Si vous voulez savoir comment calculer un taux d’ouverture d’e-mail de référence qui ne soit pas faussé par les changements en matière de confidentialité, commencez par cette formule ajustée : (ouvertures uniques vérifiées par un humain ÷ e-mails délivrés) × 100. La réponse théorique à « quelle est la formule du taux d’ouverture d’un e-mail » est : ouvertures uniques divisées par e-mails délivrés, multiplié par 100, mais en 2026, ce chiffre brut est gonflé par la protection de la confidentialité du courrier d’Apple (MPP). Un bon taux d’ouverture d’e-mail de référence n’est pas un chiffre fixe de 15 % ou 34 % publié par les fournisseurs ; c’est une fourchette personnalisée — généralement de 18 à 28 % pour les segments B2C engagés après filtrage des machines, et de 22 à 35 % pour les newsletters B2B de niche — dérivée de votre propre historique d’envoi et ajustée en fonction de la composition de votre audience.
La formule standard du taux d’ouverture (et pourquoi elle ment après 2021)
La formule du taux d’ouverture d’un e-mail que chaque plateforme, de Mailchimp à Klaviyo, affiche est d’une simplicité trompeuse : prenez les ouvertures uniques, divisez par les e-mails délivrés, multipliez par 100. Dans un monde d’avant 2021, ce ratio reflétait un humain qui cliquait pour voir votre message. Aujourd’hui, ce même calcul compte les serveurs proxy comme des lecteurs.
Lorsque iOS 15 a introduit la protection de la confidentialité du courrier d’Apple, Apple a commencé à précharger le contenu des e-mails via des serveurs relais. Dans mes propres audits clients, j’ai vu des taux d’ouverture bruts bondir de 8 à 14 points du jour au lendemain sans aucun changement dans les lignes d’objet ou les horaires. Ce n’est pas de l’engagement ; c’est de l’infrastructure.
La plupart des gens ne réalisent pas que les ouvertures MPP sont enregistrées même si le destinataire ne touche jamais à la notification. Une estimation de Litmus en 2022 suggérait que jusqu’à 38 % de toutes les ouvertures pourraient être masquées par des proxies de confidentialité, bien que la part exacte évolue à mesure qu’Android et Gmail adoptent des modèles similaires. Ce que personne ne vous dit à propos des rapports de référence, c’est qu’ils précisent rarement quelle version de « ouverture » ils ont utilisée.
Ce que le calcul théorique omet
Un taux d’ouverture brut ignore trois couches : les préchargements par des machines, les vues dans le dossier spam et les chargements sur plusieurs appareils. Il traite également un coup d’œil de 2 secondes comme équivalent à une lecture complète. Si vous comparez votre taux à la moyenne publiée de 34 % d’un fournisseur, vous comparez peut-être votre réalité filtrée à leur bruit non filtré.
Dans une campagne pour un client SaaS, nous avons célébré un taux d’ouverture de 41 % pour découvrir ensuite que 11 points provenaient du MPP. Après filtrage, le véritable taux d’ouverture humain était de 30 %, toujours bon mais pas record. Cette expérience a façonné le cadre ci-dessous.
Ouvertures uniques vs ouvertures totales
Les ESP diffèrent sur la question de savoir s’ils comptent plusieurs ouvertures de la même personne. Les ouvertures uniques dédupliquent par abonné ; les ouvertures totales comptent chaque chargement d’image. Pour l’établissement de références, utilisez toujours les ouvertures uniques. J’ai un jour hérité d’un tableau de bord utilisant les ouvertures totales, et la « référence » était de 70 % — sans signification parce que les utilisateurs expérimentés ouvraient trois fois.
Pourquoi les références publiées varient autant (34 % de Mailchimp vs 15 % de Monday)
Vous avez probablement vu Mailchimp citer une moyenne d’environ 34 % pour certains secteurs, tandis que le rapport 2026 de Monday.com montre une moyenne intersectorielle proche de 15 %. L’écart n’est pas uniquement une question de qualité de l’audience ; c’est une question de méthodologie. Les anciennes références de Mailchimp agrégeaient des comptages ESP bruts avant que les changements en matière de confidentialité ne soient pleinement généralisés, tandis que les données plus récentes de Monday appliquent des définitions plus strictes de la délivrabilité et un filtrage post-MPP.
Quel est un bon taux d’ouverture d’e-mail de référence ? La réponse honnête : cela dépend de votre dénominateur. Si vous comptez « délivré » comme « envoyé moins les rebonds durs », vous obtiendrez une base différente que si vous excluez les rebonds mous et les pièges à spam. Un bon taux de référence est celui qui est calculé avec les mêmes règles que celles que vous appliquez à vos propres envois.
