Qu’est-ce que l’AB Testing ?

Avec l’augmentation du coût des publicités traditionnelles, l’acquisition de trafic est devenue une activité onéreuse. Heureusement il existe une alternative efficace : tirer le maximum du trafic existant. Pour ce faire, l’AB testing est un outil remarquable. Mais qu’est-ce que l’AB Testing au juste et comment est-ce que cela fonctionne ?

[sta_anchor id= »définition-ab-testing »]Qu’est-ce que l’AB Testing ? Définition[/sta_anchor]

L’AB testing (ou test AB) est une méthode scientifique permettant de comparer deux versions  d’une page web – A et B – et d’identifier celle qui convertit le mieux. La version A est la version actuelle de la page (version de contrôle), tandis que la version B est la page modifiée (la page de traitement). Les performances de ces deux pages peuvent être facilement comparées si on les teste simultanément.

La modification de la version A doit être basée sur une Hypothèse. Celle-ci porte sur la façon dont les visiteurs utilisent votre site. Elle peut être en lien avec le design, la structure ou le contenu de votre site. En comparant les deux versions (de traitement et de contrôle), vous pouvez confirmer ou infirmer votre Hypothèse.

Mener de nombreux tests AB est le meilleur moyen de vraiment comprendre comment la conception d’une page affecte sa performance. Pour les grandes entreprises de e-commerce, ce processus est continu et implique de nombreuses versions de chaque page.

[sta_anchor id= »histoire-ab-testing » unsan= »histoire ab testing »]Petite histoire du AB Testing[/sta_anchor]

Tester des variables n’est pas nouveau. Certaines des idées scientifiques les plus connues ont été établies en analysant statistiquement l’effet de certaines variables. Toutefois, « l’examen d’hypothèses statistiques » dans laquelle une situation de traitement est comparée à une situation de contrôle a été établi au début du XXe siècle par des statisticiens.

1. Une méthode scientifique

L’examen d’hypothèses statistiques a un avantage majeur. Il nous permet de calculer la statistical significance (ou représentativité statistique) d’un effet. Des scientifiques tels que Ronald Fisher et Jerzy Neyman ont utilisé cette technique dans leurs expériences de biologie et de génétique. Ils avaient beau être en désaccord sur des points majeurs, ils ont tous les deux aider à établir le concept d’Hypothèse Nulle.

L’utilisation d’hypothèses statistiques pour analyser des campagnes marketing a été une application immédiate remarquable. Dans le monde de la publicité, les premiers copywriters (concepteurs-rédacteurs) comme Claude Hopkins ont expérimenté plusieurs façons de tester l’engagement du public. Hopkins a utilisé le taux de retour des coupons promotionnels associés à différentes versions d’un texte publicitaire afin de mesurer l’impact de différentes phrases. Il a décrit ses techniques pour tester les textes marketing dans son livre La Publicité Scientifique (Scientifique Advertising, 1923).

2. Un formidable outil pour le marketing digital

Au tournant du siècle, l’AB Testing a été utilisé comme une des principales resources des éditeurs de logiciels, de plateformes de e-commerce et de services en ligne. Les vastes échantillons à disposition (offerts par un trafic gratuit qui semblait inextinguible) et les enregistrements automatiques ont conduit à l’adoption généralisée de cette technique par les principales entreprises.

Dans un article du Harvard Business Review, Ron Kohavi (un ingénieur de Microsoft) et Stefan Thomke (Business Administration Professor) ont souligné les exemples suivants :

• En 2000, les ingénieurs travaillant chez Google ont mené un test pour trouver le nombre optimal de résultats à afficher sur une page de moteur de recherche. La réponse (10 résultats par page) est restée la même depuis lors.
• Au début des années 2000, Amazon a découvert que déplacer les offres de cartes de crédit de sa page d’accueil à sa page panier menait à une augmentation des revenus de dizaines de millions de dollars par an.
• En 2008 un employé de Microsoft a proposé que les liens de MSN s’ouvrent dans un autre onglet afin que la session des utilisateurs ne soit pas interrompue. Le nombre de clics sur la page d’accueil de MSN a alors augmenté de 8.9% et la pratique est devenue habituelle sur les pages d’accueil.
• De façon similaire, en 2012, un ingénieur de Bing a mené un simple test pour comparer deux façons d’afficher les titres des publicités. La variante gagnante a permis d’augmenter les revenus de 12%.

Aujourd’hui, des compagnies telles qu’Amazon ou Booking.com effectuent chacune plus de 10 000 Tests AB par an.

[sta_anchor id= »fonctionnement-ab-test »]Comment fonctionne le AB Testing ?[/sta_anchor]

Vous commencez un test AB en décidant ce que vous voulez tester, par exemple : la couleur du bouton Ajouter au Panier sur une page produit.

Vous devez ensuite savoir comment évaluer les performances. Dans ce cas cela peut être le nombre de visiteurs qui cliquent sur le bouton (on parle ici de micro-conversions).

Pour réaliser le test, vous affichez à deux groupes d’utilisateurs équivalents (constitués de façon aléatoire lorsqu’ils visitent le site) les différentes versions (la seule différence étant la couleur du bouton) et déterminez laquelle a eu le plus d’impact sur vos indicateurs de performance. Dans cet exemple : Quel bouton a généré le plus de clics ?

Dans la vie réelle, beaucoup de paramètres peuvent conduire une personne à cliquer. C’est pourquoi la randomisation est essentielle dans ce contexte, car elle minimise les chances que d’autres facteurs viennent perturber les résultats.

Si le concept paraît simple, sa mise en oeuvre nécessite de calculer la taille de l’échantillon nécessaire pour atteindre la statistical significance (représentativité statistique).

