# Analyseur de cohortes, RFM et entonnoir Collez un CSV de commandes ou d'événements et obtenez la pile growth en une page : triangle de rétention avec carte thermique, RFM en quintiles mappé sur les dix segments de cycle de vie, et entonnoir à ordre strict. > Page canonique: https://elysiatools.com/fr/tools/cohort-retention-rfm-funnel-analyzer - **Catégorie:** Data Visualization - **Mots-clés:** analyse de cohortes, rétention, rfm, churn, entonnoir, segmentation clients, growth ## Présentation Une couche sémantique sur votre journal de transactions, pas un énième graphique générique. Les cohortes se forment au mois (ou semaine ISO) de la première commande ; la rétention est la part qui commande à nouveau chaque période — triangle thermique avec effectifs par cellule, rétention moyenne pondérée et meilleurs/pires cohortes. Le RFM suit la méthode standard : quintiles 1–5 de Récence, Fréquence et Montant, code à trois chiffres mappé sur dix segments (Champions, Fidèles, Fidèles potentiels, Nouveaux, Prometteurs, À surveiller, À risque, Incontournables, En hibernation, Perdus) avec part de base, panier moyen et action recommandée. L'entonnoir ne compte un utilisateur à une étape que s'il a franchi la précédente plus tôt dans le temps. En-têtes flexibles : user/customer, date/timestamp, amount/revenue, event/action. ## Entrées - **Bestellungs-/Ereignis-CSV** (textarea): user_id,date,amount u1,2026-01-05,120 u1,2026-02-03,80 u2,2026-01-08,200 - **Kohortenzeitraum** (select) - **Anzuzeigende Perioden** (number) - **Analyse Datum** (text): defaults to the newest date in the CSV - **Funnel-Schritte (optional)** (text): signup, cart, checkout, purchase — needs an event column ## Quand l'utiliser - Évaluer l'évolution du taux de réachat et de l'attrition (churn) mois par mois ou semaine par semaine. - Segmenter une base clients en quintiles RFM pour cibler les campagnes de fidélisation ou de réactivation. - Mesurer les taux de passage réels d'un parcours d'achat multi-étapes dans un ordre chronologique strict. ## Fonctionnement - Collez votre fichier CSV contenant au minimum les colonnes d'identifiant utilisateur, de date et de montant (ou d'événement). - Sélectionnez la granularité temporelle des cohortes (mensuelle ou hebdomadaire ISO) et le nombre de périodes à afficher. - Renseignez éventuellement les étapes de l'entonnoir séparées par des virgules et fixez une date de référence pour l'analyse. - Générez le rapport visuel combinant la carte thermique de rétention, les métriques RFM par segment et les taux de conversion de l'entonnoir. ## Cas d'usage - Analyse de la rétention post-achat pour un site e-commerce souhaitant optimiser la valeur vie client (LTV). - Identification des clients stratégiques inactifs (« Incontournables » ou « À risque ») pour des campagnes marketing ciblées. - Audit des points de friction d'un tunnel de commande allant de l'inscription jusqu'au paiement validé. ## Questions fréquentes ### Quels formats de colonnes sont acceptés dans le CSV ? L'outil détecte automatiquement les synonymes courants tels que user_id ou customer, date ou timestamp, amount ou revenue, ainsi que event ou action. ### Comment sont calculées les cohortes de rétention ? Chaque utilisateur est assigné à une cohorte selon la date de sa première commande, puis l'outil calcule la proportion qui commande à nouveau lors des périodes suivantes. ### Quels sont les segments de cycle de vie issus du modèle RFM ? Les scores découpent la base en 10 segments : Champions, Fidèles, Fidèles potentiels, Nouveaux, Prometteurs, À surveiller, À risque, Incontournables, En hibernation et Perdus. ### Comment fonctionne l'entonnoir à ordre strict ? Un utilisateur n'est comptabilisé à une étape donnée que s'il a validé toutes les étapes précédentes dans un ordre chronologique rigoureux. ### Que se passe-t-il si la date d'analyse n'est pas renseignée ? L'outil prend automatiquement par défaut la date la plus récente présente dans votre fichier CSV pour calculer la récence RFM. ## Outils associés - [Reconstructeur de puissance critique et W′bal en course (Stryd)](https://elysiatools.com/fr/tools/stryd-running-power-critical-power-and-w-prime-bal-reconstructor): Déduisez CP et W′ d’un test de 3 minutes, de paires puissance–durée ou d’essais distance–temps, puis rejouez une session Stryd (.fit/.tcx/CSV) : W′bal selon les modèles intégral de Skiba 2012 et différentiel de Froncioni/Skiba/Clarke, prévision d’épuisement, zones Stryd et graphique double. - [Analyseur de prevision et de saisonnalite](https://elysiatools.com/fr/tools/time-series-forecast-seasonality-analyzer): Projette des periodes futures a partir de donnees CSV ou JSON et affiche tendance, saisonnalite et residus - [Calculateur de Coefficient de Variation](https://elysiatools.com/fr/tools/coefficient-of-variation): Calculer le coefficient de variation (CV) pour les colonnes numériques pour mesurer la variabilité relative - [Analyseur de Corrélation](https://elysiatools.com/fr/tools/correlation-analyzer): Outil avancé d'analyse de corrélation qui calcule les coefficients de corrélation entre les variables pour mesurer la force et la direction de leurs relations linéaires. - [Studio de graphiques CSV : histogramme, nuage de points et boîtes](https://elysiatools.com/fr/tools/csv-histogram-scatter-box-plot-chart-studio): Chargez ou collez un CSV et tracez aussitôt : histogrammes selon Sturges / Freedman-Diaconis / Scott, nuage de points avec r de Pearson et droite des moindres carrés, boîtes de Tukey — chaque graphique téléchargeable en PNG et SVG. - [Processeur de Limites de Données](https://elysiatools.com/fr/tools/data-boundary-processor): Outil avancé de traitement des limites qui identifie et gère les valeurs minimales et maximales dans les données numériques. Parfait pour la validation des données, la vérification des plages, l'analyse statistique et le prétraitement des données. - [Déduplicateur CSV](https://elysiatools.com/fr/tools/data-deduplicator): Supprimer les lignes en double basées sur des colonnes - [Normalisateur Min-Max](https://elysiatools.com/fr/tools/data-normalizer-minmax): Normaliser les données numériques en utilisant la mise à l'échelle Min-Max pour transformer les valeurs dans une plage de 0-1. Parfait pour le prétraitement machine learning, l'analyse de données et la mise à l'échelle des caractéristiques. ## Exemples - [Traitement de Chaînes Windows - Exemples C#](https://elysiatools.com/fr/samples/windows-string-processing-csharp): Exemples complets de traitement de chaînes C# pour plateforme Windows incluant manipulation, division, jonction, expressions régulières et analyse de texte - [Exemples CSV](https://elysiatools.com/fr/samples/csv-samples): Fichiers CSV d'exemple avec divers types de données, tailles et niveaux de complexité - [Exemples Python](https://elysiatools.com/fr/samples/python): Exemples de code Python et démonstrations Hello World - [Échantillons d'Analyseur de Chemin](https://elysiatools.com/fr/samples/path-analyzer): Collection complète de chemins de système de fichiers de Windows, Linux et macOS pour l'analyse et les tests de chemins