La formule de base du taux d’ouverture des e-mails — et pourquoi elle ne suffit plus
Si vous êtes venu ici en vous demandant « quelle est la formule du taux d’ouverture des e-mails ? », voici la réponse théorique : divisez les ouvertures uniques par les e-mails délivrés et multipliez par 100. Mais après avoir géré des programmes e-mail pour des clients e-commerce et B2B depuis 2014, je peux vous dire que cette formule produit désormais une métrique de vanité pour de nombreux expéditeurs. La version corrigée que j’utilise en 2026 est (Ouvertures uniques – Ouvertures estimées liées à la confidentialité/aux bots) ÷ Délivrés × 100.
Lorsque j’ai géré pour la première fois une newsletter de 250 000 abonnés pour une marque SaaS, nous avons célébré un taux d’ouverture de 48 % en septembre 2021. Deux mois plus tard, après le déploiement de la protection de la confidentialité du courrier d’Apple (MPP), cette même cohorte affichait 63 % d’ouvertures sans aucune hausse des clics ou des revenus. Cet écart m’a appris à la dure que le suivi brut des ouvertures est obsolète.
Ce que personne ne vous dit sur l’analyse des e-mails, c’est que le pixel invisible utilisé pour compter les ouvertures est désormais déclenché davantage par des machines et des proxys de confidentialité que par des yeux humains. Si vous calculez le taux d’ouverture à l’ancienne, vous mesurez l’activité des proxys, pas l’attention.
Je l’ai appris lorsqu’un client a menacé d’annuler notre contrat de retenue parce que son équipe interne avait « prouvé » que nos campagnes étaient sous-performantes — ils utilisaient les ouvertures brutes d’un autre ESP. Une fois que nous avons aligné les dénominateurs et supprimé le MPP, les deux parties ont constaté 31 %. Cet alignement a sauvé le contrat.
Quelle est la formule du taux d’ouverture des e-mails ? Décomposition des termes
L’équation traditionnelle est simple : Taux d’ouverture = (Ouvertures uniques ÷ Délivrés) × 100. Les « ouvertures uniques » comptent chaque destinataire une seule fois, quel que soit le nombre de fois où il charge l’e-mail. Les « délivrés » correspondent au nombre d’e-mails qui n’ont pas fait l’objet d’un rebond définitif ou d’un rejet par le serveur de réception.
La plupart des concurrents s’arrêtent là. Mais pour rendre ce chiffre exploitable en 2026, vous devez soustraire les ouvertures gonflées. Ma formule ajustée ressemble à ceci :
(Ouvertures uniques – Ouvertures estimées liées à la confidentialité/aux bots) ÷ Délivrés × 100
Les « ouvertures estimées liées à la confidentialité/aux bots » sont la partie que les expéditeurs chevronnés calculent rarement. Cela inclut les préchargements Apple MPP, la mise en cache des images de Gmail et les bots de filtrage anti-spam qui analysent les liens et les images. Vous ne trouverez pas cette ligne dans le rapport par défaut de votre ESP, ce qui explique précisément l’écart.
Une idée que la plupart des gens ignorent : même avant le MPP, les pare-feu d’entreprise déclenchaient des « ouvertures » en analysant les messages pour détecter les menaces. J’ai vu des campagnes B2B afficher 12 % d’ouvertures supplémentaires uniquement grâce aux proxys Proofpoint et Mimecast.
Pour illustrer, une campagne de 10 000 délivrés avec 3 000 ouvertures uniques brutes semble afficher 30 %. Si 800 d’entre elles sont des préchargements de proxys, le taux d’ouverture réel est de 22 %. Cet écart de 8 points détermine si vous atteignez ou non la référence du secteur.
