[A/B testing épisode 3] Paramétrer vos tests A/B au moyen d’hypothèses solides

Cet article est le troisième d’une série sur l’A/B testing à suivre tout l’été sur le blog du Capitaine. Retrouvez le deuxième épisode ici.

Un bon plan d’A/B testing ne consiste pas à tester des variantes de tous les éléments de votre page en espérant tomber sur la variante miracle. Pour mettre toutes les chances de votre côté dès le lancement de vos premiers tests A/B, il est primordial de prendre le temps de concevoir des hypothèses de test solides.

En quoi consiste une hypothèse de test ? Contrairement à ce que le nom pourrait laisser croire, il ne s’agit pas d’une pure intuition ou de suppositions. Oui, un test A/B peut vous permettre de vérifier si une intuition était fondée, mais choisir vos tests en fonction des idées qui vous passent par la tête est une perte de temps. L’A/B testing est d’autant plus efficace quand il est précédé d’un travail de réflexion sur les problèmes rencontrés par vos utilisateurs et les solutions pressenties pour les régler.

Une hypothèse d’A/B testing comprend donc 4 éléments :

1. Un problème clairement identifié

Avant toute chose, il vous faut clarifier les objectifs de la page que vous souhaitez tester. Quelle est votre critère de conversion ? Votre KPI ? Ensuite, il s’agit de repérer les potentiels problèmes rencontrés par les utilisateurs qui peuvent nuire à cet objectif de conversion. Pour cela, aidez-vous des données quantitatives fournies par votre outil d’analytics : sources du trafic, taux de rebond, etc. L’objectif est de repérer les éventuelles fuites dans le tunnel de conversion ; vous saurez alors où concentrer vos efforts.

2. Des causes pressenties

illus_1

Vous savez à présent où vous perdez des conversions, il reste à déterminer pourquoi. Pour comprendre les causes des problèmes que vous avez identifiés, il vous faut aller au-delà de l’analyse des données quantitatives et tenter de comprendre les motivations de vos utilisateurs. Ceux-ci ont certaines attentes : la page actuelle y répond-elle ? Pour connaître ces attentes, appuyez-vous sur des données qualitatives : questionnaires et sondages en direction de vos utilisateurs, e-mail, heatmaps…

Posez-vous les questions suivantes :

  • Pourquoi mes utilisateurs visitent-ils ma page ?
  • Que viennent-ils y chercher ? Le trouvent-ils ?

Il vous sera impossible de comprendre parfaitement les motivations et les attentes de tous vos utilisateurs, mais en en acquérant une compréhension même partielle vous serez mieux équipé pour pressentir les causes des problèmes que vous aurez identifiés.

3. Une solution possible

Maintenant que vous avez une certaine idée des causes probables des “fuites” de conversion, vous pouvez concevoir une solution pour y remédier. Aidez-vous de ce que vous savez des attentes de vos utilisateurs pour choisir quels éléments changer et de quelle façon.

Posez-vous ces questions :

  • Quelle est la plus-value de mon offre ?
  • Quelles informations dois-je apporter à mes utilisateurs pour qu’ils convertissent ?
  • Qu’est-ce qui pourrait les en dissuader ?
  • Que puis-je optimiser sur ma page pour augmenter mes conversions ?

4. Un résultat attendu

illus_2

Le dernier élément d’une hypothèse de test complète est ce que vous attendez du test lui-même. Une fois que la variante que vous avez conçue est déployée et le test A/B complété, quelle amélioration de votre KPI pensez-vous pouvoir obtenir ? Abordez cette étape avec bon sens : si, au regard de la solution proposée, les résultats que vous attendez vous paraissent un peu mirobolants, votre hypothèse est sans doute bancale. Concevez une solution plus convaincante, ou bien revoyez vos attentes à la baisse.

Transformer votre hypothèse en un test A/B réussi

Votre hypothèse de test est désormais complète, mais elle restera une simple hypothèse tant qu’elle n’aboutira pas sur un test A/B concret. Ce n’est qu’en testant que vous saurez si la solution que vous avez conçue était la bonne. Si les résultats que vous attendiez sont loin d’être atteints, sans doute votre hypothèse avait-elle certaines faiblesses. Le plus souvent, le problème est que :

  • la solution que vous avez conçue n’est pas à même de résoudre le problème ;
  • ou bien les causes pressenties du problème sont erronées.

Dans ce cas, votre test A/B n’est pas un échec pour autant ! Appuyez-vous sur ces enseignements pour concevoir une nouvelle hypothèse d’autant plus efficace.

Conclusion

Aborder l’A/B testing au moyen de telles hypothèses est essentiel pour éviter de tester au hasard en se basant sur des intuitions et des suppositions. Vous pourrez ainsi paramétrer de meilleurs tests ayant plus de chances de donner des résultats probants.

2 commentaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Merci de taper les caractères de l'image Captcha dans le champ

Merci de saisir ces caractères dans le champ
ci-dessous afin de valider votre commentaire.

Alix de Sagazan

Article de : Alix de Sagazan

Alix de Sagazan est directrice associée chez AB Tasty, application d’A/B testing et de personnalisation des contenus. AB Tasty est une start-up qui a développé son propre outil d’A/B Testing afin de permettre aux équipes non-techniques de réaliser elles-mêmes leurs tests A/B.