir creuser dans le site pour trouver cette vidéo. J'ai donc suggéré d'utiliser cet atout et de l'exploiter en haut de la page d'atterrissage comme arrière-plan. Avec l'option technique appropriée pour retarder le chargement, cela ne serait pas un problème pour la performance de la page.

Et enfin, peut-être un changement avec le plus grand impact technique mais néanmoins, ce serait une bonne chose à faire : restructurer le contenu de la page en mettant en valeur les atouts du produit dès le début du parcours utilisateur.

Résultats pour le client

À la fin de la mission, le client a suffisamment de matériel pour procéder aux changements que j'ai suggérés. Le site web est construit sur Wordpress donc le client peut appliquer les changements lui-même. Les visualisations de données l'ont aidé à comprendre où étaient les problèmes et il a maintenant des solutions concrètes pour améliorer sa landing page et sa newsletter.

Résultats personnels

D'un point de vue personnel, cette mission était assez intéressante mais je dois admettre que les données seules ne me suffisent pas pour révéler exactement les problèmes d'expérience utilisateur. Cela peut être utile pour des problèmes très spécifiques comme les drop dans le parcours ou les CTA manquants, mais pour un problème UX plus complexe à résoudre, je pense que les tests d'utilisabilité sont plus pertinents. L'analyse des données peut être un excellent point d'entrée pour plus de recherche utilisateur par la suite. Par exemple dans ce cas, j'aurais aimé continuer avec une approche Lean UX, générer des suppositions et des hypothèses, implémenter un MVP rapide et le tester pour confirmer les suggestions que j'ai faites à partir de l'analyse des données.