Analyse de Cohortes SaaS : Lire la Rétention

Votre cohorte de mars churne à 40 % en 90 jours. Votre cohorte de juin churne à 12 %. Même produit. Même prix. Quelque chose a changé entre les deux, et l’analyse de cohortes est l’outil qui rend ce changement visible.

L’analyse de cohortes regroupe les clients par date d’inscription et suit leur comportement dans le temps, pour voir quelles versions de votre produit retiennent les clients. Ce guide explique comment elle fonctionne, comment la construire depuis Stripe, et comment lire les patterns qu’elle révèle. Pour comprendre pourquoi le churn compte en premier lieu, lisez le guide complet du churn SaaS.

Analyse de Cohortes pour les Fondateurs SaaS : Lire la Rétention Sans Data Team

L’analyse de cohortes regroupe les clients par caractéristique commune, généralement leur date d’acquisition, et suit un comportement spécifique (rétention, revenus) dans le temps pour chaque groupe.

Une cohorte = clients ayant souscrit le même mois (ou la même semaine, ou la même version produit)
L’analyse = quel % de chaque cohorte est encore actif à 30, 60, 90, 180 jours

Pourquoi l’analyse de cohortes bat les métriques agrégées : la rétention agrégée cache le fait que vos nouvelles cohortes peuvent être catastrophiques pendant que les anciennes soutiennent la moyenne. Un taux de rétention global de 75 % peut signifier que chaque cohorte retient à 75 %, ou que les anciennes retiennent à 90 % pendant que les nouvelles tombent à 60 %. Seule l’analyse de cohortes met cet écart sur la table.

On ne corrige pas ce qu’on ne voit pas. Utilisez l’analyse de cohortes pour calculer votre taux de rétention global en contexte.

À quoi ressemble un tableau de cohortes ?

Cohorte	Mois 0	Mois 1	Mois 2	Mois 3
Janv. 2025	100 %	72 %	61 %	55 %
Févr. 2025	100 %	68 %	57 %	51 %
Mars 2025	100 %	81 %	74 %	70 %

Chaque ligne = une cohorte d’inscription. Chaque colonne = combien paient encore N mois plus tard.

La cohorte de mars est visiblement plus forte. Quelque chose a changé pour le mieux en mars. Vous avez peut-être lancé un nouveau parcours d’onboarding. Un bug critique a peut-être été corrigé. Un nouvel article de blog a peut-être attiré des clients mieux qualifiés. L’analyse de cohortes fait remonter le changement à la surface ; à vous de diagnostiquer la cause.

C’est ce que la rétention par cohorte signifie en pratique : pas un chiffre agrégé, mais un tableau qui montre la santé de chaque promotion de clients dans le temps.

Comment construire un tableau de cohortes depuis Stripe

Pas-à-pas (version minimale) :

Exportez les clients avec leur date created depuis Stripe
Exportez tous les événements invoice.paid par client
Pour chaque client : marquez les mois où il a payé (mois 0 = mois d’inscription, mois 1 = un mois plus tard, etc.)
Regroupez les clients par mois d’inscription (cohorte)
Calculez le % de chaque cohorte qui a payé à chaque mois suivant

Note honnête : construire une analyse de cohortes manuellement est fastidieux. Stripe ne propose pas cette vue nativement, et un tableur s’effondre rapidement au-delà de 100 clients.

Outils qui font ça automatiquement : NoNoiseMetrics, ChartMogul, Baremetrics. Pour un modèle d’analyse de cohortes sur données Stripe, commencez par poser un dashboard de base, puis branchez la cohorte par-dessus.

Comment lire et interpréter une analyse de cohortes

Comment interpréter une analyse de cohortes : cherchez ces quatre patterns. Cette approche s’aligne sur le framework SaaS metrics de David Skok — les patterns de rétention vous en disent plus que n’importe quel chiffre isolé.

La falaise de rétention (mauvais)

Drop rapide en mois 1 (ex : 100 % → 40 %) = problème d’activation. Les clients se sont inscrits mais n’ont jamais vu la valeur. Ils ne résilient pas parce qu’ils sont mécontents, ils résilient parce qu’ils n’ont jamais vraiment commencé.

Correction : séquence d’onboarding, milestone d’activation.

La fuite lente (mauvais mais corrigeable)

Déclin progressif : 100 % → 85 % → 72 % → 61 %. Churn régulier sans plancher. Probablement un problème de product-market fit ou des alternatives qui érodent votre position.

Correction : enquêtes de sortie, analyse des manques fonctionnels. Mais c’est plus long, vous luttez contre une dérive produit.

La courbe en sourire (bon)

Drop initial fort, puis plateau : 100 % → 65 % → 60 % → 59 %. Les clients qui survivent au mois 1 restent presque indéfiniment. C’est le pattern que vous voulez. Votre problème de churn est un problème d’activation, pas de rétention, ce qui est beaucoup plus facile à corriger.

