Entonnoir de conversion mobile : des outils expliqués avec des exemples réels

L'entonnoir de conversion mobile est facile à dessiner sur la diapositive et difficile à voir dans le produit. Sur la diapositive, c'est un triangle épuré : installé, ouvert, enregistré, acheté. Dans le produit réel, il s'agit d'un enchevêtrement d'écrans où l'utilisateur disparaît sans avertissement, et la plupart des équipes ne découvrent la fuite que lorsque l'objectif de revenus ne l'atteint pas.

La différence entre une équipe qui répare le funnel et une autre qui ne s’en plaint que réside dans une chose : savoir lire l’outil. Acheter Mixpanel ou Amplitude et regarder le tableau de bord sans savoir quelle question poser, c'est comme passer une radiographie et ne pas savoir où se trouve l'os cassé.

Ce texte montre, avec des exemples concrets, ce que chaque type d'outil révèle à chaque étape du funnel mobile. Ce n'est pas une liste de fonctionnalités, c'est un guide de lecture.

L'entonnoir mobile comporte des étapes que l'entonnoir Web n'a pas

Avant les exemples, un ajustement du modèle. Sur mobile, le funnel démarre avant l’application : dans le store. Un utilisateur qui voit votre application sur l'App Store et ne l'installe pas l'a déjà divulguée. Vient ensuite l’installation, l’ouverture, l’intégration, l’activation et ensuite seulement la conversion proprement dite.

Chacune de ces étapes nécessite un type d'outil différent, et c'est là que les équipes se perdent : elles utilisent l'analyse des produits pour comprendre les problèmes du magasin, ou des outils d'attribution pour comprendre les problèmes d'intégration. Bon outil, bonne étape.

Exemple 1 : la fuite dans le magasin

Imaginez une application de livraison qui a un bon taux d'installation sur Android et un très mauvais taux d'installation sur iOS. L'analyse du produit ne le voit pas, car l'utilisateur iOS ne l'a même pas installé.

Ici, le bon outil est l'attribution et l'analyse du magasin, App Store Connect, Google Play Console ou une couche comme Adjust ou AppsFlyer. Dans l’exemple, la Play Console révélerait que la fiche Play Store sur iOS comportait des captures d’écran obsolètes et une note faible. Le problème n’est jamais venu de l’application ; c'était dans la fenêtre.

La leçon de l’exemple : si votre entonnoir semble cassé en haut, regardez autour de vous dans le magasin avant de toucher le produit.

Exemple 2 : abandon lors de l'intégration

Pensez à une application financière qui perd 60 % d’utilisateurs entre sa première ouverture et la finalisation de son inscription. Où, exactement, abandonnent-ils ?

C'est là qu'interviennent les outils d'entonnoir d'événement, Mixpanel et Amplitude. Vous définissez chaque étape d'intégration comme un événement et l'outil dessine l'entonnoir entre elles. Dans l'exemple, Amplitude afficherait une baisse brutale de l'écran de vérification des documents : l'utilisateur est arrivé, a vu qu'il devait photographier sa pièce d'identité et a fermé l'application.

C’est le type d’informations que seul un entonnoir événementiel bien instrumenté offre. Sans cela, l’équipe se demanderait si le problème venait de l’intégralité de l’enregistrement, alors qu’il ne s’agissait que d’un seul écran.

Pour comprendre la raison de l'abandon, utilisez un outil de relecture de session tel que l'enregistrement de session Smartlook ou Hotjar pour mobile. Dans l’exemple, l’enregistrement montrerait des utilisateurs essayant de faire la mise au point de la caméra sans succès en raison d’un mauvais éclairage dans l’interface. Les données quantitatives vous indiquent où ; la rediffusion explique pourquoi.

Exemple 3 : conversion qui n'a pas lieu

Prenons l’exemple d’un e-commerce mobile avec un bon trafic et un panier plein, mais de faibles taux d’achèvement. L'entonnoir d'événement affiche le passage à la caisse. Et maintenant ?

