6 juillet 2026Mis à jour le Fathy Shalaby15 min de lecture
Métriques de product-led growth : que mesurer à chaque étape du PLG
La pile de métriques PLG en quatre couches, avec pour chacune une formule et un benchmark vérifié, un exemple chiffré et les erreurs de mesure qui font caler les funnels en self-service.
Les métriques de product-led growth mesurent ce que les utilisateurs font dans le produit et qui prédit le revenu : combien d’inscrits atteignent une vraie valeur (activation), à quelle vitesse, s’ils prennent une habitude, et si les comptes se développent et invitent d’autres personnes. L’ensemble de base comprend le taux d’activation, le time to value, les product-qualified leads, la conversion free-to-paid, le DAU/MAU, la net revenue retention et le coefficient viral, lus par source d’acquisition et par segment de clientèle.
Points clés
La conversion en PLG est plus faible que ce qu’attendent la plupart des équipes orientées ventes : dans les benchmarks 2022 d’OpenView, les produits freemium convertissaient 5 % des utilisateurs gratuits en payants, et les essais gratuits 17 % (OpenView, 2022).
Suivre les product-qualified leads ou les comptes augmentait de 61 % la probabilité d’une croissance rapide, selon l’enquête d’OpenView et de Pendo auprès de 1 000 entreprises (OpenView, 2023).
L’activation moyenne sur plus de 500 produits est de 34 %, la médiane de 25 % (Lenny’s Newsletter, 2022).
La meilleure net revenue retention se situe autour de 110-120 % (ChartMogul), mais l’entreprise SaaS B2B médiane était à 82 % en 2025 (ChartMogul, 2025).
Un coefficient viral inférieur à 1 aide quand même : à K = 0,3, 100 inscriptions en amènent environ 43 de plus au fil du temps.
Pourquoi les métriques SaaS classiques ne fonctionnent-elles pas pour le product-led growth ?
Dans un modèle orienté ventes, le funnel est linéaire : lead, opportunité, démo, signature. On mesure les passages de relais entre personnes : MQL, SQL, taux de réussite, cycle de vente.
En PLG, il y a peu de passages de relais. Le funnel est comportemental : découvrir, s’inscrire, activer, prendre une habitude, développer. Chaque étape dépend de ce que l’utilisateur fait, ou ne fait pas, dans le produit. Vous mesurez des comportements qui prédisent le revenu, et non des étapes de pipeline qui le contiennent.
C’est pourquoi les métriques de la vente reprises telles quelles déroutent les équipes PLG. « Nous avons 10 000 inscrits » ne veut pas dire grand-chose si 9 800 n’ont jamais ressenti de valeur. « Le trial-to-paid est de 8 % » ne veut pas dire grand-chose si vous ne savez pas ce que ces 8 % ont fait de différent.
Le PLG est désormais la norme plutôt que l’exception. L’adoption d’une approche pilotée par le produit parmi les répondants d’OpenView est passée de 45 % à 55 % entre 2019 et 2022 (OpenView, 2022). La question à laquelle répondent les métriques PLG n’est pas « combien de personnes se trouvent à quelle étape ? », mais « quels comportements prédisent la rétention, l’expansion et la recommandation ? »
Quelles sont les quatre couches des métriques de product-led growth ?
Regroupez les métriques de product-led growth en quatre couches. Chaque couche répond à une question, et chacune compte de deux à quatre métriques qui valent la peine d’être suivies.
Couche 1 : quelle est la qualité de votre acquisition ?
En PLG, la qualité de l’acquisition compte plus que le volume. Dix inscriptions de personnes qui correspondent à votre profil de client idéal (ICP) valent mieux que mille issues d’une campagne large, car ces dix utilisent réellement le produit.