Correction : améliorer l’activation au mois 1. Tout le reste s’améliore automatiquement.

Cohortes en amélioration (excellent)

Chaque nouvelle cohorte retient mieux que la précédente. Mars > Février > Janvier. Quelque chose que vous avez changé fonctionne, et l’analyse de cohortes est le seul endroit où ce signal devient visible.

C’est le signal à suivre : trouvez le changement et doublez la mise.

Cohortes revenus vs cohortes clients

Même concept, unité de mesure différente :

Métrique	Ce qu’elle suit	Quand l’utiliser
Cohorte clients	% de clients encore actifs	Pricing uniforme
Cohorte revenus	% du MRR de départ encore payé	Plans à prix mixtes

L’analyse de cohortes revenus est plus utile si vous avez plusieurs paliers de prix. Elle montre si vos clients à plus haute valeur churnent plus vite ou plus lentement que la moyenne — c’est une question diagnostique complètement différente.

Tableau de cohortes revenus : exemple concret

Cohorte	MRR de départ	M1	M2	M3	M4	M5	M6
Oct. 2025	4 200 €	91 %	85 %	82 %	80 %	79 %	78 %
Nov. 2025	3 800 €	88 %	80 %	74 %	71 %	—	—
Déc. 2025	5 100 €	93 %	89 %	86 %	—	—	—
Janv. 2026	4 600 €	90 %	84 %	—	—	—	—
Févr. 2026	3 200 €	87 %	—	—	—	—	—
Mars 2026	4 900 €	94 %	—	—	—	—	—

Les cohortes de décembre et mars retiennent nettement mieux que les autres. C’est votre signal pour enquêter : qu’est-ce qui a changé ? L’analyse de cohortes fait remonter l’anomalie ; votre travail est d’en trouver la cause et de la répliquer.

Les cohortes revenus révèlent ce que les cohortes clients cachent : si vos clients à haute valeur churnent plus vite ou plus lentement. Si vos clients à 99 €/mois partent plus vite que ceux à 19 €/mois, vous avez un problème de fit de valeur en haut du pricing. Le correctif n’est pas « réduire le churn », c’est « rétablir la proposition de valeur du meilleur plan ».

Pour un regard plus profond, voyez NRR : Net Revenue Retention pour bootstrappers.

Quand l’analyse de cohortes change vos décisions

Les chiffres sont intéressants. Les décisions sont utiles. Voici quand les données issues d’une analyse de cohortes changent vraiment ce que vous faites.

1. Valider une expérimentation d’onboarding

Vous avez redessiné l’onboarding en février. Votre cohorte de mars affiche une rétention à 81 % au mois 1, contre 72 % en janvier et février. Ce n’est pas du bruit : c’est une amélioration de 9 points sur la fenêtre la plus critique. L’analyse de cohortes est ce qui isole l’expérimentation du reste du bruit. Doublez la mise sur le nouvel onboarding et continuez à l’affiner.

2. Mesurer la qualité d’un canal

Vos cohortes organiques retiennent à 85 % au mois 3. Vos cohortes payantes retiennent à 55 % au mois 3. Même produit, même prix, même onboarding, des résultats de rétention complètement différents. La différence vient de la qualité de l’audience.

Ça ne veut pas dire « stop au paid ». Ça veut dire soit corriger le ciblage (audience plus étroite), soit accepter que l’acquisition payante embarque une pénalité de rétention intégrée et ajuster votre CAC en conséquence.

3. Lire l’impact d’un changement de prix

Vous avez augmenté les prix en janvier. Si la cohorte de janvier retient aussi bien ou mieux que celle de décembre, le prix plus élevé a sélectionné des clients mieux qualifiés. Si la rétention baisse, l’augmentation a attiré des clients plus sensibles au prix. Dans les deux cas, l’analyse de cohortes rend le verdict lisible.

L’analyse de cohortes transforme un changement de prix en expérience mesurée — et c’est ce tableau qui permet de défendre la décision en revue de board.

La différence entre rétention agrégée et analyse de cohortes, c’est la différence entre churn de revenus et churn de clients : l’un cache l’histoire, l’autre la raconte.

Analyse de cohortes avancée : aller plus loin

Une fois que vous savez lire un tableau de base, segmentez-le. Comme le souligne les 16 SaaS Metrics d’a16z, les meilleurs opérateurs vont au-delà des chiffres globaux et descendent au niveau des cohortes. Une analyse de cohortes segmentée est là où la valeur diagnostique réelle se trouve :

Par canal d’acquisition : organique vs payant vs referral. Quel canal apporte des clients qui restent ?
Par plan tarifaire : mensuel vs annuel. Les plans annuels affichent presque toujours une meilleure rétention.
Par taille d’entreprise (en B2B) : les TPE churnent-elles plus vite que le mid-market ?
Par segment client : groupez les clients par comportement, plan ou cas d’usage pour faire émerger les segments qui retiennent le mieux.

