Le problème
Le piège des métriques de vanité
Beaucoup d’équipes fondatrices présentent des chiffres qui impressionnent en réunion mais ne disent rien sur la santé réelle du business. Les téléchargements cumulés, le nombre de comptes créés, les visites sur la page d’accueil ou les mentions sur les réseaux sociaux peuvent monter pendant que la trésorerie fond et que personne ne paie réellement pour la valeur promise. Le problème n’est pas d’afficher ces indicateurs en soi : c’est de les traiter comme preuves de traction, d’investissement ou de product-market fit. Une courbe qui monte rassure les investisseurs distraits, rassure l’équipe et masque l’absence de preuves causales entre ce que vous construisez et ce que les clients achètent ou gardent. Le symptôme le plus visible est le décalage entre l’enthousiasme interne et la réalité du pipeline : beaucoup d’activité en amont, peu de revenus récurrents, peu de renouvellements, peu de références clients payantes. Les vanity metrics déplacent la conversation vers le volume apparent plutôt que vers la qualité de l’usage, la rétention et l’unit economics. Elles encouragent des décisions marketing ou produit optimisées pour le spectacle plutôt que pour la durabilité.
À l’échelle d’un board, elles permettent souvent d’éviter les questions gênantes sur la qualité des revenus, la concentration client ou la marge après support. Les annonces de partenariats non chiffrés et les “pilotes en cours” sans échéance nourrissent la même fuite en avant narrative. Quand une métrique de vanité devient objectif officiel, les incentives se déplacent vers le court terme : campagnes agressives, friction d’inscription, promesses marketing disproportionnées. Le vrai coût est organisationnel : sans gouvernance explicite des indicateurs, le chiffre le plus facile à produire gagne toujours la réunion, même quand il éloigne l’équipe de la viabilité. Les équipes les plus honnêtes souffrent en silence parce qu’elles comparent leur réalité interne au highlight reel public des autres startups. Rompre ce cycle demande d’accepter des courbes plus modestes mais explicables causalement : c’est moins photogénique, infiniment plus utile pour décider.
Pourquoi ça échoue
Pourquoi on y retombe sans s’en rendre compte
La pression narrative pousse à montrer une histoire de croissance. Les tableaux de bord par défaut des outils analytics mettent en avant le trafic et les événements faciles à compter. Les parties prenantes externes demandent souvent des chiffres “grands” avant de creuser la méthodologie. Cognitivement, un nombre qui augmente réduit l’anxiété : il donne l’illusion de contrôle même quand la base est fragile. Les équipes techniques aiment instrumenter ce qui est simple (événements, sessions) plutôt que ce qui est difficile (cohortes, valeur lifetime, marge par segment). L’alignement organisationnel fragmente la responsabilité : le marketing optimise les leads, le produit les activations, et personne ne porte explicitement la métrique qui lie l’ensemble au cash. Enfin, comparer sa startup à des benchmarks publics (souvent eux-mêmes orientés vanity) normalise des objectifs superficiels. Tant que la rémunération et les OKR ne sanctionnent pas la profondeur des métriques, les indicateurs flatteurs restent la voie de moindre résistance sociale et émotionnelle.
Le biais de disponibilité fait préférer ce qui est déjà dans l’outil : un graphique de trafic est à un clic, alors qu’un calcul de cohorte payante demande du SQL et du jugement. Les fondateurs sous pression choisissent inconsciemment les métriques qui protègent leur récit face aux proches et aux investisseurs. La comparaison sociale sur Twitter ou LinkedIn amplifie l’idée que “tout le monde” affiche des volumes énormes, donc vous devriez le faire aussi. Les équipes produit peuvent craindre que des métriques honnêtes révèlent un problème d’activation qu’elles n’ont pas encore “solutionné”, et donc retardent l’instrumentation sérieuse. Enfin, sans literacy data partagée, une discussion sur la qualité des revenus est perçue comme pointilleuse plutôt que stratégique. Inverser la tendance commence par normaliser la lenteur et la rigueur des définitions : mieux vaut un chiffre contesté mais clair qu’un total impressionnant mais creux.
Méthode concrète
Méthode : de la surface à la preuve
Commencez par une question de décision : quelle décision cette métrique doit-elle éclairer cette semaine ? Si aucune décision ne dépend du chiffre, il est décoratif. Séparez acquisition, activation, rétention, revenu, recommandation (ou un cadre équivalent) et assignez à chaque étape au plus une métrique primaire et une garde-fou. Pour la rétention, travaillez en cohortes (même cohorte d’inscription ou de premier achat) plutôt qu’en totaux cumulés. Pour le revenu, privilégiez MRR/ARR, panier moyen qualifié, taux de conversion payant et churn net plutôt que le nombre d’utilisateurs gratuits. Contrôlez la qualité des données : définitions d’événements, déduplication, fuseaux horaires, essais gratuits vs payants. Ajoutez des métriques de garde-fou : délais jusqu’à la première valeur, profondeur d’usage des fonctionnalités clés, support tickets par client payant. Revoyez le tableau de bord mensuellement avec une règle simple : retirer une métrique si personne n’a changé de comportement à cause d’elle le mois dernier. Documentez en une phrase pourquoi chaque indicateur reste affiché.
