Bruna a trouvé la friction du checkout que ses données de funnel ne pouvaient pas montrer

À propos de Bruna

Bruna est une chaîne de librairies néerlandaise. Elle vend directement en ligne, gère un réseau national de magasins physiques et fait partie d’Audax. Son site joue donc un double rôle : c’est un canal de vente direct et un canal de leads important pour les magasins. La stratégie drive-to-store d’Audax apparaît à plusieurs moments du parcours client, si bien que chaque changement dans le checkout touche à la fois la conversion en ligne et les visites en magasin.

L’étape deux du checkout de Bruna, où les acheteurs choisissent entre la livraison à domicile et le retrait gratuit dans un magasin Bruna. Ce projet a réuni trois partenaires. NeoSEM, l’agence de marketing en ligne de Bruna, a traduit les enseignements en optimisations concrètes et les a mises en œuvre. Exatom a fourni l’analyse des formulaires, les données de comportement au niveau des champs et des benchmarks pertinents. Audax, en tant que maison mère, a fixé le cadre drive-to-store dans lequel les changements devaient s’inscrire.

Le défi

Bruna et NeoSEM avaient accès à des données de funnel au niveau des étapes. Ils voyaient à quelle étape les visiteurs quittaient le checkout ou la création de compte, mais pas pourquoi. La friction au niveau des champs était totalement invisible.

Bruna voyait quelle étape du checkout perdait des acheteurs, mais pas quel champ en était la cause.

• Uniquement des données de funnel. Dans ce type de projet, NeoSEM se limitait normalement aux données de funnel disponibles.
• Deux parcours concernés. Le checkout et la création de compte pilotée par le CRM avaient tous deux un impact direct sur le chiffre d’affaires et la valeur vie client.
• Chaque changement pesé deux fois. Comme le site génère aussi des visites en magasin, aucune optimisation ne pouvait être jugée sur la seule conversion en ligne.

L’objectif était une croissance structurelle de la conversion sur le checkout et la création de compte, en trouvant et en éliminant la friction dans les deux.

La solution

Le projet s’est déroulé en deux phases. Lors du lancement, Exatom et Bruna ont défini le périmètre, les priorités, la répartition des rôles et les dépendances entre eux.

Les balises Exatom ont ensuite été mises en ligne. La mesure est entièrement sans cookies et privacy-first : aucune donnée personnelle n’est stockée et aucun consentement via une bannière cookies n’est nécessaire. Les données étaient donc complètes et non faussées par les visiteurs qui refusent le consentement, ce qui compte le plus dans un checkout. Dès lors, chaque champ de saisie a enregistré les interactions, les erreurs, les corrections, le comportement de remplissage automatique et le temps passé, sans qu’aucune session ni aucun visiteur ne soit identifiable individuellement. Les règles de validation, les attributs HTML comme type et autocomplete, et les messages d’erreur ont été lus automatiquement sur la page.

Avant le début de l’analyse, l’équipe a validé les données et confirmé que chaque événement était correctement enregistré. Elle disposait ainsi d’un jeu de données fiable sur lequel fonder l’analyse.

Pendant la phase d’analyse, NeoSEM a travaillé dans Exatom avec cinq mesures par champ : taux d’erreur, taux de correction, taux de remplissage automatique, taux de conversion moyen et temps jusqu’à la conversion. Les benchmarks d’Exatom ont aidé à étayer les pistes d’amélioration et à fixer les priorités.

Comment Exatom aide Bruna

Rétablir le remplissage automatique avec les bons attributs HTML

L’Analyse des formulaires lit les attributs HTML de chaque champ, et plusieurs champs avaient les mauvais. Quand la bonne valeur autocomplete manque, le navigateur ne peut pas remplir le champ automatiquement.

Les données ont montré ce que cela coûtait : un taux de remplissage automatique plus faible et un temps jusqu’à la conversion plus long. Les visiteurs devaient tout saisir eux-mêmes, taper plus souvent, se corriger plus souvent et comprendre seuls le contexte de chaque champ. Cela augmente la charge cognitive, et avec elle le risque qu’un visiteur parte. Les attributs ont été corrigés, pour un taux de remplissage automatique plus élevé et un temps jusqu’à la conversion plus court.

Supprimer un champ obligatoire que personne n’utilisait

Dans le checkout comme dans la création de compte, les visiteurs devaient renseigner une civilité. C’était un champ obligatoire, présenté sous forme de boutons radio, et les visiteurs le négligeaient souvent. Il s’est révélé être la principale source de messages d’erreur à la première étape.