La plupart des statistiques tierces mélangent également les e-mails transactionnels et promotionnels. Un e-mail de réinitialisation de mot de passe atteint un taux d’ouverture de 50 % et plus ; une newsletter hebdomadaire pourrait atteindre 12 %. Les mélanger produit un point médian sans signification. Je segmente toujours avant de comparer.
La variable cachée : la définition de « délivré »
Certains fournisseurs comptent tout e-mail non renvoyé comme rebond comme délivré. D’autres exigent que le serveur récepteur accepte le message et le place dans la boîte de réception (pas dans le spam). Ce seul choix peut faire varier votre référence de 5 à 10 points. Lorsque j’intègre un nouvel ESP, j’audite leur journalisation de délivrabilité pendant 30 jours avant de faire confiance à leur superposition de référence.
Comparaison des méthodologies de référence des fournisseurs
| Fournisseur | Dénominateur utilisé | Gestion du MPP | Moyenne rapportée (échantillon) |
|---|---|---|---|
| Mailchimp (hérité) | Envoyé moins rebond dur | Non filtré (avant 2021) | 34 % (certains secteurs) |
| Monday.com (2026) | Délivré en boîte de réception | Exclusion partielle des proxies | 15 % intersectoriel |
| Klaviyo UK (2026) | Délivré (rebond mou exclu) | Signalé, non supprimé | 24 % e‑commerce |
| Votre méthode personnalisée | Délivré moins les manques du dossier spam | Filtré via les indicateurs de proxy | Fourchette basée sur les segments |
Ce tableau montre pourquoi vous ne pouvez pas simplement reprendre un chiffre unique. La « bonne » référence est l’intersection de votre discipline de dénominateur et de votre rigueur de filtrage.
Cadre étape par étape : calculez votre véritable taux d’ouverture d’e-mail de référence
Voici le processus exact que j’utilise pour des clients allant de l’e‑commerce au secteur non lucratif. Il produit une référence personnalisée plutôt qu’une statistique empruntée. Vous aurez besoin de 90 jours de données d’exportation ESP et d’une feuille de calcul.
Étape 1 : Exportez les données brutes d’envoi et isolez les délivrés
Tirez de votre ESP (Klaviyo, Mailchimp, HubSpot) un rapport avec les colonnes : date d’envoi, type de campagne, total envoyé, rebonds, délivrés, ouvertures uniques (brutes) et clics. Filtrez les envois transactionnels sauf si vous souhaitez spécifiquement les inclure. Délivrés = envoyés – rebonds durs – rebonds mous catégorisés comme échoués.
Si vous êtes familier avec l’isolation des transmissions réussies dans d’autres domaines, la logique reflète notre calculateur de taux de remplissage des stocks publicitaires, où les impressions délivrées remplacent les e-mails délivrés comme dénominateur.
Étape 2 : Filtrez les ouvertures par machine (MPP et bots)
Identifiez les ouvertures provenant d’Apple Mail avec protection de la confidentialité. La plupart des ESP marquent désormais les « ouvertures par proxy » ou « ouvertures de confidentialité Apple ». Soustrayez-les des ouvertures uniques. Pour Gmail et d’autres clients sans indicateurs explicites, appliquez un ajustement conservateur de 5 à 8 % pour les bots, basé sur les ratios historiques de clics‑pour‑ouvrir.
Lors d’un audit en 2023, les ouvertures uniques brutes d’un client étaient de 12 400 sur 40 000 délivrés (31 %). Après suppression de 3 100 ouvertures marquées MPP, les ouvertures réelles étaient de 9 300 (23,25 %). Cet écart de 7,75 points fait la différence entre atteindre et manquer un objectif au niveau du conseil d’administration.
Cas particulier : certains scanners de sécurité d’entreprise (Proofpoint, Mimecast) préchargent les images pour les analyser. Ils apparaissent comme des ouvertures provenant d’IP partagées. Je maintiens une liste d’exclusion de user‑agents ; ignorer cela a gonflé la référence d’un client financier de 4 points.
Étape 3 : Segmentez par audience et type d’envoi
Divisez les données en au moins trois cohortes : nouveaux abonnés (0–30 jours), habitués engagés (≥3 ouvertures en 90 jours) et cibles de ré‑engagement. Séparez également les newsletters des campagnes promotionnelles. Les références ne doivent jamais être mélangées entre ces catégories ; l’intention d’ouverture diffère radicalement.
Par exemple, le segment engagé de mon client e‑commerce ouvrait à 34 % après filtrage, tandis que les utilisateurs inactifs ouvraient à 9 %. Un chiffre unique mélangé masquerait le frein de ces derniers sur la délivrabilité.
Étape 4 : Calculez la référence ajustée par segment
Pour chaque segment, appliquez la formule : (ouvertures uniques filtrées ÷ délivrés) × 100. Enregistrez le résultat sous forme de fourchette en utilisant les valeurs mensuelles les plus basses et les plus hautes sur les 90 jours pour tenir compte de la saisonnalité. Cette fourchette est votre véritable référence.
