Ces données figuraient à l’origine dans la newsletter du 1er mars 2023 que vous trouverez ici : https://www.trustinsights.ai/blog/2023/03/inbox-insights-march-1-2023-good-and-bad-advice-conventional-metrics/
Dans les journaux de données de cette semaine, parlons des hypothèses d’analyse. On m’a récemment posé des questions sur une métrique d’analyse Web spécifique, le taux de rebond et ce qui pourrait être fait pour réduire le taux de rebond.
À première vue, cela semble être une question simple et logique, n’est-ce pas ? Le taux de rebond – défini comme une visite du site lorsqu’un visiteur entre et sort sans prendre d’autres mesures – est une mauvaise chose, n’est-ce pas, et donc réduire le taux de rebond serait une bonne chose, n’est-ce pas ?
La question que je me pose souvent à propos de bon nombre des meilleures pratiques et des conseils en matière d’analyse est de savoir comment ils ont été testés. Il existe certainement des sites Web où un taux de rebond élevé est mauvais. Il existe d’autres sites Web où cela n’a pas d’importance. Même sur un site Web, il existe certains types de contenu où le taux de rebond n’est pas pertinent, comme les articles de blog, et d’autres types de contenu où il est d’une importance vitale, comme les pages de destination pour les campagnes payantes.
La réalité est que nous comptons sur beaucoup de “bon sens” qui peut ne pas être optimal pour notre situation particulière. Alors que faisons-nous? Quelle est la manière appropriée de déterminer si un conseil nous convient ou non ?
Nous vérifions nos hypothèses avec des données, bien sûr ! Voici un exemple. Supposons que nous pensons que le taux de rebond est important. Comment saurions-nous si c’était le cas ou non ? Comment testons-nous cette croyance ? Nous commencerions par mettre un tas de mesures dans une feuille de calcul – sessions, utilisateurs, pages vues, etc. Nous ajouterions d’autres mesures comme le temps moyen sur la page, le nombre de pages par session, etc. Et bien sûr, le taux de rebond . Ensuite, nous utilisons des statistiques pour tester s’il existe même une corrélation entre le taux de rebond et le résultat qui nous intéresse : les conversions.
Voici à quoi cela ressemble :
Ce que nous voyons ci-dessus est une corrélation positive mineure entre le taux de rebond et les conversions. Nous voyons l’évidence – plus de visites, plus de sessions, plus d’utilisateurs sont presque parfaitement corrélés avec plus de conversions. Nous voyons que la profondeur de défilement – jusqu’où quelqu’un est arrivé sur une page – est importante pour la conversion. Et curieusement, nous voyons une faible corrélation entre le taux de rebond et les conversions – plus il y a de personnes qui rebondissent sur notre site, plus cela est corrélé à la conversion.
Pour être clair, cet effet est très faible. C’est à peine au-dessus de la signification statistique. Mais si la sagesse conventionnelle était vraie, nous devrions voir une corrélation négative – plus le taux de rebond est faible, plus la conversion est élevée, et nous ne le voyons pas ici.
La clé à retenir ici est que les hypothèses sur les métriques bonnes ou mauvaises doivent être testées avec vos données spécifiques pour comprendre comment elles vous affectent. Ce qui fonctionne pour une entreprise ne fonctionnera pas pour une autre, de sorte que les paramètres sur lesquels une entreprise prend des décisions changeront également invariablement.
|
Besoin d’aide avec vos données et analyses marketing ? |
Vous pourriez également profiter de : |
|
Obtenez des données, des analyses et des perspectives uniques sur l’analyse, les informations, l’apprentissage automatique, le marketing et l’IA dans la newsletter hebdomadaire Trust Insights, INBOX INSIGHTS. Abonnez-vous maintenant gratuitement ; nouveaux numéros tous les mercredis! |
Vous souhaitez en savoir plus sur les données, les analyses et les informations ? Abonnez-vous à In-Ear Insights, le podcast Trust Insights, avec de nouveaux épisodes de 10 minutes ou moins chaque semaine. |