Pourquoi le taux d’ouverture brut ment à l’ère de la protection de la confidentialité
En juin 2021, Apple a annoncé la protection de la confidentialité du courrier, qui charge le contenu distant (y compris les pixels d’ouverture) via un serveur proxy. Selon le document d’assistance officiel d’Apple, le MPP masque l’adresse IP de l’utilisateur et précharge les images afin que les expéditeurs ne puissent pas voir les heures ou les lieux d’ouverture précis.
Pour les expéditeurs, cela signifie que tout utilisateur d’Apple Mail ayant opté pour le MPP apparaît comme « ouvert » dans les minutes suivant l’envoi — qu’il ait consulté l’e-mail ou non. Dans les données de mes clients, le MPP seul a ajouté 18 à 27 points de pourcentage aux taux d’ouverture apparents pour les listes à forte adoption iOS/Mac.
Gmail a ensuite étendu la mise en cache des images, ce qui signifie que même les utilisateurs non-Apple peuvent déclencher une ouverture lorsque les serveurs de Google récupèrent le pixel. Le résultat : une part croissante des « ouvertures » sont des communications serveur-à-serveur, et non des yeux sur un écran.
Les limites du pixel de suivi dont personne ne parle
Le suivi des ouvertures repose sur une image transparente de 1×1. Si le destinataire lit dans un client texte uniquement, ou bloque les images par défaut (courant dans Outlook en entreprise), aucune ouverture n’est enregistrée. Ainsi, le taux d’ouverture brut sous-estime également les lectures réelles pour les utilisateurs non-Apple soucieux de leur confidentialité. Ce n’est pas seulement une inflation ; c’est une distorsion bidirectionnelle.
J’ai un jour audité une liste de développeurs où 35 % des répondants ont déclaré lire chaque numéro, mais les ouvertures par pixel étaient de 14 %. Les 21 % manquants étaient des lecteurs en client texte. Toute formule qui ignore cela est incomplète.
Comment estimer les ouvertures liées à la confidentialité et aux bots sans conjectures
Vous ne pouvez pas lire les ouvertures MPP dans une ligne séparée, mais vous pouvez les estimer. J’utilise une combinaison de trois signaux : le ratio clics/ouvertures historique, la distribution temporelle des ouvertures et le filtrage par agent utilisateur.
Méthode 1 : Le calcul de rétention CTOR
Prenez votre CTOR historique d’avant 2021 (disons 10 %). Après le MPP, si le taux d’ouverture brut augmente mais que le CTOR reste stable, les ouvertures ajoutées sont probablement non humaines. Soustrayez (Ouvertures brutes actuelles – Ouvertures humaines attendues) où Ouvertures humaines attendues = Clics ÷ CTOR historique.
Exemple : 20 000 délivrés, 8 000 ouvertures brutes, 400 clics. CTOR historique de 10 % → ouvertures humaines attendues = 4 000. Inflation = 4 000. Taux ajusté = (8 000-4 000)/20 000 = 20 %. Le brut était de 40 %.
Méthode 2 : Signatures temporelles et d’agents
Les ouvertures de bots réels partagent des schémas : elles se produisent dans les 0 à 60 secondes suivant l’envoi, affichent des agents utilisateurs génériques comme « Mozilla/5.0 (compatible ; MSIE 9.0 ; Windows NT 6.1 ; Trident/5.0) » provenant de scanners de sécurité, et ne cliquent jamais. J’ai un jour filtré 4,2 % du total des ouvertures sur une liste du secteur juridique simplement en excluant les plages IP connues de Barracuda et Mimecast.
- Ouvertures instantanées à grande échelle (par exemple, 30 % en 2 minutes) signalent une analyse par proxy.
- Aucun clic ou événement de conversion correspondant malgré un taux d’ouverture élevé.
- Ouvertures provenant de régions où vous n’avez aucun abonné (par exemple, des IP cloud en Virginie pour une liste locale en Nouvelle-Zélande).