Taux d’inscription-activation par source. Décomposez l’activation par canal. OpenView a constaté que les meilleures entreprises freemium obtiennent 53 % de leurs nouveaux utilisateurs grâce à la recherche organique et 13 % grâce aux recommandations pilotées par le produit, contre 10 % grâce à la publicité payante et 8 % grâce à l’outbound (OpenView, 2022). Son enquête de 2023 a montré qu’une dépendance excessive à l’acquisition payante était inversement corrélée à une croissance rapide (OpenView, 2023). Votre propre répartition sera différente ; mesurez-la avant de déplacer du budget.
Time to first value par segment d’ICP. Combien de temps un utilisateur ICP met-il pour atteindre un premier résultat utile ? À titre d’illustration : si les utilisateurs ICP activent en 3 jours et que les autres mettent 10 jours (et que la plupart partent avant), vous avez trouvé à la fois un problème de ciblage et un problème de friction produit.
Product-qualified leads (PQL). Un PQL est un inscrit qui correspond à votre ICP et qui a montré une intention d’achat par son comportement dans le produit, par exemple en terminant une étape d’activation ou en atteignant une limite d’usage. Optimisez cette métrique, pas le nombre brut d’inscriptions.
Couche 2 : les inscrits atteignent-ils une vraie valeur ?
L’activation est la métrique PLG la plus importante et la plus mal comprise. Ce n’est pas « onboarding terminé », « connecté deux fois » ou « vidéo d’introduction regardée ». C’est le moment où un utilisateur a ressenti assez de valeur pour avoir de bonnes chances de rester. Elle est prédictive, pas descriptive.
Pour trouver votre véritable jalon d’activation, faites une analyse de cohortes. Prenez les utilisateurs encore présents à 30 jours et cherchez le comportement le plus précoce qu’ils ont accompli bien plus souvent que ceux qui sont partis. Ce comportement, et non celui que l’équipe supposait, est votre jalon. La méthode complète figure dans le guide de l’activation SaaS.
Taux d’activation (jusqu’au vrai jalon). La part des inscrits qui accomplissent le comportement qui prédit la rétention. Benchmarks : 34 % en moyenne et 25 % en médiane sur plus de 500 produits ; 36 % et 30 % pour le SaaS seul (Lenny’s Newsletter, 2022).
Time to activation. Minutes, heures ou jours entre l’inscription et le jalon. La vitesse compte : dans les données 2025 d’Amplitude portant sur plus de 2 600 entreprises, 69 % des produits à forte activation précoce figuraient aussi parmi les bons élèves de la rétention à trois mois, et pour la moitié des produits, plus de 98 % des nouveaux utilisateurs étaient inactifs deux semaines après leur première action (Amplitude, 2025).
Abandon d’activation par étape. Où les utilisateurs décrochent-ils avant le jalon ? Un abandon de 60 % à « connectez votre première intégration » n’est pas le même problème qu’un abandon de 60 % à « invitez un collègue ». Cette liste est votre roadmap d’onboarding.
Couche 3 : les utilisateurs activés prennent-ils une habitude ?
La rétention est le moteur de l’effet cumulatif du PLG. Un utilisateur activé qui part au deuxième mois n’apporte rien au bouche-à-oreille, à l’expansion ou à la communauté.
DAU/MAU (stickiness). Utilisateurs actifs quotidiens divisés par utilisateurs actifs mensuels. Andrew Chen note qu’au-dessus de 20 %, on parle généralement d’une bonne application, et qu’à 50 % et plus, elle est de classe mondiale, Facebook ayant historiquement dépassé les 50 % (Andrew Chen). Il avertit aussi que ce ratio n’est pas la bonne métrique pour les produits utilisés moins souvent. Pour un outil hebdomadaire, comme un produit de planification ou de reporting, utilisez les actifs hebdomadaires sur les actifs mensuels et jugez la tendance plutôt qu’un objectif absolu.
