Analyser le parcours client numérique : un nouveau cadre pour la modélisation séquentielle des comportements

Pourquoi vos clics dans les applications de santé comptent

Chaque tapotement, balayage et écran ouvert dans une application de santé raconte discrètement une histoire sur ce que vous cherchez à faire — prendre rendez‑vous, consulter des résultats de laboratoire ou lire un message. Quand des millions de personnes utilisent ces applications, ces histoires s’accumulent pour former d’énormes enregistrements emmêlés qu’il est presque impossible de lire à l’œil nu. Cet article présente une nouvelle façon de démêler ces traces afin que les prestataires de santé puissent voir les parcours principaux empruntés par les utilisateurs, repérer les points de blocage et repenser leurs services numériques pour les rendre plus fluides, plus sûrs et moins frustrants.

Du chaos des clics à des parcours clairs

Les auteurs s’intéressent au « parcours client numérique », c’est‑à‑dire à la séquence d’étapes qu’une personne suit en utilisant un site web ou une application mobile pour accomplir une tâche. Dans des services en ligne très fréquentés — comme le commerce électronique, la banque ou la santé — il peut exister d’innombrables chemins possibles, menant à ce que les concepteurs appellent un « modèle spaghetti » : une carte désordonnée et chevauchante de clics qu’il est impossible d’interpréter. L’étude s’attaque à ce problème en utilisant des données provenant de l’application mobile d’une grande organisation israélienne de soins gérés, où environ 120 000 utilisateurs généraient près de 5,5 millions d’événements par jour. L’objectif est de condenser cette complexité en un petit ensemble de parcours typiques qui préservent néanmoins l’essence de la manière dont les gens naviguent réellement dans l’application.

Apprendre aux algorithmes à reconnaître les tâches courantes

La première partie du cadre considère chaque session utilisateur — une visite de l’application depuis la connexion jusqu’à la déconnexion — comme si c’était un court document composé de « mots », chaque mot représentant une action comme l’ouverture d’un écran ou l’appui sur un bouton. Une technique appelée topic modeling, initialement conçue pour repérer des thèmes dans de grandes collections de textes, est utilisée pour regrouper les sessions partageant des actions similaires. En termes simples, l’algorithme apprend que certaines sessions portent principalement sur la prise de rendez‑vous, d’autres sur la consultation de résultats d’analyses, et d’autres encore sur l’envoi de messages à un médecin. Une version plus avancée peut même organiser ces thèmes en arbre, montrant des sujets généraux en haut (par exemple « interactions avec le médecin ») qui se divisent en sujets plus spécifiques (comme « demande d’ordonnance » ou « lecture des messages du médecin »).

Suivre les étapes, pas seulement les compter

Savoir quelles actions ont tendance à apparaître ensemble ne suffit qu’à moitié ; ce qui importe vraiment, c’est l’ordre dans lequel elles se produisent. Dans la deuxième partie du cadre, les auteurs détaillent chaque groupe de sessions et modélisent le flux étape par étape à l’aide de chaînes de Markov, une méthode mathématique simple pour estimer la probabilité qu’une action suive une autre. Cela permet de mettre en évidence les chemins les plus typiques au sein de chaque type de parcours et de voir quels clics mènent souvent directement à une impasse, comme une erreur technique ou une sortie prématurée de la session. En comparant la façon dont le topic modeling et le modèle pas à pas attribuent les sessions aux groupes, la méthode peut aussi signaler des parcours « ambigus » où les utilisateurs semblent mêler plusieurs tâches — des indices utiles indiquant que le design de l’application ne correspond peut‑être pas à la façon dont les gens pensent réellement.

Des problèmes concrets révélés dans une application de santé

L’application de ce cadre à l’application de santé a permis de dévoiler des problèmes de conception concrets difficiles à repérer manuellement. Dans un parcours lié aux rendez‑vous, le chemin réel le plus fréquent se terminait par un message d’erreur au lieu de l’écran de confirmation attendu, révélant une défaillance technique à l’étape finale du processus. Dans un autre cas, des utilisateurs consultant des résultats de laboratoire cliquaient souvent sur un bouton censé expliquer le nom d’un test ; au lieu d’afficher l’information dans l’application, il les redirigeait vers un site externe, après quoi beaucoup quittaient simplement leur session. L’analyse a aussi montré comment des groupes d’âge différents utilisent la même fonctionnalité de manière distincte — par exemple, des utilisateurs plus jeunes prenant davantage de rendez‑vous au nom de membres de leur famille — suggérant des pistes pour adapter l’expérience à des segments spécifiques.

Ce que cela signifie pour les utilisateurs quotidiens

Pour les non‑spécialistes, le message clé est que l’analyse fine des données au niveau des clics peut aller au‑delà de jolis schémas et identifier précisément les écrans et les étapes qui causent confusion, perte de temps ou tâches abandonnées. En combinant deux outils complémentaires — l’un qui identifie les principaux types de parcours et l’autre qui retrace les chemins les plus probables action par action — le cadre offre aux organisations de santé un moyen concret d’améliorer leurs applications, de réduire les erreurs et d’aider les personnes à accomplir des tâches vitales en ligne. La même approche peut s’appliquer au commerce, à la banque et aux plateformes d’apprentissage, rendant les services numériques plus intuitifs et fiables sans demander aux utilisateurs autre chose que ce qu’ils font déjà : utiliser l’application.

Citation: Bar-El, L., Chalutz-BenGal, H., Gazit, S. et al. Analyzing the digital customer journey: a novel framework for sequential behavior modeling. Sci Rep 16, 14553 (2026). https://doi.org/10.1038/s41598-026-43762-8

Mots-clés: parcours client numérique, applications de santé, comportement des utilisateurs, analyse des journaux d’événements, modélisation séquentielle