Réachat : comparer des cohortes qui ont eu le même temps pour revenir

Pour comparer le réachat, les clients doivent avoir eu le même temps pour revenir. Une cohorte acquise récemment ne peut pas être jugée sur tous les achats réalisés à ce jour face à une cohorte plus ancienne. L’écart peut simplement refléter une durée d’observation différente.

Une cohorte regroupe ici les clients selon la date de leur première commande de référence. Shopify utilise par défaut la date de première commande dans son rapport d’analyse des cohortes clients. Cette base est utile, mais le rapport et ses réglages doivent être compris avant d’en tirer une comparaison. Source : analyse des cohortes clients Shopify.

La méthode ci-dessous propose une mesure précise : la part de clients d’une cohorte qui passent au moins une autre commande payée dans une fenêtre identique après leur première commande. C’est une convention de travail à documenter, pas une formule présentée comme le réglage par défaut de tous les outils.

Choisir la question avant le taux

Trois questions proches appellent des calculs différents : quelle part des acheteurs de la période avait déjà commandé ; quelle part d’une cohorte revient au moins une fois dans une fenêtre donnée ; combien chaque client rapporte après ses achats et retours ?

Shopify définit son taux de clients revenants comme le nombre de clients revenants rapporté aux clients ayant commandé. Ce dénominateur ne désigne pas automatiquement une cohorte d’acquisition suivie jusqu’à un âge fixe. Le rapport des clients revenants décrit par ailleurs des clients dont l’historique comprend au moins deux commandes. Sources : définition des champs, rapports clients.

Pour décider si de nouveaux clients reviennent plus souvent, retenir une cohorte d’entrée et une fenêtre depuis cette entrée. Pour juger l’économie du réachat, ajouter ensuite revenu net et coûts. Passer de l’une à l’autre de ces questions sans changer l’intitulé du taux rend les résultats difficiles à interpréter.

Fixer la population et la première commande

La définition proposée part des clients qui réalisent leur première commande payée connue pendant la période d’acquisition choisie. Exclure les tests et les doublons de commande. Les commandes non payées ou annulées avant paiement ne constituent pas ici la commande d’entrée. Documenter le statut métier qui confirme le paiement et le fuseau utilisé pour dater l’achat.

« Première connue » est une limite importante. Après une migration, une importation incomplète ou l’exclusion d’un canal, une ancienne cliente peut apparaître nouvelle dans le fichier disponible. Si l’historique n’est pas suffisant, nommer le groupe « clients observés pour la première fois dans le périmètre » plutôt que « nouveaux clients de l’entreprise ».

Choisir aussi comment les commandes rejoignent un même client. La méthode doit reposer sur un identifiant exploitable et des règles documentées, sans supposer qu’un changement d’adresse email ou qu’une commande invitée est toujours rapproché correctement. Utiliser dans le fichier d’analyse uniquement les références nécessaires ; la comparaison ne nécessite pas d’y recopier les échanges SAV ou les noms des clients.

Fixer enfin le périmètre : pays, boutiques, canaux, commandes ponctuelles ou abonnements et, si la question l’exige, familles de produits. Une cohorte composée surtout de réassorts programmés ne répond pas à la même question qu’un achat occasionnel de produit durable.

Donner à chaque client la même fenêtre

Choisir une durée D depuis l’instant de sa première commande de référence. Par exemple, une fenêtre de 90 jours peut servir de paramètre pédagogique ; ce n’est ni une norme ni une durée idéale pour tout catalogue. Le choix doit correspondre à la question et au rythme d’achat étudié.

Chaque client est observé entre sa commande d’entrée et cette commande plus D. Une cohorte mensuelle est entièrement observable à cet horizon seulement lorsque son dernier entrant a bénéficié de toute la fenêtre. À la date d’extraction, conserver séparément les cohortes ou les observations encore incomplètes.

Il faut résister à une correction trompeuse : garder uniquement les premiers clients d’un mois récent pour disposer d’un recul suffisant, puis comparer ce sous-groupe au mois entier précédent. La population aurait changé. Attendre que la cohorte complète soit observable, ou définir explicitement des périodes d’entrée comparables.

Une absence de recul reste une donnée non encore observable, pas un client qui n’a pas racheté. Indiquer la date d’extraction et la fenêtre rend cette différence vérifiable.

Écrire le numérateur et le dénominateur

Pour le taux cumulé proposé à l’horizon D, retenir :

• au dénominateur, les clients distincts de la cohorte d’entrée, disposant de l’observation complète définie ;
• au numérateur, parmi ces mêmes clients, ceux qui ont passé au moins une autre commande payée distincte après la première et au plus tard à l’horizon D ;
• comme taux, le numérateur divisé par le dénominateur, multiplié par 100.

