Qu'est-ce que le Product Analytics ?

Le Product Analytics (analyse produit) désigne l'ensemble des pratiques et outils permettant de mesurer comment les utilisateurs interagissent réellement avec un produit numérique : quelles fonctionnalités ils utilisent, à quel moment ils décrochent, ce qui les fait revenir. Contrairement au Web Analytics classique qui mesure des sessions et des pages vues, le Product Analytics raisonne en utilisateurs et en actions, sur toute la durée de vie du compte.

Pour une équipe produit ou growth, c'est la donnée qui permet de répondre à des questions que Google Analytics ne peut pas trancher : pourquoi un utilisateur abandonne-t-il son onboarding à l'étape 3 ? Les utilisateurs qui utilisent la fonctionnalité X restent-ils plus longtemps que les autres ? Quel est le taux de rétention à J7, J30, J90 ?

Product Analytics vs Web Analytics : quelles différences

Les deux approches partagent une base commune (collecter des événements), mais elles ne répondent pas aux mêmes questions.

• Unité de mesure : le Web Analytics (GA4, Matomo) raisonne en sessions et en pages vues ; le Product Analytics raisonne en utilisateurs identifiés et en événements produit (clic sur une fonctionnalité, complétion d'une étape, appel API).

• Horizon temporel : le Web Analytics regarde surtout l'acquisition et le comportement à court terme. Le Product Analytics suit un utilisateur sur des mois, pour mesurer la rétention et l'expansion (upsell, usage croissant).

• Granularité : un événement Product Analytics porte des propriétés riches (plan de l'utilisateur, rôle, taille de l'équipe, valeur de la donnée manipulée) qui permettent de segmenter finement.

• Objectif : le Web Analytics optimise l'acquisition et la conversion ; le Product Analytics optimise l'activation, la rétention et l'expansion — les moteurs de croissance d'un SaaS.

Les métriques clés du Product Analytics

Activation

Le pourcentage de nouveaux utilisateurs qui atteignent le moment où ils comprennent la valeur du produit (le fameux « aha moment »). Elle se mesure généralement sur une action précise dans les premiers jours (ex : créer un premier projet, connecter une première intégration).

Rétention

Le pourcentage d'utilisateurs actifs qui reviennent après J1, J7, J30. Elle se visualise via des courbes de rétention ou des tableaux de cohortes, qui permettent de voir si un changement produit a amélioré la fidélisation des nouveaux utilisateurs par rapport aux anciens.

Engagement

La fréquence et la profondeur d'utilisation : nombre de sessions par semaine, nombre de fonctionnalités utilisées, temps passé sur les actions à forte valeur (pas seulement le temps passé sur l'app, qui peut aussi signaler de la friction).

Funnels de conversion produit

Le taux de passage d'une étape à l'autre dans un parcours clé (onboarding, souscription, passage à un plan payant). Identifier l'étape où le taux de complétion chute permet de prioriser les correctifs UX.

Les outils de Product Analytics

• Amplitude : l'un des outils historiques, très complet sur les cohortes, les funnels et l'analyse comportementale à grande échelle. Plutôt orienté équipes produit/growth matures.

• Mixpanel : approche similaire à Amplitude, avec une interface souvent jugée plus accessible pour démarrer, et une bonne gestion des events/properties en self-service.

• PostHog : outil open-source qui combine Product Analytics, feature flags, session replay et A/B testing dans un seul produit, avec option d'hébergement auto-géré.

• Heap / Pendo : orientés capture automatique des événements (moins de configuration manuelle) et guidage in-app.

Comment mettre en place le Product Analytics

1. Définir un plan de tracking (tracking plan) : lister les événements produit qui comptent réellement (pas tout cliquer), avec un nommage cohérent (verbe_objet, ex : project_created, invite_sent).

2. Identifier les utilisateurs de façon fiable : associer chaque événement à un user_id stable (et non à un identifiant de session), pour pouvoir suivre un utilisateur du signup jusqu'à l'usage avancé, y compris entre web et mobile.

3. Envoyer les événements depuis le produit : via le SDK de l'outil choisi, ou via une couche d'abstraction (CDP comme Segment) qui centralise l'envoi vers plusieurs outils à la fois.

4. Construire les dashboards clés : funnel d'activation, courbe de rétention, répartition de l'engagement par segment (plan, taille de compte, canal d'acquisition).

5. Boucler avec les autres données : croiser les événements produit avec les données CRM/facturation (souvent via un data warehouse) pour relier usage produit et revenu.

Bonnes pratiques

• Limiter le nombre d'événements trackés à ce qui est réellement actionnable : un plan de tracking trop large devient vite illisible et coûteux à maintenir.

• Documenter chaque événement (déclencheur, propriétés, propriétaire) pour éviter les doublons et les incohérences entre équipes.

• Valider la fiabilité des données avant de les partager : un funnel calculé sur des événements mal identifiés donne des conclusions fausses.

Christophe Dubois

Consultant tracking & data, freelance senior depuis 2012. Architecture de mesure, server-side, attribution.