Rétention d’usage. La part d’une cohorte d’inscrits encore active après 30 jours. Les répondants freemium de l’enquête d’OpenView affichaient 20 % en moyenne, et les entreprises PLG d’exception 16 % (OpenView, 2022). Les données d’Userpilot donnent une rétention au premier mois de 46,9 % en moyenne sur 83 entreprises SaaS B2B (Userpilot). Les définitions d’« actif » diffèrent, ce qui explique l’écart entre les deux chiffres. Comparez-vous d’abord à vos propres cohortes passées.
Profondeur d’adoption des fonctionnalités. Quelle part des utilisateurs activés s’appuie sur plus d’une fonctionnalité clé ? Userpilot a constaté que l’adoption des fonctionnalités clés est en moyenne de 24,5 % (médiane 16,5 %) sur 181 entreprises SaaS B2B (Userpilot). L’hypothèse de travail est qu’une adoption plus profonde augmente le coût de changement ; testez-la sur vos propres données de rétention avant d’agir.
Étendue d’usage au sein des comptes. En PLG B2B, l’adoption par l’équipe compte plus que l’adoption individuelle. Un seul utilisateur intensif devient un risque de churn le jour où il part. Suivez la part des comptes qui dépassent un seuil de sièges que vous choisissez, par exemple 3 sièges actifs ou plus par semaine.
Couche 4 : les comptes se développent-ils et invitent-ils d’autres personnes ?
C’est de là que vient l’effet cumulatif du PLG, et c’est là que la plupart des équipes laissent de l’argent sur la table.
Net revenue retention (NRR). Le revenu conservé auprès des clients existants après churn, rétrogradations et expansion, généralement sur 12 mois. Une NRR supérieure à 100 % signifie que la base de clients croît sans nouveaux logos. ChartMogul situe la meilleure NRR autour de 110-120 %, et de 115 à 125 % pour le B2B qui vend aux entreprises de taille intermédiaire et aux grands comptes (ChartMogul). La médiane est bien plus basse : 82 % pour les entreprises SaaS B2B au-delà de 250 k$ d’ARR en 2025, avec 97 % pour le quartile supérieur (ChartMogul, 2025). Le niveau de prix joue : dans les données 2022 de ChartMogul, 41,1 % des entreprises dont le revenu moyen par compte dépassait 500 $ par mois avaient une NRR supérieure à 100 % (ChartMogul).
PQL d’expansion. Les utilisateurs de comptes payants qui atteignent des limites d’usage, invitent souvent des collègues ou utilisent des fonctionnalités avancées sont des leads d’expansion chauds. Orientez-les vers une montée en gamme en self-service ou vers une personne, selon la valeur du compte.
Coefficient viral (K-factor). Le nombre de nouveaux utilisateurs que chaque utilisateur existant amène. La formule de David Skok est K = invitations envoyées par utilisateur × taux de conversion des invitations, et K doit dépasser 1 pour obtenir une vraie croissance virale (For Entrepreneurs). Il montre aussi que le temps de cycle viral, la durée d’une boucle d’invitation, compte plus que K : dans son modèle, un cycle de 2 jours atteint 20 470 utilisateurs après 20 jours, tandis qu’un cycle d’un jour dépasse 20 millions.
Time to expansion. Combien de temps après l’inscription un compte se développe-t-il typiquement ? À titre d’illustration : si l’expansion médiane survient au mois 3 mais que la prospection ne commence qu’au mois 6, vous ratez la fenêtre. Déclenchez le travail d’expansion sur le comportement, pas sur le calendrier.
Quelles sont les formules des métriques PLG ?
Métrique
Formule
Benchmark vérifié
Taux d’activation
Utilisateurs atteignant le jalon dans la fenêtre ÷ inscrits de la cohorte
Utilisez les benchmarks comme un contrôle de cohérence, pas comme un objectif. Chaque source définit « actif » et « activé » différemment, et il ne faut jamais comparer les produits freemium et les produits à essai gratuit entre eux.
