Comprendre le churn et la rétention est essentiel pour toute entreprise de produits ou d'abonnements. L'analyse de cohortes vous aide à voir combien de temps les utilisateurs restent actifs, comment différents groupes se comportent au fil du temps et où vous pourriez avoir des abandons 📉
Dans cette vidéo, je vous guide à travers un flux de travail simple et réutilisable :
extraire vos données avec SQL
créer des champs de cohortes et d'activités propres
exporter les résultats
et construire un tableau de rétention clair dans Google Sheets 📊
C'est exactement l'approche que j'utilise dans un travail d'analyse réel — propre, reproductible et facile à itérer par la suite.
Si vous souhaitez suivre, voici toutes les ressources 👇
🔥 Article Substack avec code et texte :
📄 Google Sheet (tableau de rétention)
🧾 Requête SQL
📁 Jeu de données d'exemple
Si vous avez des questions ou des idées pour les prochaines vidéos, n'hésitez pas à laisser un commentaire. Dans le prochain épisode, nous irons plus loin et examinerons la valeur à vie du client (LTV) 🔥
0:00 - Pourquoi le churn total est une métrique de vanité
1:10 - Configuration de l'environnement BigQuery
3:55 - La fonction de fenêtre MIN(date) expliquée
6:35 - Calcul de l'âge de paiement avec DATE_DIFF
9:15 - Exportation des résultats vers Google Sheets
12:20 - Construction de la carte de chaleur de rétention (Mise en forme conditionnelle)
#productanalytics #dataanalytics #cohortanalysis #retention #churn
#sqltutorial #googlesheets #analyticsworkflow #datascience #saasmetrics #ltv #customeranalytics