L’exemple de la couleur du bouton est un exemple très simple. En réalité, les outils de AB Testing vous permettent de modifier beaucoup d’éléments de votre site web et d’étudier l’impact de ces changements.

[sta_anchor id= »split-testing-ab-testing »]Quelle est la différence entre Split Testing et A/B Testing ?[/sta_anchor]

Le Split Testing permet de tester différentes versions d’une page hébergées sur différentes URLs, alors que le AB Testing utilise les versions créées à partir de l’éditeur graphique du logiciel de AB Testing.

Donc en AB Testing le visiteur reste sur la même page qui est modifiée de façon dynamique, alors qu’en Split Testing le visiteur est re-dirigé vers une autre page de façon transparente.

Ce changement dynamique de page peut occasionner un effet de flickering, aussi appelé FOOC (Flash of Original Content) du fait du chargement asynchrone du javascript (le chargement synchrone n’est pas recommandé).

Chez Convertize, nous avons développé un Lightning mode (contenu en anglais) qui permet de réduire considérablement l’effet de flickering et de le rendre invisible à l’oeil nu.

[sta_anchor id= »test-multiviarie »]Quelle est la différence entre un Test AB, un Test Multivarié et un Test A/B/n ?[/sta_anchor]

Un test AB classique permet de tester seulement deux variations d’une page à partir d’une seule variable. Lorsqu’on teste plusieurs versions d’une même page simultanément, on effectue un Test A/B/n. Dans chacune des versions, un seul élément est modifié par rapport à la version A. Imaginons par exemple que la version B change le bouton Call-to-Action tandis que la version C change une image sans toucher au bouton.

Le Multivariate testing (MVT) fonctionne de la même manière que le A/B/n Testing mais au lieu de tester les variations une par une, le multivariate testing les teste séparément et conjointement. L’objectif du multivariate testing est de déterminer quelle combinaison de variations est la plus performante pour un segment de visiteurs donné.

Dans l’exemple ci-dessus, les pages testées (A, B, C et D) correspondent aux combinaisons de variables suivantes, où X correspond au bouton et Y à l’image présents sur la page :

A – X1 et Y1

B – X2 et Y1

C – X1 et Y2

D – X2 et Y2

En ajoutant plus de variables et plus de versions de chaque variable, on arrive rapidement à un nombre exponentiel de pages.

Il existe des avantages et de inconvénients avec le Multivariate testing (MVT), nous discutons ce sujet dans notre article dédié au Multivariate Testing.

[sta_anchor id= »ab-testing-pourquoi »]Pourquoi faire du A/B Testing  en 2021 ?[/sta_anchor]

L’AB Testing est utilisé par de nombreuses sociétés pour améliorer les performances marketing de leur site web :

1. Les sites de e-commerce pour améliorer leur tunnel de conversion,
2. Les logiciels et sites Saas pour améliorer leur page d’accueil et leur processus d’abonnement,
3. Les sites de génération de leads pour améliorer leurs landing pages.

L’AB Testing est aussi utilisé par des sociétés souhaitant refondre le design de leur site web en testant chaque changement auprès de leurs utilisateurs.

[sta_anchor id= »quoi-tester »]Que peut-on A/B tester sur un site web ?[/sta_anchor]

A peu près tous les éléments visibles d’un site web peuvent être A/B  testés :

1. Les titres – Ils constituent une des premières et plus directes formes de communication avec le visiteur.
2. Les pages produits – Vos pages produits doivent mettre vos offres en valeur et permettre à l’utilisateur d’accéder facilement au panier avec un bouton Call-to-Action adéquat
3. Les textes – Racontez une histoire, dites à votre visiteur ce que vous ressentez… les mots comptent
4. Les prix – Vous ne pouvez pas proposer différents prix à différents clients mais vous pouvez changer la manière dont ils sont affichés. De simples changements dans la manière de présenter vos prix (en utilisant l’effet de Serial Position) peuvent avoir un réel impact sur le prix moyen de votre panier.
5. Les images – Il est prouvé que les individus prêtent davantage attention aux images qu’au texte : c’est ce qu’on appelle l’effet de supériorité de l’image. La façon dont un visiteur réagira à une image est imprévisible ; il est donc nécessaire de récolter des données.
6. Les couleurs – Les couleurs Google est connu pour avoir testé les couleurs de son site
7. Les formulaires – Les taux de remplissage des formulaires varient beaucoup plus que les taux de conversion donc l’optimisation est la clé du succès ici

Vous pouvez également tester : l’apparence de vos boutons, les témoignages clients, le menu de navigation, les éléments de Social Proof, les liens, les promotions, la navigation et la mise en page.

Conclusion

L’AB testing est un procédé similaire aux processus expérimentaux que nous connaissons tous. Toutefois, plutôt que de simplement observer les effets d’un changement sur une variable, le but du AB testing est d’obtenir le plus grand impact possible.

Comme pour tout autre test, les erreurs humaines empêchent d’obtenir des résultats convaincants. Ainsi, si vous songez à mener des tests AB sur votre site internet, faites en sorte de ne pas tomber dans deux pièges très courants :

1. Le problème classique qui consister à confirmer vos propres opinions.
2. Tirer des conclusions sans avoir suffisamment de trafic, de temps ou de magnitude pour votre effet (c’est l’erreur d’AB Testing la plus courante)

Assurez-vous de mener des tests AB fiables et pertinents, consultez notre « mode d’emploi » pour réussir vos AB Tests.

Par Philippe Aimé

Philippe est Directeur chez Convertize. Philippe a créé son premier site Internet en 1998. Il dirige aujourd'hui l'équipe de consultants en Optimisation des Conversions.