L’information aurait pu servir au marketing, mais ce n’était pas le cas. L’équipe a donc choisi de supprimer complètement le champ.

Accepter les initiales dans le champ prénom

Un simple champ de nom posait aussi problème. Les visiteurs saisissaient régulièrement leur seule initiale dans le champ prénom, alors que la validation exigeait au moins deux caractères. Une initiale seule déclenchait un message d’erreur, ce qui augmentait la charge cognitive et entraînait des abandons.

La solution a consisté à abaisser le minimum, pour qu’une initiale soit acceptée.

Supprimer les devinettes du champ code promo et carte cadeau

Le champ code promo et carte cadeau s’est révélé complexe. Un même parcours prend en charge plusieurs types de cartes aux règles très différentes : des cartes numériques de longueur fixe, des codes alphanumériques à structure variable et, dans certains cas, un code PIN obligatoire. Toute cette complexité retombait sur l’acheteur. Sans structure claire, sans mise en forme automatique ni validation par type de carte, les acheteurs devaient deviner eux-mêmes le format attendu.

Les données montraient un taux d’erreur, un taux de correction et un temps jusqu’à la conversion élevés sur ce champ. Cela se produisait précisément au moment où l’acheteur avait déjà décidé d’acheter, ce qui transformait un champ secondaire en risque pour la conversion. Le champ a été restructuré avec une validation par type de carte, une mise en forme automatique et des messages d’erreur plus clairs.

Rendre le bouton de paiement visible sur mobile

Sur mobile, la dernière étape du checkout commence par répéter le détail de la commande. En combinant ces données avec des heatmaps, l’équipe a conclu que trop peu de visiteurs voyaient immédiatement le bouton « Commander et payer ».

NeoSEM a conçu une mise en page plaçant le bouton plus haut à l’écran et l’a déployée comme expérience dans sa plateforme de test. L’objectif était un taux de démarrage plus élevé sur la dernière étape du checkout et, au bout du compte, davantage d’achats.

Les résultats

• Un taux de remplissage automatique plus élevé et un temps jusqu’à la conversion plus court, grâce à la correction des attributs HTML pour que les navigateurs puissent de nouveau remplir les champs.
• La principale source de messages d’erreur de l’étape un a disparu, car le champ civilité, qui n’avait aucun usage marketing, a été supprimé.
• Des règles plus claires sur deux champs, grâce à une validation du prénom qui accepte les initiales et à un champ code promo et carte cadeau avec validation et mise en forme par type de carte.
• Une expérience mobile sur la dernière étape, qui teste un bouton de paiement placé plus haut pour augmenter le taux de démarrage de la dernière étape du checkout.

Ce cas montre que la conversion d’un checkout ne se perd pas seulement dans les grandes étapes. Souvent, elle fuit par de petits détails techniques dans des champs isolés. Avec Exatom, une friction que les données de funnel classiques ne montrent structurellement pas est devenue visible. Il en a résulté des décisions plus précises, des expériences ciblées et des optimisations qui s’attaquent directement à la charge cognitive et au comportement des visiteurs, avec une conversion manifestement plus élevée à la clé.

Chez Bruna, nous avons déployé Exatom pour localiser précisément la friction dans le checkout et la création de compte. Pas au niveau des sessions, mais au niveau des champs. Il est ainsi devenu immédiatement clair où les utilisateurs bloquaient, hésitaient ou faisaient des erreurs inutiles. Ces enseignements étaient assez concrets pour agir tout de suite. Exatom correspond parfaitement à notre approche du CRO : fondée sur les données, pragmatique et centrée sur des résultats mesurables.

Klaas Bongers
E-commerce Manager, Bruna.nl

Et ensuite

La balise qui mesure les champs enregistre aussi des replays de session de formulaire, si bien que la question suivante peut trouver sa réponse en observant ce que font les visiteurs sur un champ, et pas seulement en comptant. Pour le champ carte cadeau, les Smart Nudges pourraient expliquer le format attendu au moment où un acheteur hésite, et les Autofixes pourraient bloquer une saisie invalide avant que la validation ne la rejette, sans développeur. Ce sont des suggestions, pas des déploiements.

D’autres e-commerçants ont déjà suivi cette voie. Brooks Running EMEA a étendu ses correctifs de champs à toute l’Europe, et INNO a augmenté le taux d’achèvement de la dernière étape avec un seul Smart Nudge. Eureka, l’assistant CRO basé sur l’IA d’Exatom, transforme ces mêmes données de champs en une liste priorisée de correctifs. Pour savoir où la conversion fuit dans votre propre checkout ou vos formulaires, demandez une démo ou consultez les tarifs.