Freemium ou essai gratuit : quels benchmarks s’appliquent à vous ?
L’« histoire de 1 000 visiteurs » d’OpenView montre pourquoi le modèle compte plus que n’importe quel taux de conversion isolé (OpenView, 2022) :
Pour 1 000 visiteurs du site
Freemium (médiane)
Essai gratuit (médiane)
Inscriptions gratuites
60 (6 %)
40 (4 %)
Conversion free-to-paid
5 %
17 %
Clients payants
3
7
Convertis sans contact commercial
Environ 2
Environ 1
Le freemium crée plus d’utilisateurs et moins de clients ; les essais créent moins d’utilisateurs et plus de clients. Une équipe freemium qui se réjouit d’une conversion de 5 % et une équipe à essai qui s’inquiète de 15 % peuvent être toutes deux dans la médiane. Choisissez vos benchmarks dans votre propre modèle.
Comment construire un product-qualified lead (PQL) ?
OpenView a constaté que près d’un tiers des entreprises freemium contactaient chaque inscrit, alors que les entreprises PLG d’exception n’en contactaient en moyenne que 14 %. Seules 45 % des entreprises freemium et 19 % des entreprises orientées ventes avaient une métrique PQL (OpenView, 2022). Un PQL règle ce problème en concentrant les équipes sur les comptes susceptibles d’acheter.
Choisissez le résultat. Généralement la conversion en payant sous 30 ou 60 jours, ou le passage à une offre supérieure.
Listez les comportements candidats. Jalon d’activation atteint, collègues invités, limite d’usage atteinte, page de tarifs consultée, intégration connectée.
Comparez ceux qui convertissent et ceux qui ne convertissent pas. Sur les inscrits des 3 à 6 derniers mois, repérez les comportements que les convertis ont accomplis bien plus souvent.
Ajoutez l’adéquation. Combinez le comportement avec l’adéquation à l’ICP (taille d’entreprise, rôle, cas d’usage) pour qu’un étudiant curieux ne passe pas devant une équipe de 20 personnes.
Fixez un seuil et orientez. Au-dessus du seuil, une personne prend contact ou une invitation à passer à l’offre supérieure s’affiche dans le produit. En dessous, le produit continue de faire le travail.
Vérifiez chaque mois. Comparez la conversion PQL-to-paid à celle des non-PQL. Si l’écart est faible, la définition est mauvaise.
Le gain peut être important : dans l’enquête 2023 d’OpenView et de Pendo, suivre les PQL ou les comptes qualifiés par le produit augmentait de 61 % la probabilité d’une croissance rapide, le levier le plus fort de l’étude (OpenView, 2023). C’est une corrélation issue d’une enquête, pas la preuve que les PQL causent la croissance, mais aucun autre levier ne s’en approchait.
Exemple chiffré : lire un funnel PLG de bout en bout
Exemple illustratif. Supposons qu’un outil B2B freemium reçoive 20 000 visiteurs par mois sur son site.
Acquisition : 6 % s’inscrivent, soit 1 200 inscriptions gratuites.
Activation : 30 % atteignent le jalon d’activation en 7 jours : 360 utilisateurs activés. Time to activation médian : 2 jours.
Habitude : 25 % des 1 200 initiaux sont encore actifs au jour 30 : 300 utilisateurs.
Conversion : 5 % des inscrits deviennent des comptes payants : 60 nouveaux clients par mois.
Viral : chaque nouvel utilisateur envoie en moyenne 2 invitations et 15 % sont acceptées, donc K = 2 × 0,15 = 0,3. Si chaque nouvel utilisateur n’invite qu’une fois, juste après son inscription, les 1 200 inscriptions en amènent 1 200 × 0,3 ÷ (1 − 0,3) ≈ 514 de plus au fil du temps.