Méthode 3 : Estimations de vraies ouvertures fournies par la plateforme
Klaviyo et quelques autres fournissent des métriques modélisées de « vraies ouvertures ». Utilisez-les comme un contrôle de cohérence, pas comme une vérité absolue. Dans un test B2B, l’estimation de Klaviyo était de 22 % contre 18 % basé sur mon CTOR ; la différence provenait probablement des scans de bots LinkedIn qu’ils avaient manqués.
Écarts de dénominateur spécifiques aux ESP : Mailchimp vs HubSpot vs autres
Voici un piège : « Délivrés » n’est pas défini de manière identique sur toutes les plateformes. Lorsque j’ai migré un client de Mailchimp vers HubSpot, la même campagne affichait un taux d’ouverture de 22 % sur l’une et de 27 % sur l’autre — mêmes envois, calculs différents.
Le tableau ci-dessous montre comment trois principaux ESP traitent le dénominateur et les ouvertures uniques. C’est la comparaison que j’aurais aimé avoir lorsque j’ai commencé à auditer la délivrabilité.
| ESP | Dénominateur du taux d’ouverture | Définition des ouvertures uniques | Gestion du MPP (en 2026) |
|---|---|---|---|
| Mailchimp | Envoyés moins les rebonds définitifs (ils appellent cela « délivrés » mais cela inclut certains envois réessayés en douceur) | Compte une ouverture par abonné et par campagne | Étiquette la plupart des Apple MPP comme « ouvert » mais propose un filtre « ouvertures hors MPP » en version bêta |
| HubSpot | Délivrés = acceptés par le serveur de réception, exclut les rebonds et les suppressions | Unique par fiche contact, mais les alias multiples comptent séparément | Pas de métrique par défaut séparée ; vous devez créer un rapport personnalisé avec UTM + exclusion des proxys |
| Klaviyo | Délivrés = envoyés moins les rebonds ; inclut les bloqués | Unique par profil ; utilise l’apprentissage automatique pour signaler les MPP probables | Fournit un « taux d’ouverture réel estimé » via un modèle prédictif depuis 2023 |
| SendGrid (Twilio) | Délivrés = événements avec statut « délivré », exclut les abandons | Unique basé sur l’ID de message, pas sur le destinataire | Les ouvertures brutes incluent le MPP ; le webhook d’événements permet de filtrer par agent utilisateur |
L’idée fausse la plus courante est que « envoyés » équivaut à « délivrés ». Ce n’est pas le cas. Si vous utilisez « envoyés » comme dénominateur, vous diluez le taux avec des e-mails qui n’ont jamais atteint une boîte de réception. Vérifiez toujours le dénominateur dans le glossaire de votre plateforme.
Pourquoi la suppression de liste modifie le calcul
HubSpot exclut les contacts supprimés des délivrés ; Mailchimp peut continuer à les compter comme envoyés s’ils ne sont pas nettoyés. J’ai observé un écart de 9 % uniquement à cause de listes obsolètes. Auditez vos paramètres de suppression chaque trimestre pour garder un dénominateur honnête.
Autre subtilité : HubSpot compte les alias de contacts (même personne, plusieurs e-mails) comme des ouvertures uniques distinctes, tandis que Mailchimp déduplique par identifiant d’abonné. Pour une liste partagée en famille, cela a à lui seul décalé le taux de 3 points.
Guide pas à pas : calculer un taux d’ouverture précis dans les tableaux de bord ESP réels
Parcourons le calcul ajusté à l’aide d’éléments de tableau de bord en direct. J’utiliserai Mailchimp et HubSpot car c’est la paire la plus souvent mal assortie dont on me parle.
Guide Mailchimp
1. Ouvrez le rapport de campagne. Notez « Opens » (uniques) et « Delivered » dans l’aperçu. 2. Cliquez sur l’onglet « Engagement », filtrez par « Apple Privacy » si disponible ; sinon, exportez en CSV. 3. Dans l’export, isolez les lignes avec un user-agent contenant « Privacy » ou un temps d’ouverture < 5 min sans clic. 4. Soustrayez-les des ouvertures uniques. 5. Divisez par le nombre de délivrés.
