« Les ventes ont baissé » n’est pas une information sur laquelle on peut fonder une décision : c’est un symptôme. Entre le symptôme et la décision, il y a une compétence : décomposer l’écart en facteurs pour que la cause ait un nom, un chiffre et un responsable. Ce guide détaille la décomposition étape par étape : des trois composantes du résultat à l’arbre de diagnostic, en passant par la cascade et les dimensions, sans oublier les pièges qui faussent les comparaisons.
Premier niveau
Trois chiffres pour décomposer toute baisse
L’identité de départ
Le chiffre d’affaires est le produit de trois composantes : toute baisse passe donc par l’une d’elles. Avant d’avancer le moindre « c’est la concurrence » ou « c’est le marché », il faut savoir quelle composante a bougé.
L’approximation par la somme fonctionne pour des variations courantes, de l’ordre de 10 à 20 %, et suffit à orienter les recherches. Exemple qui servira de fil rouge (boutique de jouets, semaine contre semaine, données illustratives) : chiffre d’affaires −18 %, car sessions −12 %, conversion −9 %, panier +3 %. Cette seule ligne montre déjà que le problème ne vient ni des prix ni du panier : une partie du trafic a disparu, ainsi qu’une partie de l’intention d’achat.
Cascade
La cascade : du résultat aux coupables
La même décomposition présentée en cascade met fin aux débats où « chacun a sa théorie ». Un seul graphique montre la part de la baisse imputable à chaque composante (indice, semaine précédente = 100) :
Décomposition de l’évolution du CA · semaine contre semaineboutique de jouets · données illustratives
précédentemoins de sessionsconversion
en baissepanier
en haussesemaine
en cours
Lecture : sur 17,5 points de baisse, le trafic en explique 12 et la conversion 8, tandis que le panier en a récupéré 2,5. La suite de l’analyse porte donc sur deux questions : d’où vient la perte de trafic et qu’est-ce qui a freiné la conversion. Tout le reste (prix, promotions, panier) peut attendre.
Deuxième niveau
Deuxième niveau : canaux, catégories, clients
La composante indique la direction, la dimension indique l’endroit. Chacune des trois composantes se décompose ensuite selon ses dimensions : le trafic par canal, la conversion par catégorie et par appareil, le panier par composition des produits et par remises. Dans notre exemple :
| Dimension | Évolution | Conclusion |
|---|---|---|
| Trafic (sessions GA4) : Google Ads | −31 % de sessions | c’est ici que se concentre presque toute la perte de trafic |
| Trafic (sessions GA4) : autres canaux cumulés | −2 % de sessions | dans les limites des fluctuations normales |
| Conversion : catégorie « jeux de construction » | −41 % | best-seller de la catégorie en rupture depuis mercredi |
| Conversion : autres catégories | −1 % | aucune variation qui mérite qu’on s’y attarde |
| Panier : valeur moyenne | +3 % | effet secondaire : les jeux de construction bon marché ont disparu, la moyenne a augmenté |
Deux suspects identifiés au lieu d’une panique générale : quelque chose a coupé le trafic venant de Google Ads et quelque chose a étouffé la conversion dans une catégorie. Attention au panier : il a augmenté à cause du problème, et sans décomposition, quelqu’un aurait eu le temps de s’en féliciter en réunion.
Diagnostic
Arbre de diagnostic : du symptôme à la cause
Le troisième niveau correspond aux contrôles concrets, une branche par composante :
Le trafic a baissébranche : sessions
- Payant : budgets et statuts des campagnes, produits refusés dans Merchant Center, modifications des enchères
- Organique : positions dans la Search Console, saisonnalité des requêtes, changements sur la page de résultats
- Direct/e-mail : calendrier des envois, code de suivi après des modifications de la boutique
La conversion a baissébranche : propension à acheter
- Un seul appareil : bug du panier ou du paiement après une mise à jour (le mobile casse le plus souvent)
- Une seule catégorie : disponibilité des best-sellers, prix face à la concurrence
- Un seul canal (conversion selon GA4) : la qualité du trafic a changé (nouvelles requêtes, nouvelles créations, autres audiences)
Le panier moyen a baissébranche : valeur de commande
- Mix produits : les produits bon marché ont pris de la part (promotion ? best-seller cher en rupture ?)
- Remises : un code public a fuité sur des sites de codes promo, promotions plus fortes
- Seuils de livraison : un changement de seuil a modifié la tendance à compléter le panier
Étape zéro du diagnostic
D’abord la mesure, ensuite le business. Avant de décomposer une baisse, vérifiez la couverture GA4 et l’exhaustivité des données des sources : une panne de mesure produit des « baisses » qui n’existent pas et peut coûter une journée de recherche de causes business. Comment le vérifier en quelques minutes : le guide sur l’audit GA4.
Pièges
Quatre pièges qui faussent les comparaisons
Comparer des périodes non équivalentes
Un lundi avec un samedi, une semaine de versement des salaires avec une semaine sans, une période de promotion avec celle qui suit. On compare le même jour de la semaine et une configuration de calendrier analogue et, en cas de saisonnalité, d’une année sur l’autre.
Réagir à une seule journée
Les ventes quotidiennes fluctuent naturellement. Un jour hors norme est une observation ; plusieurs jours d’affilée ou une semaine entière sous la norme justifient un diagnostic. Exception : les signaux de panne, qui appellent une réaction immédiate (plus de détails dans le guide sur le monitoring et les anomalies).