Votre référence personnalisée est une bande, pas un point. Si le segment engagé se situe à 28–36 %, considérez 32 % comme le centre, mais alertez uniquement lorsqu’il tombe sous 28 %.
Étape 5 : Agrégez en une référence de portefeuille pondérée
Si vous avez besoin d’un chiffre unique pour l’entreprise, pondérez chaque segment par son volume d’envoi. Multipliez le taux d’ouverture de chaque segment par sa proportion du total délivré, puis additionnez. Ce chiffre pondéré est défendable auprès de la direction car il reflète la composition réelle.
Utilisez le tableau modèle ci-dessous comme structure de départ. Colonnes : Segment, Délivrés, Ouvertures filtrées, Taux %, Poids %. Nous développerons cela dans la section suivante.
Un modèle de calcul gratuit que vous pouvez utiliser dès aujourd’hui
J’ai partagé une version simplifiée de mon classeur interne. Vous n’avez pas besoin d’un outil sophistiqué—Google Sheets suffit. Créez ces colonnes :
- Date de campagne
- Segment (Newsletter/Promo/Transactionnel)
- Délivrés (exclure les rebonds)
- Ouvertures uniques brutes
- Ouvertures MPP/Bot (signalées)
- Ouvertures filtrées = Brutes – MPP
- Taux d’ouverture % = Filtrées/Délivrés*100
- Taux de clics % (pour vérification)
Ensuite, créez un tableau croisé dynamique en regroupant par Segment et Mois. Calculez la médiane plutôt que la moyenne pour éviter la distorsion des valeurs aberrantes. Dans un projet à but non lucratif, le taux d’ouverture moyen était de 24 % mais la médiane de 19 % ; la médiane est devenue la référence honnête car deux appels viraux avaient faussé la moyenne.
Si vous souhaitez une méthode parallèle pour mesurer la perte de livraison, notre Calculateur de comparaison du taux de chute applique la même logique de dénominateur aux paquets réseau—utile pour expliquer les concepts de rebond aux équipes d’ingénierie.
Exemple de ligne de modèle
| Segment | Délivrés | Ouvertures filtrées | Taux % | Poids % |
|---|---|---|---|---|
| B2C engagé | 25 000 | 7 500 | 30 % | 50 % |
| Nouveaux abonnés | 10 000 | 2 200 | 22 % | 20 % |
| Inactifs | 15 000 | 1 350 | 9 % | 30 % |
| Total pondéré | 50 000 | 11 050 | 22,1 % | 100 % |
Dans cette illustration, la référence mixte est de 22,1 %, mais la bande engagée est de 28–34 %. Ne rapporter que le mix masquerait la santé de votre audience principale.
Comment ajuster en fonction des facteurs sectoriels et d’audience
Même une référence personnalisée a besoin de contexte. Un taux d’ouverture filtré de 20 % pour les services juridiques B2B est solide ; pour une liste de soldes de mode, c’est faible. Utilisez les données tierces uniquement comme une bande de vérification, pas comme un objectif. Je compare les bandes segmentées de mes clients aux fourchettes publiées mais n’adopte jamais le chiffre publié en bloc.
Facteurs qui déplacent votre véritable référence :
- Âge de la liste : les listes plus anciennes se dégradent de 1 à 2 % par trimestre si elles ne sont pas réchauffées.
- Fréquence d’envoi : les envois quotidiens entraînent les filtres et la fatigue, réduisant les ouvertures.
- Tests de lignes d’objet : une expérimentation structurée peut augmenter de 3 à 5 points.
- Mobile vs bureau : l’impact MPP est plus lourd sur les audiences dominées par le mobile.
- Géographie : les listes de re-consentement RGPD de l’UE montrent souvent des ouvertures plus faibles mais de meilleure qualité.
Compromis : filtrer trop agressivement (par exemple, retirer tout le courrier Apple) sous-compte les vrais lecteurs qui utilisent Apple mais ont désactivé MPP. Je laisse une marge d’incertitude de 2 à 3 % et j’étiquette les références comme « ouvertures humaines estimées ».
Quand utiliser les références ESP vs les vôtres
Si vous avez moins de 5 000 délivrés par mois, votre échantillon est bruité ; appuyez-vous sur une approche mixte utilisant les agrégats ESP pour le même secteur, mais réduisez de 5 points pour MPP. Une fois que vous dépassez 20 000 délivrés, vos propres données filtrées surpassent toute statistique de fournisseur.