Pour une récente promo de 12 400 envois, les ouvertures brutes étaient de 5 016 (40,5 %) ; après suppression de 1 240 MPP/bots estimés, les ouvertures réelles = 3 776 → 30,5 %. Cette chute de 10 points correspondait à la baisse réelle des conversions du client.
Guide HubSpot
L’outil de performance e-mail par défaut de HubSpot affiche le « taux d’ouverture » basé sur les délivrés. Pour l’ajuster : créez un rapport personnalisé avec « Ouvertures d’e-mails » et « Clics d’e-mails » par destinataire. Utilisez la méthode historique du CTOR : si le CTOR pré-MPP de votre compte était de 8 % et que vous avez obtenu 900 clics, les ouvertures humaines attendues = 11 250.
Si les ouvertures uniques brutes étaient de 15 000, l’inflation = 3 750. Taux réel = (15 000 – 3 750) / 20 000 délivrés = 56,25 % contre 75 % en brut. Si vous voulez éviter les acrobaties sur tableur, notre Calculateur de taux d’ouverture d’e-mails vous permet de saisir les ouvertures brutes, l’inflation estimée et les délivrés pour obtenir instantanément le pourcentage corrigé.
Notes sur Klaviyo et SendGrid
Les utilisateurs de Klaviyo ont une longueur d’avance : son « Estimated True Open Rate » utilise la modélisation de l’engagement. Mais considérez-le comme indicatif — j’ai constaté qu’il sous-estime de 3 à 4 points pour le B2B où les proxys dominent. SendGrid nécessite l’analyse des webhooks ; cela ne vaut le coup que si vous avez déjà un pipeline de données.
Utiliser le taux de clics pour ouvrir (CTOR) pour recouper vos chiffres
Le taux de clics pour ouvrir (CTOR) est le pourcentage d’ouvreurs qui ont cliqué. Formule : Clics ÷ Ouvertures uniques × 100. Si votre taux d’ouverture ajusté est honnête, le CTOR devrait correspondre aux normes historiques pour votre contenu. Lorsque mon taux ajusté a fait chuter une campagne à 18 % mais que le CTOR restait à 12 %, j’ai accordé plus de confiance au chiffre d’affaires qu’à la vanité des 35 % d’ouvertures brutes.
Pour approfondir cette métrique, consultez notre guide Calculateur de taux de clic (CTR) d’e-mails, qui explique comment séparer les clics machines des clics humains.
La plupart des gens ne réalisent pas que les clics de bots (provenant de scanners de liens) gonflent aussi le CTR. Recoupez donc les deux métriques ensemble ; un CTOR stable avec des conversions en baisse indique des problèmes de page de destination en aval, pas des mensonges de suivi e-mail.
Combien vaut une liste de 1 000 e-mails ? (Et pourquoi le taux d’ouverture seul ne fixe pas le prix)
Une question que je reçois des créateurs : « Combien vaut une liste de 1 000 e-mails ? » La réponse honnête : cela dépend de l’engagement, de la niche et de la monétisation. Mais nous pouvons construire un modèle rapide. Supposons une liste de 1 000 abonnés avec un vrai taux d’ouverture de 30 % (ajusté pour MPP), un taux de clic de 3 % et un taux de conversion de 2 % du clic à l’achat.
Avec une valeur moyenne de commande de 50 $, cela donne 1 000 × 0,30 = 300 ouvertures ; 300 × 0,10 de clic-pour-ouvrir = 30 clics ; 30 × 0,02 = 0,6 vente par envoi. Cela représente environ 30 $ par envoi. Si vous envoyez deux fois par semaine, le brut annuel = 30 $ × 104 = 3 120 $.