Un client qui commande plusieurs fois reste compté une seule fois au numérateur. La commande initiale n’y entre pas. Le nombre de commandes, la fréquence et le revenu peuvent être étudiés ensuite avec d’autres indicateurs ; ils ne remplacent pas ce comptage de personnes distinctes.

Conserver les deux effectifs avec le taux. Un résultat portant sur un petit groupe peut changer dès qu’un seul client revient. Aucun seuil universel de qualité ou taux idéal n’est proposé. Si le dénominateur est nul, le taux n’est pas calculable ; ce n’est pas zéro.

Cette mesure est cumulative : elle demande si le client est revenu au moins une fois avant l’échéance. Une mesure portant seulement sur les achats du deuxième mois répond à une autre question. Il ne faut pas additionner des pourcentages périodiques : une même personne peut apparaître dans plusieurs périodes.

Décider du traitement des annulations et remboursements

La convention précédente mesure un comportement d’achat payé. Dans cette vue, une commande payée puis annulée ou remboursée reste un achat payé observé ; son annulation ou son remboursement est signalé séparément. Cela vaut pour la première commande comme pour le réachat. Cette convention empêche de présenter le taux comme une part de ventes conservées ou de clients satisfaits.

Si la décision porte sur le réachat conservé, créer une mesure distincte qui exclut les secondes commandes entièrement annulées ou remboursées selon une règle explicite. Préciser le traitement des remboursements partiels et la date de consolidation. Pour garder la cohorte d’acquisition stable, la première commande payée peut rester le point d’entrée même si elle est ensuite remboursée : ce choix doit être écrit et appliqué à tous les groupes.

Cette seconde vue exige du recul supplémentaire pour observer les retours et régularisations. Comparer les cohortes avec la même règle de consolidation, ou conserver le résultat comme provisoire. Sinon, les groupes anciens auront simplement eu davantage de temps pour enregistrer des remboursements.

Ne pas prétendre que les réglages d’un rapport reproduisent ces conventions sans contrôle. Shopify distingue dans sa documentation des métriques telles que ventes nettes, ventes totales et commandes, avec des ajustements différents. Vérifier les statuts et les champs réellement utilisés dans l’extraction. Source : référentiel des données Analytics Shopify.

Lire le rapport Shopify sans confondre périodes et cumul

Le rapport Shopify regroupe par défaut les clients selon leur première commande et présente des intervalles depuis cette entrée. Sa documentation précise que la période zéro peut contenir des commandes répétées pendant la même période que le premier achat. Une case de cette période n’est donc pas uniquement la commande d’acquisition. Source : structure du rapport de cohortes.

Shopify permet de modifier métrique, définition de cohorte, intervalle et filtres. Conserver ces réglages avec l’extraction. Une colonne « mois » ne doit pas être assimilée sans vérification à une fenêtre exacte de 30 jours depuis chaque première commande. Pour appliquer la méthode à durée fixe proposée ici, vérifier que le rapport ou les données disponibles permettent bien ce calcul. Source : configuration des rapports de cohortes.

Si la méthode de calcul d’une cellule ne peut pas être rapprochée de quelques parcours de commandes, laisser cette correspondance à vérifier. Reproduire un taux affiché n’est pas encore expliquer son numérateur, son dénominateur et sa période.

Passer de l’écart observé à une décision limitée

Comparer d’abord les cohortes au même âge, avec les mêmes règles et les mêmes canaux couverts. Examiner ensuite les différences de contexte : saison, offre d’entrée, promotions, composition des produits, disponibilité et acquisition. Un écart descriptif ne démontre pas que l’une de ces causes l’explique.

Les deux cohortes peuvent avoir des tailles différentes ; elles doivent avoir eu la même possibilité d’être observées. Cette comparabilité temporelle n’élimine ni le hasard ni les différences de clientèle. Une hausse du réachat ne prouve pas, à elle seule, la rentabilité ou l’effet causal d’une campagne de fidélisation.

Le plan de mesure e-commerce accueille les définitions et limites du calcul. Le dossier Marge contributive par commande permet de poursuivre sur l’économie des commandes et des retours, sans transformer le taux de réachat en mesure de marge.

La décision utile peut rester modeste : approfondir un segment comparable, vérifier une rupture de données ou attendre qu’une cohorte récente soit suffisamment observée. Le calcul doit permettre d’expliquer ce que l’on sait et ce que l’on ne peut pas encore comparer.

Documentation Shopify consultée le 23 octobre 2026. Les définitions de calcul proposées ne sont pas présentées comme les réglages universels de Shopify. Aucun rapport client, taux marchand ou effet de campagne n’a été mesuré pour cet article.