Considération avancée : Rotation des adresses IP proxy
Les relais d’Apple font tourner les adresses IP, rendant le simple filtrage IP peu fiable. Les ESP modernes utilisent des signaux d’engagement heuristiques (par exemple, aucun clic ultérieur) pour signaler MPP. Si votre plateforme ne dispose pas de cela, croisez le taux de clics par rapport aux ouvertures : un segment avec 0 % de clics mais 40 % d’ouvertures est probablement dominé par les machines. J’ai utilisé cette heuristique pour réduire de 6 points une référence trompeuse.
Erreurs courantes qui gonflent ou dégonflent votre référence
L’erreur la plus fréquente que je vois est de compter les « ouvertures » provenant de scanners de sécurité automatisés. Certaines passerelles d’entreprise préchargent les liens et les images pour scanner les logiciels malveillants, ce qui est enregistré comme des ouvertures. Excluez les agents utilisateurs contenant « Proofpoint » ou « Mimecast » si votre ESP ne le fait pas déjà.
Un autre piège : utiliser « envoyé » au lieu de « délivré » comme dénominateur. Cela réduit artificiellement votre taux de 2 à 5 % et vous fait paraître moins performant que des concurrents qui utilisent « délivré ». Standardisez toujours.
À l’inverse, la déflation se produit lorsque vous incluez les e-mails transactionnels dans une référence promotionnelle. Comme les ouvertures transactionnelles sont élevées, les mélanger masque une mauvaise performance de newsletter. Je garde des classeurs séparés.
Enfin, ignorer la saisonnalité crée de fausses alertes. En décembre, les ouvertures du commerce de détail montent ; en juillet, elles baissent. Une bonne référence intègre une fenêtre glissante de 90 jours, pas un seul mois. Lorsque j’ai construit des références pour une marque de voyage, une seule baisse en août ressemblait à un échec de délivrabilité—c’était juste l’accalmie estivale.
Quand ignorer complètement le taux d’ouverture (et quoi suivre à la place)
Le taux d’ouverture est un diagnostic, pas un objectif. Post-MPP, je dis aux clients de pondérer davantage le taux de clics par rapport aux ouvertures (CTOR), le taux de réponse et la conversion en aval. Si les ouvertures filtrées baissent mais que les clics tiennent, vous avez un problème créatif, pas de livraison.
Pour les séquences de prospection à froid, le taux d’ouverture est presque inutile car MPP domine. Mesurez les réunions réservées ou les réponses positives. Dans une campagne B2B de 2024, les ouvertures brutes étaient de 45 % mais les réponses de 1,2 % ; nous avons optimisé pour le taux de réponse et doublé le pipeline tandis que le taux d’ouverture restait stable.
Limitation honnête : aucune méthode ne sépare parfaitement l’humain de la machine. Traitez votre référence comme une boussole directionnelle, pas une règle précise. Même avec le filtrage, 2 à 4 % des ouvertures restent ambiguës.
Métriques secondaires à associer à votre référence
- CTOR : clics ÷ ouvertures filtrées. Révèle la pertinence du contenu.
- Taux de plaintes pour spam : maintenez sous 0,1 % pour protéger la réputation de l’expéditeur.
- Conversion par délivré : métrique commerciale ultime.
- Qualité de la croissance de la liste : nouveaux engagés nets vs nouveaux totaux.
Tout assembler : un plan de référencement sur 30 jours
Semaine 1 : Exportez 90 jours de données, nettoyez les dénominateurs. Semaine 2 : Appliquez les filtres MPP et segmentez. Semaine 3 : Construisez le modèle, calculez les bandes. Semaine 4 : Présentez la référence pondérée et définissez les seuils d’alerte.
Voici une liste de contrôle pour opérationnaliser le cadre :
- Vérifiez la définition de « délivré » de l’ESP par écrit.
- Signalez la colonne des ouvertures de confidentialité Apple.
- Excluez les agents utilisateurs des scanners de sécurité.
- Segmentez par cycle de vie et type de contenu.
- Calculez le taux d’ouverture filtré médian par segment.
- Définissez la limite de contrôle inférieure à moins 2 points de la médiane.
- Documentez les hypothèses dans une note partagée.
En suivant cela, vous répondrez à « quel est un bon taux d’ouverture d’e-mail » avec un chiffre spécifique à votre entreprise, pas une estimation d’un article de blog. Et vous saurez exactement comment calculer une référence de taux d’ouverture qui survit à l’érosion de la confidentialité.
La véritable référence est celle que vous pouvez défendre lorsqu’un responsable demande : « Par rapport à quoi ? » Maîtrisez le dénominateur, filtrez les machines, segmentez les humains.
Une dernière note de terrain : revisitez votre référence chaque trimestre. Alors que Gmail et Yahoo finalisent leurs propres proxies de confidentialité, les règles de filtrage changeront à nouveau. Le cadre ci-dessus est conçu pour absorber cela—remplacez la logique de filtre MPP, gardez la structure. C’est ainsi que vous restez une référence quand le terrain bouge.