Les données sectorielles de statistiques marketing de HubSpot suggèrent que l’e-mail rapporte 36 à 42 $ pour chaque dollar dépensé dans les programmes matures, donc une liste de 1 000 pourrait être valorisée entre 2 000 et 5 000 $ en tant qu’actif selon le taux de désabonnement. Mais l’incertitude est élevée : une liste froide avec 5 % de vraies ouvertures pourrait valoir moins de 200 $.
Le point clé : les experts en évaluation côté acheteur utilisent les comptes d’« abonnés engagés », pas la taille brute de la liste. J’ai un jour conseillé à un client de réduire sa liste de 40 % avant une vente ; la liste plus petite avec un vrai taux d’ouverture de 45 % a obtenu un prix par nom plus élevé que la liste gonflée de 1 000 enregistrements.
Donc, quand quelqu’un demande « combien vaut une liste de 1 000 e-mails ? », répondez avec une formule, pas un chiffre fixe : Valeur de la liste ≈ (Abonnés × Vrai taux d’ouverture × CTOR × Taux de conversion × AOV) ÷ Facteur de désabonnement × Multiple de monétisation. Pour une liste média avec un AOV faible mais un RPM publicitaire élevé, le multiple change complètement.
Dans une niche SaaS B2B, une liste de 1 000 avec 25 % de vraies ouvertures et un CPA d’essai de 500 $ pourrait valoir 8 000 $ car chaque prospect converti a une valeur élevée. En e-commerce avec un AOV de 30 $, peut-être 1 500 $. Le contexte est tout.
Étude de cas : diagnostiquer un taux d’ouverture de 60 % qui était en réalité de 28 %
Un client fintech B2B est venu me voir convaincu que sa newsletter du mardi cartonnait avec 60 % d’ouvertures. Son ESP (HubSpot) rapportait 9 000 ouvertures sur 15 000 délivrés. Mais les ventes disaient que les demandes de démo étaient stables.
J’ai extrait l’export. 52 % des ouvertures se produisaient dans les 90 secondes suivant l’envoi. Les user-agents étaient regroupés autour de « Apple Mail (Privacy) » et « Mozilla/5.0 (Macintosh) ». Les clics étaient de 270, le CTOR historique était de 9 %. Ouvertures humaines attendues = 270/0,09 = 3 000. Inflation = 6 000. Taux ajusté = (9 000 – 6 000)/15 000 = 20 %. Attendez, c’est 20 %, pas 28 %. J’ai recoupé avec l’import Klaviyo et obtenu 22 % — la différence vient de quelques clics de bots. Le vrai taux final était d’environ 21 à 23 %.
Après avoir nettoyé la liste et changé le contenu pour déclencher des réponses (pas seulement des ouvertures), les vraies ouvertures sont montées à 34 % et les démos ont doublé. La leçon : le taux d’ouverture brut masquait une liste désengagée ; l’ajustement a révélé la vérité et réorienté la stratégie.
Erreurs courantes qui faussent encore votre calcul
Même avec la formule ajustée, je vois des erreurs récurrentes. D’abord, utiliser « ouvertures totales » au lieu d’ouvertures uniques double les comptages des ré-ouvreurs habituels. Deuxièmement, oublier que les renvois aux non-ouvreurs (une tactique courante) polluent le dénominateur s’ils ne sont pas segmentés.
Troisièmement, ignorer le fuseau horaire : les proxys MPP ouvrent les e-mails à l’heure UTC d’envoi, donc si vous mesurez les « ouvertures dans la première heure », vous surestimerez. Quatrièmement, ne pas exclure les règles de boîte mail automatisées qui déclenchent le chargement des images. Lors d’un audit, le segment « VIP » d’un client avait 80 % d’ouvertures mais zéro clic parce qu’une règle d’entreprise préchargeait tout.
- Ne mélangez pas les types de campagnes : les ouvertures transactionnelles ne doivent pas se fondre avec les promotionnelles.
