L’A/B Testing : une méthode qui a fait ses preuves
L’A/B Testing ou split testing est une méthode fortement recommandée dans le marketing digital pour tester une page web ou une application mobile auprès d’un échantillon d’internautes.
L’opération consiste à proposer au même échantillon deux versions d’un site web par exemple. La moitié des visiteurs consultera la page A et l’autre moitié la page B. L’analyse des retours permettra d’identifier la page qui a reçu la faveur des testeurs en fonction d’un indicateur prédéfini (trafic ou vente par exemple). Dans l’absolu, le split testing ne s’arrête jamais : une fois que la page « gagnante » a été identifiée, il s’agira de la mettre en concurrence avec une autre pour tendre vers le meilleur retour sur investissement possible. Les mastodontes du web comme Google, Cdiscount, Ebay ou encore Amazon mobilisent des équipes entières pour le split testing afin de s’inscrire dans un processus d’optimisation continuelle de leurs plateformes pour la vente de produits, la génération de leads ou encore l’expérience utilisateur.
Mini-guide de l’A/B testing
Pour éviter le hors piste et se lancer sereinement dans l’A/B Testing, nous vous proposons un mini-guide opérationnel :
Collecter les données : il est recommandé de se baser sur l’analyse statistique des données pour déterminer les zones à fort trafic. Cela permet de collecter des données plus rapidement Identifier les objectifs : générer des leads, du trafic ? Les objectifs d’une campagne sont les paramètres qui serviront d’indicateurs pour départager les deux versions testées; Générer l'hypothèse : une fois l’objectif est déterminé, il est temps de générer des idées de test et des hypothèses. Le brainstorming donne généralement de bons résultats ; Créer des variations : les modifications souhaitées seront apportées à un élément du site ou de l’application mobile. Exemple : changer la couleur d'un bouton, échanger l'ordre des éléments sur la page, cacher des éléments de navigation, etc ... Exécuter l'expérience : à ce stade, les utilisateurs seront assignés au hasard au contrôle ou à la variation de votre expérience. Leur interaction avec chaque expérience devra être mesurée ; Analyser les résultats : un seuil d’utilisateurs ou un laps de temps signeront la fin de l’expérience. Il est à présent temps d'analyser les résultats. Un logiciel de test A/B présentera les données de l'expérience en mettant en exergue les différences statistiques significatives. Si l’expérience génère un résultat non exploitable, il faudra générer de nouvelles hypothèses à tester. A/B Testing : quels avantages ?
Les tests A/B représentent une méthode de test simple mais puissante qui a montré ses preuves. Elle permet notamment de :
Construire des hypothèses et de mieux comprendre comment certains éléments peuvent influencer le comportement d’un utilisateur ; Améliorer continuellement une expérience donnée en améliorant un objectif déterminé au préalable, au fil du temps ; Déterminer les changements qui ont un effet sur le comportement des visiteurs. Il est possible, dans ce sens, de combiner l'effet de multiples changements gagnants à partir des expériences pour tendre vers la perfection.# Bonus : les meilleures pratiques A/B Testing
Pour réussir ses tests A/B et maximiser les enseignements, il s’agira d’accorder une attention particulière aux éléments sensibles suivants qui conditionneront fortement vos résultats :
Prendre le temps de formuler une bonne hypothèse : chaque test commencera forcément par une hypothèse. Celle-ci devra inclure la variable testée et la métrique de réussite qui détermine la version « gagnante » ; Une variable unique : un test A/B doit impérativement inclure une seule variable. Autrement, les résultats ne seront pas concluants et d’autres tests devront suivre pour affiner les résultats ; Une métrique de réussite claire : avant de lancer le test, il faudra décider de la façon dont on mesurera le succès des versions. Il faudra fixer au préalable un seul moyen de gagner (points, votes, temps, ventes, trafic, clics, etc.) ; Disposer d’un volume significatif : pour un test réussi, il faut avoir suffisamment de volume pour disposer de données statistiquement significatives. Autrement, les résultats seront biaisés et le test inutile.
