Tu n'as pas besoin d'une data team pour savoir si ton produit avance. Tu as besoin de trois outils, de cinq événements, d'un rituel de dix minutes par semaine et de l'habitude d'écrire ce que tu attends avant de lancer quoi que ce soit. « On manque de data » est presque toujours une manière polie de dire « on n'a pas décidé quoi regarder ».
Ce qui te manque, ce n'est pas la donnée
En mission, je vois souvent la même scène. L'équipe a installé un outil d'analytics il y a des mois, il collecte consciencieusement, et personne ne l'ouvre. Quand on pose une question précise — est-ce que la dernière fonctionnalité a changé quelque chose ? — personne ne sait où chercher, et la réunion se termine sur des impressions.
Le problème n'est pas le volume de données. C'est l'absence de question. Une équipe qui sait ce qu'elle veut savoir trouve la réponse avec un tableur. Une équipe qui ne le sait pas ne la trouvera pas avec un entrepôt de données.
La stack minimale du jour 1
Au démarrage, trois briques suffisent. Une demi-journée d'installation, pas trois semaines.
- Un outil de trafic : Plausible ou Google Analytics 4. Il répond à « d'où viennent les gens et sur quelles pages ils arrivent ».
- Un outil d'analytics produit : PostHog, Mixpanel ou Amplitude. Il répond à « que font les gens une fois dans le produit ». PostHog a l'avantage d'un palier gratuit généreux et de regrouper plusieurs fonctions.
- Un outil d'enregistrement de sessions : Hotjar ou un équivalent. Quelques enregistrements regardés sur ta page clé t'apprennent souvent plus qu'un tableau de bord. Tu vois où les gens hésitent, ce qu'ils cherchent et ne trouvent pas.
Et c'est tout. La tentation du jour 1, c'est d'en installer une douzaine parce que chacun promet une réponse. Résultat : des semaines de configuration, des chiffres qui ne concordent pas d'un outil à l'autre, et personne pour les lire.
Quand ajouter les pixels publicitaires
Le pixel Meta, le suivi de conversion Google Ads et leurs cousins n'ont de sens que si tu dépenses réellement en publicité sur ces plateformes. Tant que la publicité n'est pas une ligne de budget que tu dois justifier chaque mois, le temps passé à les paramétrer, à gérer le consentement et à réconcilier leurs chiffres coûte plus que ce qu'il rapporte.
Le jour où tu lances des campagnes, installe-les proprement, avec les événements de conversion qui correspondent à tes cinq événements clés. Pas avant.
Cinq événements, pas cinquante
Tracer quatre-vingts événements, c'est la garantie que personne n'en lira aucun. Tant que tu n'as pas trouvé ton marché, cinq suffisent :
- L'inscription, ou la création de compte.
- L'activation : la première action de valeur, le moment où l'utilisateur comprend ce que le produit fait pour lui. Elle varie d'un produit à l'autre, et la définir est un travail en soi.
- Le retour : l'utilisateur revient après quelques jours et refait l'action de valeur.
- Le paiement, si ton modèle s'y prête.
- Le départ : désinscription, résiliation, ou inactivité prolongée.
Ces cinq événements recoupent directement les étapes du framework AARRR, et ce n'est pas un hasard. Ajoute le reste au fil des questions, quand une question précise le justifie.
Ajoute à ça une donnée qualitative chaque semaine : une phrase d'utilisateur, un retour de support, un verbatim d'entretien. Les chiffres te disent ce qui se passe, les verbatims te disent pourquoi.
Le rituel du lundi
Une feuille de calcul, une seule, avec quatre colonnes : date, métrique, valeur, commentaire. Tu la remplis le lundi matin, en dix minutes. Au bout de quelques mois, tu as une vraie courbe, et surtout des commentaires qui expliquent les cassures.
Puis un message dans un canal d'équipe dédié : inscrits de la semaine, activés, payants, et la phrase utilisateur de la semaine. Tout le monde sait où on en est, sans réunion.
Un outil analytics ne sert que si quelqu'un l'ouvre au moins une fois par semaine. Sinon, désinstalle-le.