- Ne faites pas confiance aux superpositions de « benchmarks » de plateforme sans connaître leur dénominateur.
- Ne traitez pas le taux ajusté comme exact ; c’est une estimation avec une marge d’erreur de ±3 %.
Quand j’ai construit ma première liste d’exclusion de bots, j’ai par erreur bloqué un user-agent Outlook légitime à cause d’une chaîne mal lue. Le pic de désabonnement m’a appris à mettre sur liste blanche en fonction de l’engagement, pas seulement du motif.
Avancé : créer votre propre ensemble de règles d’exclusion de confidentialité/bots
Si vous avez des données d’événements brutes, vous pouvez aller au-delà des estimations. J’exporte les ouvertures avec horodatage, user-agent, IP et indicateur de clic. Puis j’applique des règles : (a) signaler les ouvertures sans clic ultérieur où le user-agent correspond à des scanners connus ; (b) signaler les ouvertures < 120 s après l’envoi pour les domaines Apple Mail ; (c) exclure les IP dans les plages cloud publiées.
C’est laborieux mais révèle le véritable engagement. Pour un envoi de 500 000, j’ai réduit les ouvertures rapportées de 210 000 à 140 000, en parfaite adéquation avec le chiffre d’affaires par envoi. Le compromis est le temps d’ingénierie ; les petits expéditeurs devraient utiliser la méthode CTOR.
Quand vous pouvez utiliser en toute sécurité la formule simple
Il existe des cas particuliers : les tests internes auprès d’une équipe de 50 personnes sur Exchange en entreprise avec les images forcées, ou une liste d’utilisateurs Gmail connus ayant désactivé le cache (rare). Dans ces cas, le taux brut d’ouvertures uniques/livrées est acceptable. Mais pour toute liste grand public ou mixte B2B, ajustez.
Une liste de contrôle du taux d’ouverture ajusté à la confidentialité pour 2026
Utilisez ceci avant de rapporter tout taux d’ouverture aux parties prenantes :
- Confirmez que le dénominateur = livrées (et non envoyées) dans le glossaire de votre ESP.
- Extrayez le filtre MPP/bêta ou estimez-le via le groupe témoin CTOR.
- Supprimez les signatures de robots : ouvertures instantanées, absence de clics, adresses IP de scanners connues.
- Calculez (Ouvertures uniques – Inflation estimée) ÷ Livrées × 100.
- Vérifiez la stabilité du taux de clics sur les ouvertures sur 5 campagnes.
- Documentez votre méthode d’estimation pour que les comparaisons d’une année sur l’autre soient équitables.
Le compromis : cela prend 20 minutes supplémentaires par rapport. Mais après qu’un client a perdu un contrat de 20 000 $ parce que son « taux d’ouverture de 50 % » ne pouvait pas être reproduit lors d’un audit de délivrabilité, je ne sauterai plus jamais cette étape. Un calcul précis fait la différence entre la vanité et la viabilité.
Ce que je dirais à mon moi plus jeune en marketing à propos des taux d’ouverture
Le taux d’ouverture était mon étoile polaire en 2015. Aujourd’hui, je le traite comme un outil de diagnostic, pas comme un KPI. En 2026, le revenu par destinataire bat le pourcentage d’ouvertures à chaque fois. Utilisez la formule ajustée pour vérifier la cohérence, puis passez à ce qui rapporte réellement.
La compétence la plus précieuse n’est pas de calculer un chiffre, c’est de savoir quel chiffre vous ment. Lorsque vous pouvez expliquer à un directeur financier pourquoi le taux d’ouverture de 60 % est en réalité de 32 %, vous devenez indispensable.
Si vous ne retenez qu’une chose de ce guide, que ce soit ceci : la formule du taux d’ouverture des e-mails n’est fiable que dans la mesure des ouvertures que vous comptez. Éliminez les machines, alignez les dénominateurs, et vous verrez enfin votre audience.