Objectif : trouver le segment de cohorte avec la meilleure rétention, puis comprendre ce qui distingue ces clients. C’est votre cible idéale d’acquisition. Faites tourner cette analyse de cohortes segmentée chaque trimestre, et votre stratégie d’acquisition commence à s’écrire toute seule.

FAQ

À quoi sert l’analyse de cohortes en SaaS ?

En SaaS, l’analyse de cohortes mesure la rétention dans le temps pour des groupes ayant souscrit sur la même période. Elle révèle si les améliorations produit améliorent vraiment la rétention, et quels canaux apportent les clients les plus fidèles. C’est un outil diagnostique, pas de reporting : elle dit pourquoi la rétention bouge.

À quelle fréquence faire une analyse de cohortes ?

Mensuelle est la cadence standard pour la plupart des SaaS bootstrappés. Si vous faites des changements produit significatifs, passez en hebdomadaire pour voir l’impact sur les cohortes récentes plus vite. Pour des SaaS plus matures, une analyse de cohortes trimestrielle suffit à repérer les patterns structurels.

Quelle différence entre analyse de cohortes et taux de rétention ?

Le taux de rétention est un nombre agrégé unique. L’analyse de cohortes est un tableau qui montre la rétention pour plusieurs groupes sur plusieurs périodes. Une analyse de cohortes permet de voir quels clients font monter ou baisser votre taux. Le taux global peut sembler stable pendant que les nouvelles cohortes se dégradent — l’analyse de cohortes montre cette dégradation.

Ai-je besoin d’une équipe data pour l’analyse de cohortes ?

Non. Un tableur peut faire une analyse de cohortes basique si vous savez exporter les données Stripe. Des outils comme NoNoiseMetrics ou ChartMogul construisent l’analyse de cohortes automatiquement. Les maths sont simples ; c’est l’extraction et la mise en correspondance des données qui sont fastidieuses manuellement.

Peut-on faire une analyse de cohortes dans un tableur ?

Oui, mais une analyse de cohortes dans un tableur est fastidieuse. Exportez les clients Stripe par mois d’inscription, croisez avec les factures payées et calculez la rétention manuellement. Un tableur tient bien jusqu’à 50 clients. À 200 et plus, vous voulez de l’automatisation : croiser des factures avec des dates d’inscription sur plusieurs mois devient rapidement source d’erreurs. Des outils comme NoNoiseMetrics construisent l’analyse de cohortes depuis Stripe automatiquement, mise à jour à chaque sync.

Quel est un bon taux de rétention au mois 1 dans une analyse de cohortes ?

Pour un SaaS B2B, une rétention au mois 1 au-dessus de 80 % est solide. Entre 65 et 80 %, c’est tenable mais ça indique un trou dans l’onboarding. En dessous de 65 %, la plupart des clients n’ont jamais vécu assez de valeur pour justifier de payer à nouveau. Dans votre analyse de cohortes, c’est un problème d’activation, pas de rétention, et le correctif est dans la première expérience d’usage.

Comment combiner analyse de cohortes et NRR ?

L’analyse de cohortes montre quels groupes retiennent. Le NRR dit si votre base existante grossit ou rétrécit en revenus. Ensemble, ils répondent : les nouvelles cohortes retiennent-elles assez pour soutenir la croissance ? Si le NRR est sous 100 % et que votre analyse de cohortes montre une rétention en baisse mois après mois, vous avez un problème cumulatif. Voyez le guide NRR pour bootstrappers.

Qu’est-ce que l’analyse de cohortes ?

L’analyse de cohortes regroupe les clients par leur date d’inscription (ou un autre trait commun) et suit leur comportement dans le temps. Elle révèle si les nouvelles cohortes retiennent mieux que les anciennes, vous aidant à mesurer l’impact réel des changements produit sur la rétention à long terme. Contrairement aux taux de rétention agrégés, l’analyse de cohortes montre la trajectoire de chaque groupe de clients séparément, pour voir si votre produit devient meilleur à garder les gens, ou moins bon.

Votre analyse de cohortes est cachée dans vos données Stripe. NoNoiseMetrics la construit automatiquement, vous voyez quelles cohortes fuient et lesquelles tiennent. Gratuit jusqu’à 10 k€ MRR →

Suivant : Dashboard SaaS en un jour pour inclure l’analyse de cohortes dans votre revue hebdomadaire →

Sources : OpenView 2024 SaaS Benchmarks, Bessemer State of the Cloud 2024, David Skok. SaaS Metrics 2.0, a16z, 16 Startup Metrics