Douze mois plus tard, les clients qui payaient 20 000 € de MRR au début de l’année ont ajouté 3 000 € d’expansion, perdu 500 € en rétrogradations et 1 500 € en churn :
Que devrait faire cette équipe ? L’activation (30 %) est proche de la médiane SaaS, donc le plus gros levier est probablement les 70 % qui n’activent jamais. Un K de 0,3 n’est pas de la croissance virale, mais il ajoute environ 43 % d’acquisition gratuitement ; raccourcir la boucle d’invitation est donc le deuxième levier. Une NRR supérieure à 100 % indique que les clients existants trouvent une valeur durable : protégez-la.
Que doit afficher un tableau de bord PLG, et à quelle fréquence ?
Point hebdomadaire (tactique) :
Nouveaux PQL cette semaine par rapport à la semaine dernière
Taux d’activation de la dernière cohorte de 7 jours
Time to activation médian, cette cohorte par rapport à la moyenne sur 30 jours
Tendance des actifs hebdomadaires (ou DAU/MAU pour les produits quotidiens)
Revue mensuelle (stratégique) :
Taux d’activation par source d’acquisition
Rétention à 30/60/90 jours par cohorte d’activation
Distribution de la profondeur d’adoption des fonctionnalités
Part des comptes au-dessus de votre seuil de sièges actifs
NRR et GRR
Pipeline de PQL d’expansion
Analyse approfondie trimestrielle :
Refaire l’analyse de cohortes : le vrai jalon d’activation a-t-il changé ?
Segmenter chaque métrique entre ICP et non-ICP
Tendance du coefficient viral et du temps de cycle
Quelles sont les erreurs de mesure PLG les plus courantes ?
1. Utiliser le mauvais jalon d’activation. « Checklist d’onboarding terminée » mesure le remplissage d’un formulaire, pas la valeur. Faites l’analyse de cohortes et reconstruisez autour du comportement qui prédit la rétention.
2. Compter les utilisateurs actifs mensuels sans segmenter. Quelqu’un qui se connecte une fois par mois pour effacer une notification n’est actif dans aucun sens utile. Segmentez par profondeur d’engagement, adéquation à l’ICP et potentiel d’expansion.
3. Ignorer les signaux au niveau de l’équipe en B2B. Une entreprise où une seule personne utilise intensivement votre produit est à risque dès que cette personne part. Suivez l’activation, l’étendue et la croissance des sièges au niveau du compte comme des métriques de premier rang.
4. Traiter la NRR comme une métrique financière. Une NRR en baisse signifie que le produit n’apporte pas assez de valeur durable pour justifier le renouvellement et l’expansion. C’est un problème de produit, pas seulement un problème de gestion de comptes.
5. Construire la boucle virale après coup. Si les invitations sont enfouies dans les Paramètres, K sera proche de zéro. Intégrez le partage au parcours d’activation et au premier moment collaboratif, et raccourcissez le temps de cycle.
6. Se comparer au mauvais benchmark. Un produit freemium jugé à l’aune de la conversion des essais gratuits paraîtra défaillant, et un produit natif IA jugé à l’aune de la rétention du SaaS classique paraîtra pire encore : ChartMogul a observé une NRR médiane de 48 % pour les entreprises natives IA en 2025 (ChartMogul, 2025). Le prix façonne aussi l’expansion ; revoyez donc si la tarification par siège convient à un produit IA.
Quand cette pile de métriques ne convient-elle pas ?
Les tout premiers produits, avec moins de quelques centaines d’inscriptions par mois, ne peuvent pas lire de façon fiable la rétention par cohorte ni les seuils de PQL ; les chiffres bougent avec une poignée d’utilisateurs. Parlez aux utilisateurs et suivez l’activation à la main jusqu’à ce que le volume rende la pile pertinente ; une enquête de product-market fit donne une lecture plus rapide quand le volume est faible. Les produits purement orientés ventes, sans parcours en self-service, ont besoin de métriques de pipeline, même si l’activation et la NRR s’appliquent encore après la signature.