Savoir si une fonctionnalité a marché
Avant de lancer, écris noir sur blanc ce que tu attends : quelle métrique doit bouger, dans quel sens, d'environ combien, et dans quel délai. « Cette fonctionnalité doit augmenter l'activation à sept jours de manière visible d'ici un mois. »
Si tu n'arrives pas à formuler cette phrase, tu n'es pas prête à lancer. Pas parce que la fonctionnalité est mauvaise, mais parce que tu ne sauras jamais si elle a servi.
Au terme du délai, trois situations. Tu as atteint ton attente : tu as une bonne raison de penser que c'est la fonctionnalité. Tu ne l'as pas atteinte : tu le sais aussi, et c'est une information. Tu n'avais rien écrit : tu vas raconter l'histoire qui t'arrange. Tout le monde le fait, moi comprise, d'où l'intérêt de l'écrire avant.
Pourquoi l'A/B test classique ne marche pas à petit trafic
L'A/B test est devenu un réflexe, et en early-stage il est souvent une perte de temps. La raison est statistique. Pour distinguer un vrai écart d'une variation due au hasard, il faut beaucoup de conversions par variante. Plus l'écart que tu cherches est petit, plus il en faut.
Avec un trafic modeste, un test sur un détail peut durer des mois. Entre-temps, ta saison a changé, ton offre a bougé, ton canal d'acquisition aussi. Tu compares deux versions dans deux mondes différents, et tu appelles ça un résultat.
L'outil t'affichera quand même un gagnant. C'est le piège : un test non concluant présenté avec un graphique propre ressemble beaucoup à un test concluant.
Tester quand même, autrement
Trois alternatives qui marchent avec peu de monde.
Le test qualitatif. Cinq utilisateurs, deux versions, tu observes ce qu'ils font et tu leur demandes pourquoi. Tu n'obtiens pas une mesure, tu obtiens une compréhension, et à ce stade c'est souvent ce qui manque. Les questions d'entretien qui font parler du réel s'appliquent ici aussi.
Le test séquentiel. Tu déploies A pendant une période, puis B pendant une période équivalente, et tu compares. C'est imparfait, parce que le contexte change entre les deux. Mais c'est honnête si tu le sais et que tu notes ce qui a bougé entre-temps.
Le test radical. Au lieu de tester deux couleurs de bouton, teste deux propositions franchement différentes : deux promesses, deux prix, deux parcours. Plus l'écart entre les versions est grand, plus le signal sort vite, et plus la décision qui en découle compte.
Tu passeras au vrai A/B test quand l'étape testée accumule assez de conversions pour qu'un test se termine en quelques semaines. Avant, c'est de la décoration statistique.
La question avant tout test
Qu'est-ce que je décide différemment selon le résultat ?
Si la réponse est « rien de concret », ne teste pas. Décide, livre, observe. Un test sans décision au bout, c'est de la procrastination outillée.
Ce que je déconseille
Acheter un outil de data avant d'avoir une question. Construire un tableau de bord avant d'avoir un rituel. Suivre une métrique de vanité, comme le nombre de visites, parce qu'elle monte. Et surtout, attendre d'avoir « assez d'utilisateurs » pour commencer à mesurer : avec quelques centaines d'utilisateurs, tu vois déjà si une courbe monte ou descend, et c'est largement suffisant pour décider. La significativité statistique est un besoin de l'A/B test, pas de la lecture de tendance.
Si tu cherches à savoir si ton produit a trouvé son marché, la même discipline s'applique avec d'autres signaux, que je détaille dans les quatre signaux du product-market fit.
Par où commencer cette semaine
Écris tes cinq événements, en précisant ce que veut dire « activé » pour ton produit. Vérifie qu'ils remontent dans un seul outil. Crée la feuille à quatre colonnes et remplis-la lundi. Puis prends la prochaine fonctionnalité de ta roadmap et écris, avant de la lancer, la phrase de ce que tu attends. Tu viens de mettre en place l'essentiel de ce qu'une data team t'apporterait à ce stade.