Comment prédire le trafic de votre site internet ?

En tant qu’expert Webanalytics, l’une des questions que l’on nous pose souvent est la suivante : « Pouvez-vous prédire mon trafic pour le mois prochain ? ». Dans un monde numérique où chaque clic compte, anticiper les flux de visiteurs est une nécessité stratégique pour piloter ses budgets marketing et ses ressources techniques.

Chez Wysistat, nous avons intégré des modèles mathématiques de pointe pour transformer vos données historiques en une boussole fiable.

L’idée est donc de partir de cette courbe et de prédire les jours/semaines/mois suivants. Nous allons explorer dans cet article comment Wysistat apporte une solution efficace, robuste et sobre.

Comprendre la mécanique : La décomposition du trafic

Avant de lancer des algorithmes complexes, il faut comprendre qu’un trafic web n’est pas une ligne aléatoire. C’est une combinaison de trois forces distinctes que l’on appelle la décomposition de série temporelle :

1. La Tendance (Trend) : C’est l’orientation à long terme de votre site. Votre audience est-elle en croissance organique sur l’année ?
2. La Saisonnalité (Seasonality) : Ce sont les cycles répétitifs. Votre trafic chute-t-il le week-end ? Avez-vous un pic systématique chaque lundi à 10h (la fameuse newsletter du lundi) ?
3. Le Bruit (Noise) : Ce sont les variations résiduelles, les fluctuations quotidiennes inexplicables qui ne suivent aucun schéma précis, exogènes.

On arrive ainsi à décomposer la courbe pour ne pouvoir analyser que le bruit.

Le trafic web est-il une simple série temporelle ?

On pourrait être tenté de croire qu’il suffit de prolonger la courbe du passé pour connaître l’avenir. Cependant, la réalité du Webanalytics est plus complexe. Le trafic web n’est pas un phénomène purement mathématique, de nombreux facteurs exogènes peuvent contredire la simple prévision :

• Les mises à jour d’algorithmes Google : Une « Core Update » peut faire basculer votre SEO du jour au lendemain.
• Les campagnes publicitaires : Un investissement massif sur Google Ads crée une rupture artificielle de tendance.
• L’effet « Discover » : Un article qui devient viral sur Google Discover génère un pic conséquent mais éphémère.
• Un plantage serveur : il peut encore arriver sur votre serveur ne fonctionne plus ou que le site n’ai plus les marqueurs de mesure d’audience.

SARIMA : Le meilleur compromis pour la précision

Pour répondre à ces enjeux, chez Wysistat, nous avons misé sur le modèle SARIMA (Seasonal Autoregressive Integrated Moving Average). Pourquoi est-ce, selon nous, le meilleur compromis ?

Contrairement aux modèles basiques, SARIMA possède une « mémoire » à deux niveaux :

• Il comprend l’inertie immédiate (ce qui s’est passé hier influence aujourd’hui).
• Il intègre la saisonnalité (le « S » de SARIMA), essentielle pour le web. Il est capable de comprendre que le trafic d’un mardi à 14h doit être comparé à celui du mardi précédent, et non simplement à l’heure précédente.

C’est un modèle robuste qui lisse les anomalies tout en restant extrêmement réactif aux changements de trajectoire réels de votre audience.

On voit bien sur cette analyse que la plupart du temps, la prédiction SARIMA prévoit parfaitement le trafic. Mais on observe un problème lié au trafic web, la forme variabilité exogène d’une part et surtout qui n’a pas de conséquence durable sur le trafic (le pic d’une journée n’a généralement pas d’impact sur le trafic du lendemain), alors que le modèle prévoit des répliques tous les lundis suivants.

 

Comment limiter l’impact des pics ?

L’un des défis de la prédiction est de ne pas laisser un événement exceptionnel (un pic de trafic dû à un bot ou une news virale) « polluer » vos prévisions futures.

Nous l’avons donc amélioré pour atténuer l’impact d’une anomalie de trafic et ca donne au final ce graphique : 

L’enjeu de la sobriété numérique : SARIMA face au Machine Learning

Au moment du choix de l’algorithme, nous aurions pu utiliser d’autre solution, notamment des modèles de Deep Learning (comme les réseaux de neurones LSTM). Nous avons donc mené une évaluation rigoureuse des deux approches et nous avons privilégier SARIMA :

• Une consommation CPU réduite : Là où le Machine Learning nécessite des cycles d’entraînement intensifs et souvent l’usage de processeurs graphiques (GPU) gourmands en électricité, SARIMA repose sur des équations linéaires classiques. Son exécution est légère et rapide.
• Moins de données pour plus de sens : Les modèles d’IA modernes sont « data-hungry » ; ils consomment des volumes massifs de données pour converger. SARIMA, par sa structure mathématique ciblée, atteint une précision optimale avec un historique maîtrisé, réduisant ainsi les besoins en stockage et en bande passante.
• Une empreinte carbone optimisée : En intégrant SARIMA au cœur de Wysistat, nous permettons à nos clients de bénéficier de prévisions de haute qualité tout en minimisant l’énergie nécessaire au calcul de chaque prédiction. C’est la preuve qu’une analyse performante peut aussi être synonyme d’un WebAnalytics responsable.

Mesure faite, pour la prédiction SARIMA, nous stockons 3 données complémentaires x 5 indicateurs (Visiteurs, Visites, Pages, Taux de rebond, PV/V) par compte. Le poids complémentaire est inférieur à +1% de poids en plus par compte.

Au niveau du temps de calcul, notre traitement va engendrer un calcul complémentaire de 1s par compte par jour, ce qui correspond à moins de 5% du temps de traitement.

Une approche Deap Learning aurait entrée un serveur avec carte graphique en plus, soit environ 10% d’énergie complémentaire par rapport à notre fonctionnement actuel.

Rappelons ici que Wysistat émet environ Voir l’article expliquant l’IA Wysistat.

La prédiction de trafic n’est pas une boule de cristal, mais une science de précision. En combinant la puissance mathématique de SARIMA et une lecture critique des événements exogènes, Wysistat vous permet de passer d’une analyse subie à une stratégie proactive.

Vous souhaitez tester la puissance de nos prédictions sur vos propres données ? Contactez-nous pour une démo de Wysistat.