Ici, l'exemple fait appel à un outil d'expérimentation, Firebase A/B Testing, Optimizely ou similaire. Vous émettez une hypothèse : "la baisse, c'est parce qu'on demande l'inscription avant de payer". Testez une version avec paiement en invité. Dans l’exemple, la variante de paiement sans inscription obligatoire permettrait de récupérer une partie importante de la conversion perdue.

Le point de l’exemple est que les outils d’entonnoir montrent le problème, mais seule l’expérimentation prouve la solution. Voir la chute ne suffit pas ; l'hypothèse doit être testée.

L'erreur de lecture la plus courante

L’erreur récurrente dans ces exemples n’est pas un manque d’outils, c’est une lecture hâtive. Les équipes examinent la métrique agrégée (« conversion a chuté de 5 % ») et réagissent sans segmenter. Mais l’entonnoir mobile se situe lorsque vous regardez l’ensemble.

Dans l’exemple de diffusion, la conversion moyenne masquait un iOS en panne et un Android en bonne santé. La segmentation par plateforme, par source de trafic et par version d’application transforme un chiffre opaque en diagnostic. Tout outil sérieux permet cette segmentation ; peu d’équipes l’utilisent réellement.

Il y a aussi la question des données. Chaque événement que vous suivez dans l'entonnoir est potentiellement une donnée personnelle. Au Brésil, mettre en œuvre un entonnoir sans penser au consentement et à la minimisation des données crée une responsabilité LGPD avec le tableau de bord. Tout mesurer n’est pas une stratégie ; c'est un risque.

Exemple 4 : la rétention que le funnel oublie

La plupart des équipes traitent l'entonnoir comme quelque chose qui se termine avec la première conversion. Mais considérons une application éducative dont l’entonnoir d’installation jusqu’au premier cours est excellent et qui, malgré cela, perd presque tous ses utilisateurs au cours de la deuxième semaine.

Ici, l'entonnoir traditionnel ne voit rien, car il ne regarde que la conversion initiale. Le bon outil est l’analyse de rétention de cohorte, présente dans Amplitude et Mixpanel. Au lieu d'une ligne plus fine, vous voyez un tableau : de chaque groupe d'utilisateurs arrivés une semaine, combien sont revenus la semaine suivante, et celui d'après.

Dans cet exemple, l’analyse de cohorte révélerait que le problème n’était pas le premier cours, mais l’absence de raison de revenir. L'utilisateur terminerait le premier cours et ne recevrait jamais de crochet pour le second. Le diagnostic change complètement l’action : il ne s’agit pas de changer l’onboarding, il s’agit de construire un cycle de réengagement.

La leçon de cet exemple est que la conversion sans rétention est une vanité. Un entonnoir qui mesure uniquement la première conversion célèbre les utilisateurs qui partent. Les outils de cohorte étendent la vue en entonnoir là où la valeur réelle du produit est prouvée, au retour de l'utilisateur, et non lors de la première session.

La lecture qui sépare les bons funnels

L'outil entonnoir ne fournit pas de réponse, il pose une question plus précise. Les exemples ci-dessus ont le même mouvement en commun : l’outil indiquait où chercher, et l’équipe devait avoir la maturité nécessaire pour se demander pourquoi avant d’agir.

Celui qui traite le tableau de bord comme un verdict corrige le symptôme. Celui qui la traite comme une hypothèse en fixe la cause. C'est la différence entre optimiser un entonnoir et simplement jouer avec.

Si vous créez ou lisez l'entonnoir de conversion de votre application et que vous souhaitez discuter des outils qui vous conviennent, cela vaut la peine d'en parler. Il y a un autre article ici sur le blog sur le même sujet axé sur les opérations quotidiennes, ainsi que des textes sur l'analyse et l'UX mobile.