Pour les modèles marketplace ou à deux faces, explicitez la métrique par côté (offre vs demande) et le pont entre les deux : un GMV qui monte avec une liquidité médiocre est une vanity composite. Pour le freemium, séparez toujours utilisateurs payants et gratuits dans les taux de conversion et la rétention. Ajoutez une revue trimestrielle “anti-vanity” où vous interdisez les slides qui ne contiennent que des totaux cumulés. Formez les managers à poser la question “quel levier bougez-vous si ce chiffre baisse de dix pour cent ?” — si la réponse est vague, la métrique est décorative. Archivez les versions du tableau de bord : voir ce que vous avez retiré renforce la discipline. En dernier recours, réduisez volontairement le nombre de KPI affichés : la clarté bat la complétude quand il s’agit d’exécuter.
Exemple
Exemple : SaaS B2B qui confond démos et traction
Imaginons une équipe qui vend un outil de conformité aux PME. Elle annonce 12 000 comptes et une hausse de 40 % des démos mensuelles. En creusant, on voit que moins de 3 % des comptes reviennent après J+14, que le temps passé sur le workflow critique est faible et que le MRR stagne malgré le buzz. Les démos étaient poussées par campagnes agressives et par un produit gratuit limité : elles gonflaient le funnel sans améliorer la preuve de valeur. Après recentrage, l’équipe garde en primaire le taux d’activation (premier rapport conforme généré sous sept jours) et la rétention à 90 jours des clients payants, avec garde-fou sur le coût d’acquisition payback. Les campagnes qui augmentaient seulement les inscriptions sont arrêtées ; celles qui amènent des comptes qui achètent et restent sont amplifiées. En six mois, le volume apparent baisse mais la marge et le NRR s’améliorent : c’est le genre de trade-off sain que les vanity metrics empêchaient de voir.
Le détail opérationnel compte : l’équipe trace désormais le délai entre première démo et premier rapport conforme, et supprime les étapes produit qui allongeaient ce délai sans valeur client. Le commercial arrête de promettre une roadmap “sur mesure” avant paiement ; le succès se mesure aux signatures avec scope figé. Le support suit le temps de résolution sur les incidents bloquants pour les comptes payants, pas le nombre global de tickets. Un contre-exemple utile : si les démos avaient continué de monter pendant que le panier moyen s’effondrait, la vanity aurait masqué une dégradation du ciblage. La leçon : une baisse contrôlée du haut de funnel avec une hausse de la qualité des comptes est souvent le signe d’une stratégie qui mûrit plutôt que d’une startup en déclin.
Ce qu'il faut faire maintenant
Ce que vous pouvez faire maintenant
Listez les cinq chiffres que vous montrez le plus souvent aux parties prenantes. Pour chacun, notez la décision concrète qu’il a déclenchée le mois dernier. Remplacez au moins deux totaux cumulés par une vue cohortée ou un taux sur une base stable. Choisissez une métrique de revenu ou de rétention comme “north star” pour les prochaines deux semaines et alignez une revue hebdomadaire dessus. Demandez à un pair externe de critiquer votre tableau de bord en dix minutes : s’il ne comprend pas la chaîne vers le cash, simplifiez. Mettez à jour votre documentation interne : définitions, exclusions, délais. Enfin, acceptez que baisser un KPI de vanité puisse être une bonne nouvelle si les indicateurs de santé réelle montent. La mesure n’est pas une performance scénique : c’est un outil pour choisir quoi construire, quoi couper et quoi dire non.
Préparez un “story pack” interne : trois slides maximum qui expliquent la chaîne vers le cash pour les trente prochains jours. Assignez un propriétaire par étape du funnel qui peut expliquer les écarts sans jargon. Testez votre discours sur un associé non-tech : s’il comprend pourquoi vous coupez une campagne rentable en leads mais pauvre en conversions payantes, vous gagnez en alignement. Planifiez une revue dans quatorze jours pour vérifier si la north star a réellement orienté des arbitrages. Documentez les décisions refusées grâce à la nouvelle clarté métrique : ces “non” sont souvent plus révélateurs que les “oui”. Célébrez quand une métrique de vanité baisse parce qu’une politique plus stricte a été appliquée : cela ancre la culture de la preuve.
Pour aller plus loin
Lumor confronte votre idée à 13 rôles IA pour stress-tester vos hypothèses, révéler les angles morts et livrer un verdict, des scores et un plan d’exécution.