Le taux d'abandon par étape (drop-off rate) est le pourcentage d'utilisateurs qui quittent un processus défini, comme un parcours de paiement, un formulaire d'inscription ou une demande en plusieurs étapes, avant de l'avoir terminé. Il se calcule généralement à chaque étape d'une séquence, en montrant quelle proportion des utilisateurs ayant atteint cette étape n'est pas passée à la suivante, ce qui le distingue d'un simple taux de rebond qui ne mesure que les sorties d'une page unique sans aucune notion de séquence ni de progression. Par exemple, si 1 000 utilisateurs démarrent un paiement en trois étapes et que 700 atteignent la deuxième, le taux d'abandon entre l'étape un et l'étape deux est de 30 %, un chiffre qui indique immédiatement à une équipe où, dans le processus, l'attention est la plus urgente, plutôt que là où le processus semble simplement lent. Le taux d'abandon peut aussi s'exprimer par son inverse, le taux de complétion d'étape à étape, et les deux angles sont généralement présentés côte à côte dans les rapports afin que les parties prenantes qui examinent un entonnoir voient d'emblée à la fois ce qui a été retenu et ce qui a été perdu à chaque transition.
Cette métrique est importante parce qu'elle localise précisément où un processus perd des utilisateurs, au lieu de ne rapporter qu'un taux de conversion global pour l'ensemble de l'entonnoir. Un paiement affichant un taux de conversion global de 40 % peut perdre la plupart de ses clients potentiels à un seul point de friction, comme des frais de livraison inattendus révélés tardivement, une étape obligatoire de création de compte ou un champ de formulaire de paiement déroutant, et l'analyse des abandons au niveau de chaque étape est précisément ce qui rend ce point visible plutôt que de le noyer dans un chiffre agrégé unique. Sans cette granularité, les équipes traitent souvent la mauvaise partie d'une expérience, en peaufinant des étapes qui n'ont jamais été le vrai problème pendant que le véritable goulot d'étranglement reste intact pendant des mois, parfois des trimestres fiscaux entiers.
Le taux d'abandon est généralement suivi à l'aide d'outils d'analytique événementielle comme les rapports d'exploration d'entonnoir de Google Analytics 4, Mixpanel ou Amplitude, qui exigent que chaque étape d'un parcours soit instrumentée comme un événement ou une vue de page distincts afin que l'outil puisse calculer précisément la rétention d'étape à étape. Les outils d'enregistrement de sessions sont couramment utilisés en complément de ces rapports quantitatifs pour visionner les sessions réelles des utilisateurs qui ont abandonné, révélant des raisons qualitatives, comme un champ de formulaire défaillant, un message d'erreur confus ou une page lente à charger, que les chiffres bruts seuls ne peuvent expliquer, aussi granulaire que soit le reporting. Les analystes considèrent généralement un abandon d'étape à étape supérieur à 20 à 25 % comme un signal justifiant une investigation approfondie, même si les seuils acceptables varient sensiblement selon le secteur, le niveau de prix et la complexité intrinsèque du parcours mesuré : les achats à forte considération tolèrent naturellement un abandon un peu plus élevé que les transactions impulsives à faible coût.
Une erreur courante est de considérer le taux d'abandon comme intrinsèquement mauvais et de chercher à l'éliminer entièrement ; un certain abandon à chaque étape est normal et attendu, car tous les visiteurs qui entament un parcours ne sont pas des acheteurs qualifiés ou réellement prêts à ce moment-là. Un autre écueil consiste à analyser l'abandon indépendamment de la qualité du trafic, car un pic soudain d'abandon peut refléter un changement dans la composition des visiteurs, comme une nouvelle campagne publicitaire amenant un trafic moins qualifié, plutôt qu'un nouveau problème réel du parcours lui-même. Segmenter l'abandon par source de trafic, type d'appareil et statut de visiteur nouveau ou récurrent est nécessaire pour éviter de tirer la mauvaise conclusion et de courir après la correction d'un problème qui n'existe pas dans l'expérience sous-jacente. Comparer l'abandon sur une fenêtre glissante, par exemple d'une semaine à l'autre plutôt que sur une seule journée, aide également à distinguer une véritable régression du bruit quotidien ordinaire dans un jeu de données plus petit.
En CRO, l'analyse du taux d'abandon est généralement le point de départ pour prioriser la partie de l'entonnoir à tester en premier, car l'étape présentant le plus fort abandon par rapport à son volume de trafic représente généralement la plus grande opportunité de revenus récupérables. Les consultants s'en servent pour établir une liste hiérarchisée de points de friction, valider les causes présumées par des tests utilisateurs ou des enregistrements de sessions, puis concevoir des expérimentations ciblées, comme simplifier un formulaire, clarifier les prix plus tôt ou ajouter des signaux de confiance près d'un champ de paiement, visant spécifiquement à réduire l'abandon à l'étape identifiée plutôt qu'à apporter des changements larges et dispersés sur toute l'expérience, sans théorie claire de ce qui fera bouger le chiffre.
Autres termes commençant par D
Dark pattern (design trompeur)Conception de tableaux de bord (dashboard design)Gouvernance des données (data governance)Data layer (couche de données)Qualité des données (data quality)Entrepôt de données (data warehouse)Design piloté par les donnéesDefinition of Done (définition de « terminé »)Critique de design (design critique)Dette de design (Design Debt)Design Ops (opérations de design)Design sprint