Mélanger les définitions entre sources
Commandes passées contre commandes payées, TTC contre HT, sessions contre utilisateurs. La décomposition se fait avec un seul référentiel, idéalement sur les commandes payées issues de la boutique.
S’arrêter au premier coupable
« Le trafic Google a baissé » reste un symptôme. Le diagnostic s’arrête à une cause sur laquelle on peut agir : produits refusés, stock épuisé, campagne désactivée, changement de la page de résultats.
DataOrganizer
Comment DataOrganizer décompose une variation automatiquement
DataOrganizer intègre la décomposition des variations dans son moteur d’analyse : il répartit l’écart entre deux périodes par composante et par dimension, sur les données réunies de la boutique, de l’analytics et des plateformes publicitaires, et la détection d’anomalies indique le moment où l’écart apparaît. Tout le travail décrit ci-dessus tient en une seule question :
Décomposition de la baisse de −18 % (mesure complète, couverture GA4 normale) :
| Composante | Évolution | Ciblage |
|---|---|---|
| Sessions | −12 % | selon GA4 : Google Ads −31 %, autres canaux −2 % |
| Conversion | −9 % | catégorie « jeux de construction » −41 %, reste −1 % |
| Panier moyen | +3 % | effet de la disparition des produits bon marché |
Deux causes identifiées : depuis mardi, 84 produits ont le statut refusé dans Merchant Center (d’où la perte de sessions des campagnes produits), et le best-seller de la catégorie « jeux de construction » est en rupture de stock depuis mercredi, ce qui a fait chuter la conversion de la catégorie. Recommandation : corriger les attributs du flux et exclure le produit en rupture des campagnes jusqu’au réassort.
Note méthodologique : les chiffres de l’exemple sont indicatifs, et l’approximation « variation du chiffre d’affaires ≈ somme des variations des composantes » fonctionne pour des variations modérées ; pour de fortes variations, on multiplie les composantes de manière exacte. La décomposition indique où la variation s’est produite ; confirmer la cause demande toujours d’examiner l’endroit désigné par les chiffres.
À retenir
Une baisse sans décomposition génère des théories ; une baisse décomposée génère des tâches. Trois composantes, puis les dimensions, puis le point précis de l’arbre de diagnostic : cet ordre transforme « quelque chose ne va pas » en une liste de choses à corriger, avec des responsables et des échéances.
FAQ
Questions fréquentes sur le diagnostic d’une baisse des ventes
Comment trouver la cause d’une baisse des ventes ?
Avec deux niveaux de décomposition : d’abord la répartition en sessions × conversion × panier (toute baisse passe par l’une des composantes), puis l’analyse par dimension : canaux pour le trafic, catégories et appareils pour la conversion, mix produits et remises pour le panier. Le diagnostic s’arrête à une cause sur laquelle on peut agir.
Comment calculer l’impact de chaque composante ?
Pour des variations courantes, une approximation suffit : variation en % du chiffre d’affaires ≈ somme des variations en % des composantes (par ex. −12 % de trafic, −9 % de conversion, +3 % de panier donnent environ −18 %). Pour de fortes variations, on multiplie exactement les indicateurs des deux périodes ; pour orienter les recherches, l’approximation suffit.
Que vérifier en premier ?
La mesure. La couverture GA4 et l’exhaustivité des données des sources peuvent produire une baisse qui n’existe pas. La décomposition n’a de sens qu’une fois les chiffres confirmés comme complets ; sinon, on cherche des causes business à la panne d’un plugin.
Quand réagir et quand s’agit-il encore de bruit ?
Comparez une journée isolée avec le même jour de la semaine des semaines précédentes ; un jour hors norme est une observation, plusieurs jours ou une semaine entière justifient un diagnostic. Exception : les signatures de panne (hausse des commandes impayées, zéro impression sur les produits), qui demandent une réaction immédiate.
En quoi DataOrganizer aide-t-il ?
La décomposition des variations est intégrée au moteur : l’écart entre deux périodes est réparti automatiquement par composante et par dimension, sur les données réunies de la boutique, de l’analytics et de la publicité. La détection d’anomalies indique le moment de l’écart, et le chat répond à « pourquoi ça a baissé » par une cause identifiée, chiffres à l’appui.
L’essentiel du guide
Diagnostiquer une baisse en trois niveaux
1. Composantes : sessions × conversion × panier. La variation du chiffre d’affaires est approximativement égale à la somme des variations des composantes ; c’est le premier tri des suspects.
2. Dimensions : canaux pour le trafic, catégories et appareils pour la conversion, mix et remises pour le panier. Un graphique en cascade et un tableau suffisent pour circonscrire le problème à des points précis.
3. Du concret : l’arbre de diagnostic mène à une cause sur laquelle on peut agir, avec une étape zéro « vérifier d’abord la mesure ». DataOrganizer traite ces trois niveaux automatiquement : entre « ça a baissé » et la liste d’actions, il n’y a qu’une question dans le chat.
DataOrganizer · décomposition des variations intégrée au moteur
Connectez votre boutique, vos outils d’analyse et vos plateformes publicitaires : les variations se décomposent automatiquement en composantes et en dimensions, et les anomalies sont signalées d’elles-mêmes. Compte démo disponible immédiatement, vous ne payez que les sources connectées.