Google Analytics est un outil de webanalyse complet qui permet de segmenter facilement les rapports statistiques. En effet, vous pouvez trier les nouveaux visiteurs des visiteurs connus, mais aussi séparer le trafic organique du trafic payant. Cette segmentation basique est très utile, mais vous pouvez avoir besoin de segmenter votre audience suivant d’autres critères. C’est alors qu’interviennent les variables personnalisées.
Les variables personnalisées et la segmentation des données
Les variables personnalisées servent à segmenter l’audience de votre site selon plusieurs critères.
Vous pouvez choisir de segmenter vos visiteurs selon des critères de navigateur ou de système d’exploitation, de géolocalisation ou encore en vous basant sur leur source de trafic. De nombreuses variables personnalisées sont proposées par défaut dans Google Analytics, mais vous pouvez également créer vos propres variables avec vos critères spécifiques.
Les variables personnalisées peuvent s’appliquer à trois niveaux :
Le visiteur unique : vous pouvez segmenter les internautes en fonction de leur âge et comptabiliser le nombre d’hommes ou de femmes qui visitent votre site
La session : vous pouvez distinguer les utilisateurs logués ou non, et utiliser tous les critères qui interviennent pendant la durée d’une session comme par exemple l’utilisation d’un code promo
La page vue : vous pouvez segmenter les personnes qui ont visité ou non une page ou un groupe de pages, voire des catégories de produits d’un site e-commerce.
Mettre en place une variable personnalisée
Vous devez modifier le code de suivi Analytics et placer un code spécifique, avec sa syntaxe qui respecte la construction _setCustomVar(index, name, value, opt_scope).
Ainsi, pour créer une variable personnalisée, vous devez définir :
L’index (index): il s’agit d’un chiffre, de 1 à 5, qui correspond au slot occupé par la variable personnalisée.
Le nom de la variable (name): donnez un nom à votre variable, avec des guillemets, pour pouvoir la retrouver lorsque vous consultez les rapports.
La valeur de la variable (value) : la valeur de la variable correspond en quelque sorte à la sous-catégorie. Ainsi, si une variable a le nom « Genre », alors ses valeurs seront « Hommes » et « Femmes ».
Le scope (opt_scope): il s’agit du périmètre d’action des variables personnalisées, c’est-à-dire les données sur lesquelles les variables vont s’appliquer. Comme vu précédemment, il peut s’agir du visiteur unique (1), de la session (2) ou des pages vues (3).
Pour organiser vos données, les segmenter et ensuite les analyser, vous avez recours aux variables et aux statistiques. Vous ne connaissez peut-être pas la signification de ces termes, et pourtant, vous utilisez bien des variables et des statistiques au quotidien. Petit point définition.
Définition de variables et statistiques
Une variable permet de décrire les données.
Une variable désigne un attribut que l’on peut donner à un objet. Les différentes variables que l’on peut attribuer à une zone géographique sont par exemple la latitude, la longitude ou encore le nom de la ville. De nombreuses variables sont disponibles dans Google Analytics telles que le Navigateur, la Page de sortie, la Durée des sessions, etc. Tous les rapports utilisent des variables.
Une statistique permet de mesurer les données.
Une statistique est un élément individuel d’une variable. L’expression d’une statistique se fait par somme ou ratio. Ainsi, dans un rapport de visites, Ville est une variable, tandis que Population est une statistique. Les affichages ou le nombre de pages par visite sont également des statistiques.
Variables et statistiques fonctionnent de concert. “Vous pouvez définir vos propres combinaisons de variables et de statistiques à partir des variables et des statistiques standards de Google Analytics” précise Google. Vous pouvez créer des rapports personnalisés et réalisez vous-même les combinaisons, pour accéder rapidement à l’information que vous cherchez.
Les dimensions et métriques personnalisées dans Universal Analytics
Avec le passage à Universal Analytics, les termes utilisés ne sont plus les mêmes qu’avant. Ainsi, dimensions est utilisé pour désigner les variables et métriques désigne statistiques. Avec Universal Analytics, il est désormais possible d’utiliser vos propres dimensions/variables et métriques/statistiques. Vous avez ainsi la possibilité de collecter des données CRM ou encore des données géographiques pour enrichir vos rapports.
En créant vos propres dimensions et métriques dans Universal Analytics, vous pouvez croiser davantange de données et segmenter votre analyse. L’idée est d’adapter Universal Analytics à votre utilisation, pour apporter des données dont vous avez besoin afin de prendre les bonnes décisions.
Le type de représentation graphique que vous devez sélectionner pour visualiser vos données dépend des données collectées et du traitement que vous voulez en faire. Pour faire le bon choix, vous devez tout d’abord savoir si les données à représenter graphiquement sont des données qualitatives ou quantitatives. Ensuite, en fonction de la lecture souhaitée, un type de visualisation devrait émerger. Voici quelques pistes pour mieux visualiser.
Choisir la bonne représentation graphique selon le type de données
On distingue généralement deux types de données. Les données qualitatives et les données quantitatives.
Les données qualitatives sont les données qui peuvent être classées et catégorisées mais elles ne correspondent pas à des valeurs numériques. Un type de navigateur, une zone géographique ou la satisfaction sont des données qualitatives. Les graphiques en ligne ainsi que les histogrammes sont à bannir pour visualiser ces informations. Les diagrammes circulaires ou encore les graphiques en colonnes sont à plébisciter.
Les données quantitatives sont les données qui, par opposition, peuvent être mesurées. 5 utilisateurs, 12 pages vues, 3% de taux de conversion, etc. Avec des colonnes, des barres, des lignes, des histogrammes… Les façons de visualiser ces données sont bien plus simples.
La bonne représentation graphique selon l’analyse souhaitée
Montrer une relation entre plusieurs données
Pour mettre en évidence la corrélation entre plusieurs données, vous devez comprendre la connexion entre ces données. Le graphique en nuage (nuage de points) est excellent moyen de visualiser rapidement le lien entre deux données. Les données sont affichées comme une collection de points très visuelle et utile pour identifier des tendances.
Comparer des données
Pour comparer deux ou plusieurs variables, les meilleures représentations graphiques sont les colonnes, le graphique à barres, le graphique en ligne et le graphique combiné (qui mixe par exemple colonnes et points). Les graphiques en colonne sont très utilisés et s’avèrent les plus pratiques. Le nom des variables à l’horizontal, leurs valeurs à la verticale, et il est facile de comparer d’un coup d’œil plusieurs données comme le nombre de visites sur les différents mois de l’année ou encore la fréquentation d’une page sur un mois, versus le même mois l’année passée. Privilégiez les graphiques en lignes pour des périodes de temps longues, et pour mieux visualiser des tendances. Enfin, mixer colonnes et lignes permet de lire sur un seul graphique deux données qui n’ont pas la même unité de mesure. De cette manière vous pouvez par exemple comparer sur un même graphique le CA pour différents produits (en colonnes) ainsi que le taux de conversion pour chaque produit (représentés par des points).
Détailler des données
Si vous voulez montrer la ventilation d’une donnée et détailler les différents éléments qui la constituent, alors les diagrammes circulaires, les diagrammes en bâtons ou encore les courbes et aires empilées sont adaptés. La lecture permet de décomposer un élément. Pratique pour différencier les différentes sources de trafic d’un site internet mais aussi la répartition par type de navigateur ou encore par pays de provenance.
Newsletter
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site web. Vous pouvez accepter ou refuser, comme d'habitude sur le WebOK !Non