Où Specky s’intègre
La plupart des équipes PLG ont les données. Elles se trouvent dans PostHog, Pendo et un tableur, déconnectées des décisions qu’elles devraient éclairer. Specky lit les analytics avec les appels clients, les retours et les tickets dans un Product Graph. Sa vue Feature Adoption reprend les tendances et funnels PostHog ou les pages vues Pendo, et montre pour chaque fonctionnalité la part d’usage et la tendance, avec une suggestion de généralisation, de maintien ou d’arrêt, actualisée chaque semaine. C’est une aide à la décision, pas une liste d’arrêts automatiques (la différence est expliquée dans product intelligence vs product analytics) : quand l’usage d’une fonctionnalité évolue, vous pouvez ouvrir les entretiens et les tickets qui en expliquent la raison avant de décider.
Foire aux questions
Quelles sont les métriques de product-led growth les plus importantes ?
Les métriques de product-led growth les plus importantes sont le taux d’activation, le time to activation, les product-qualified leads, la conversion free-to-paid, la net revenue retention et le coefficient viral. L’activation compte surtout au début, car elle prédit la rétention. La net revenue retention compte surtout à l’échelle, car elle montre si les clients existants continuent de trouver de la valeur et de se développer.
Quel est un bon taux de conversion free-to-paid pour le PLG ?
Cela dépend du modèle. Les benchmarks 2022 d’OpenView donnent une médiane de 5 % des inscrits gratuits pour les produits freemium et de 17 % pour les essais gratuits. Comparez-vous uniquement à des produits qui utilisent le même modèle, et suivez le taux par cohorte et par source d’acquisition plutôt qu’en un seul chiffre agrégé.
Qu’est-ce qu’un product-qualified lead ?
Un product-qualified lead est un utilisateur ou un compte qui correspond à votre profil de client idéal et a montré une intention d’achat par son comportement dans le produit, par exemple en atteignant le jalon d’activation, en invitant des collègues ou en atteignant une limite d’usage. Les équipes le construisent en comparant ce qu’ont fait les inscrits qui convertissent et ceux qui ne convertissent pas, puis en orientant les comptes au-dessus d’un seuil vers les ventes ou vers une invitation à passer à l’offre supérieure.
Quelle est une bonne net revenue retention ?
Selon ChartMogul, la meilleure NRR se situe autour de 110-120 %, et de 115 à 125 % pour les entreprises B2B qui vendent aux entreprises de taille intermédiaire et aux grands comptes. La médiane est plus basse : 82 % pour les entreprises SaaS B2B au-delà de 250 k$ d’ARR en 2025, avec 97 % pour le quartile supérieur. La NRR augmente avec le niveau de prix, car les comptes de plus forte valeur partent moins et se développent davantage.
Comment calculer le coefficient viral ?
Multipliez le nombre moyen d’invitations envoyées par chaque utilisateur par la part des invitations qui deviennent de nouveaux utilisateurs. Deux invitations avec un taux d’acceptation de 15 % donnent K = 0,3. Un K supérieur à 1 signifie que chaque utilisateur en amène plus d’un nouveau, ce qui est de la vraie croissance virale. En dessous de 1, les invitations ajoutent quand même des utilisateurs, et c’est le raccourcissement du cycle d’invitation qui a le plus d’effet.
Le DAU/MAU est-il une bonne métrique pour le SaaS B2B ?
Seulement pour les produits dont on a besoin chaque jour. Andrew Chen décrit 20 %+ comme bon et 50 %+ comme classe mondiale, mais prévient que ce ratio est trompeur pour les produits utilisés chaque semaine ou chaque mois. Beaucoup d’outils B2B sont hebdomadaires par nature ; les utilisateurs actifs hebdomadaires sur les actifs mensuels, lus comme une tendance par cohorte, constituent donc généralement la meilleure métrique d’habitude.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing