Aucun résultat trouvé

Votre recherche n’a donné aucun résultat.

Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :

  • Vérifiez l’orthographe de votre recherche par mot clé.
  • Utilisez des synonymes pour le mot clé que vous avez tapé, par exemple, essayez “application” au lieu de “logiciel”.
  • Lancer une nouvelle recherche.

Que sont les tests A/B ?

Définition de l'A/B testing

L'A/B testing permet de comparer les performances de deux versions de contenu et de déterminer ainsi laquelle convainc le plus les visiteurs. Ce processus teste une version (A) par rapport à une variante (B) pour évaluer laquelle est la plus performante selon vos mesures clés. Les professionnels du marketing numérique réalisant aussi bien du marketing B2B que du marketing B2C ont à leur disposition les options d'A/B testing suivantes :

  • L'A/B testing du site Web (texte, image, palettes de couleurs, « calls to action ») qui partage le trafic entre deux versions, la A et la B. Vous surveillez les actions des internautes pour déterminer la version qui obtient le plus grand nombre de 1) conversions ou 2) visiteurs qui ont effectué l'action que vous attendiez d'eux.
  • L'A/B testing du marketing par e-mail (objets, images, calls to action) divise les destinataires en deux segments pour déterminer quelle version génère le meilleur taux d'ouverture.
  • L'analyse du comportement de l'utilisateur permet de voir s'il est plus intéressé par un contenu choisi par les rédacteurs ou celui généré par un algorithme.

Quel que soit votre objectif, l'A/B testing vous permet de proposer la meilleure expérience client (CX) possible.

Outre les tests A/B, il existe aussi les tests A/B/N, où « N » signifie « inconnu ». Un test A/B/N a plus de deux variantes.

Quand faire un test A/B et pourquoi ?

L'A/B testing s'avère plus efficace lorsqu'il s'effectue de manière continue. Des flux de tests réguliers peuvent générer des recommandations en continu quant à la manière d'affiner vos performances. Il est possible de réaliser des tests continus, car les options disponibles pour tester sont presque illimitées.

Comme indiqué ci-dessus, l'A/B testing peut être utilisé pour évaluer toutes les ressources de marketing numérique, dont :

  • Les e-mails
  • Les newsletters
  • La publicité
  • Les SMS
  • Les pages Web
  • Les composants des pages Web
  • Les applications mobiles

L'A/B testing joue un rôle important dans la gestion des campagnes puisqu'il permet de déterminer ce qui fonctionne et ce qui doit être améliorer. Il vous permet de savoir ce qui intéresse votre audience et ce qui la fait réagir. L'A/B testing vous permet de visualiser quels éléments de votre stratégie marketing ont le plus d'impact, ceux qui nécessitent des améliorations et ceux à abandonner complètement.

Nous avons expliqué pourquoi vous devriez pratiquer l'A/B testing. À présent, penchons-nous sur deux critères pour savoir quand tester.

  • Imaginons qu'une de vos campagnes marketing numériques ou un de leurs éléments n'est pas aussi performant que voulu et n'atteint donc pas les objectifs souhaités. L'A/B testing permet d'isoler le problème et d'améliorer les performances.
  • Maintenant, considérons que vous vous apprêtez à lancer un nouveau projet (une page Web, une campagne d'e-mails) et que vous n'êtes pas sûr d'adopter la meilleure approche (par exemple, vous pensiez envoyer un SMS). Une utilisation proactive de l'A/B testing vous permettra de comparer et de mettre en évidence les performances de deux approches pour en identifier la meilleure.

Les avantages de l'A/B testing pour votre site Web

L'A/B testing d'un site Web offre un excellent moyen de déterminer de manière quantitative les tactiques qui fonctionnent le mieux sur vos visiteurs. Ce faisant, vous validerez peut-être une de vos intuitions ou alors vous la réfuterez. Dans tous les cas, vous aurez l'avantage de ne pas perpétuer une pratique inefficace. Vous attirerez alors plus de visiteurs qu'auparavant, ils resteront plus longtemps sur votre site et cliqueront sur plus de liens.

En testant des composants/section largement utilisés de votre site Web, vous pouvez aboutir à des choix qui améliorent non seulement la page testée, mais aussi les pages similaires.

Comment réaliser un test A/B ?

L'A/B testing n'est pas compliqué, mais exige néanmoins des experts marketing qu'ils suivent un processus bien défini. Voici les neuf étapes de base :

Les étapes de base pour planifier et exécuter un test A/B

  • 1. Mesurez et vérifiez la performance initiale
  • 2. Déterminez l'objectif du test à partir de la performance initiale
  • 3. Développez une hypothèse sur la façon dont votre test améliorera vos performances
  • 4. Recensez les cibles ou les emplacements du test
  • 5. Créez les versions A et B à tester
  • 6. Utilisez un outil d'assurance qualité pour valider la configuration
  • 7. Exécutez le test
  • 8. Suivez et évaluez les résultats à l'aide d'analyses Web et de tests
  • 9. Appliquez ce que vous avez appris pour améliorer l'expérience client

Si vous suivez ces étapes avec des objectifs clairement définis et des hypothèses solides, vous éviterez les erreurs classiques de l'A/B testing.

Les tests vous fourniront des données et des preuves empiriques pour vous aider à affiner et à améliorer vos performances. En tirant parti de l'A/B testing, vous pouvez avoir plus d'impact, concevoir une expérience client plus attrayante, rédiger du contenu plus attractif et créer des visuels plus captivants. À mesure que vous les optimisez, vos stratégies marketing gagneront en efficacité, augmentant votre ROI et votre chiffre d'affaires.

Exemples d'A/B testing

Un certain nombre d'éléments marketing numérique qui peuvent être testé, dont :

  • Les liens de navigation
  • Les calls to action (CTAs)
  • L'apparence/la mise en page
  • Le texte
  • Les offres de contenu
  • Les titres
  • Les objets des e-mails
  • La personnalisation de l'adresse de l'expéditeur dans les e-mails
  • Les images
  • Les boutons, notamment de partage sur les médias sociaux
  • Les logos et slogans

Vos ambitions commerciales, vos objectifs de performances et votre base de référence, associés à votre campagne marketing actuelle, vous permettront de déterminer l'élément le plus intéressant à tester.

Le rôle de l'analyse dans l'A/B testing d'un site Web

Tout au long du processus de l'A/B testing, l'analyse est au cœur de la planification, de l'exécution et des recommandations de performances.

La formulation d'hypothèses de test demande une base solide en matière d'analyse. Vous devez comprendre vos niveaux de performances et de trafic actuels. En ce qui concerne l'analyse Web (par exemple), votre système d'analyse fournit quelques points de données clés durant le processus de planification, tels que :

  • Le trafic (nombre de vues sur la page et de visiteurs uniques) vers la page, le composant ou tout autre élément en cours de vérification pour les scénarios de test
  • L'intérêt (le temps passé sur le site, le nombre de pages consultées par visite, le taux de rebond)
  • Les conversions (les clics, le nombre d'inscriptions, les retombées)
  • Les performances dans le temps

Sans cette base pour les analyses, tout scénario de test ou évaluation des performances sera probablement basé sur des préférences ou des impressions personnelles. Les tests montreront souvent que ces hypothèses sont incorrectes.

Une fois qu'un test A/B est lancé, l'analyse joue également un rôle central. On utilise un tableau de bord pour surveiller les indicateurs de performances en temps réel, vérifier que le test se déroule comme prévu et réagir à toute anomalie ou à tout résultat inattendu. Il est possible d'arrêter le test, d'apporter des ajustements et de le recommencer, tout en s'assurant que les données de performances reflètent toutes les modifications ainsi que le moment où elles ont été apportées. Le tableau de bord des performances permet de déterminer la durée du test et d'avoir en main suffisamment de statistiques significatives.

Une fois le test exécuté, l'analyse permettra de déterminer les prochaines étapes. Par exemple, la version qui remporte le test peut devenir la présentation standard de la page Web du site et servir dorénavant de référence. Les experts marketing devraient développer un modèle d'analyse réutilisable pour transmettre les résultats du test et adapter ce modèle pour qu'il reflète les éléments spécifiques à un test donné.

En savoir plus sur l'A/B testing par e-mail

Comment interpréter les résultats des tests A/B ?

Il importe d'établir des objectifs pendant votre planification de test afin que vous puissiez évaluer les résultats, déterminer la version qui remporte le test et mettre à jour votre campagne marketing et/ou votre site Web en conséquence. Le test A/B est généralement réalisé sur une petite partie de l'audience pré-segmentée pour que, une fois la version gagnante connue, le message soit envoyé à l'intégralité du public ciblé.

Les résultats des tests montrent les éléments qui ont rencontré plus de succès que les autres en fonction des critères sélectionnés, tels que :

  • Le nombre de visiteurs
  • Le taux d'ouverture
  • Le taux de clics
  • Le nombre d'inscriptions (aux newsletters, etc.)
  • Le nombre d'abonnements

Deux éléments sont mesurés tout au long du test jusqu'à avoir assez de données statistiques pertinentes.

Les taux de conversion peuvent aussi être mesurés en termes de revenus. Vous pouvez prendre en compte le nombre de ventes ainsi que l'impact d'un changement sur les recettes des ventes. Rappelez-vous que les taux de conversion peuvent être enregistrés pour toute action mesurable et qu'ils ne se restreignent pas aux sites et ventes d'e-commerce. Il peut s'agir :

  • Des ventes
  • Des leads générés/des enregistrements soumis
  • Des inscriptions à la newsletter
  • Des clics sur les bannières publicitaires
  • Du temps passé sur le site

À quels indicateurs devez-vous prêter attention lorsque vous réalisez des tests A/B ?

La réponse à cette question dépend de vos hypothèses et objectifs. Cependant, vous devez vous intéresser en priorité aux indicateurs relatifs à l'intérêt porté par votre audience à votre contenu marketing.

Si vous testez une page Web, surveillez le nombre de visiteurs uniques, de visiteurs qui reviennent, le temps qu'ils passent sur les pages, ainsi que les taux de rebond et de sortie. Pour les e-mails marketing, il vous faut connaître le nombre d'ouvertures des e-mails et de clics sur vos CTA.

Que sont les tests multivariés ? Quelle est la différence avec l'A/B testing ?

Les tests multivariés sont souvent traités de pair avec les tests A/B, il est donc essentiel de comprendre de quoi il s'agit et qu'est-ce qui les diffèrent de l'A/B testing. Ces deux disciplines sont apparentées, mais elles présentent des différences.

Les tests multivariés se réalisent sur différents contenus pour plusieurs éléments (contrairement à l'A/B testing qui se concentre sur un élément) sur une ou plusieurs pages Web ou campagnes d'e-mails marketing pour identifier la combinaison qui obtiendra le meilleur taux de conversion.

Les tests multivariés appliquent un modèle statistique pour tester une combinaison de modifications qui aboutissent à une expérience complète gagnante et à une optimisation du site Web. Voici différentes caractéristiques clés des tests multivariés :

1

Large gamme d'éléments

Les tests multivariés s'appliquent à un large éventail de modifications sur le site Web ou les e-mails, concernant toutes les parties d'une offre telles que les images, le texte, la couleur, la police, les liens et les boutons CTA, ainsi que le contenu et la mise en page des landing pages ou des différentes étapes du processus de conversion tel que le règlement des achats. Un test multivarié peut facilement étudier plus de 50 combinaisons.

2

Des hypothèses aux résultats

Les tests multivariés débutent avec une hypothèse concernant des modifications de contenu qui pourraient améliorer les taux de conversion. Grâce au test multivarié, les modifications de contenu peuvent être réparties en éléments individuels pour déterminer quelle combinaison obtiendra le meilleur taux de conversion. Que les modifications soient infimes ou considérables en matière d'expérience utilisateur, elles peuvent toutes avoir un impact sur les résultats globaux.

3

Taux de conversion

Le taux de conversion est le taux auquel les visiteurs effectuent l'action souhaitée, telle que cliquer sur une offre ou ajouter des produits à leur panier. Des indicateurs supplémentaires sont utilisés pour évaluer le test, tels que les recettes par commande ou le taux de clics. Les analyses montrent quelle combinaison de modifications apporte les meilleurs résultats selon le taux de conversion ou l'augmentation des indicateurs définis.

4

Optimisation continue

Il est possible de se fixer un objectif commercial et un test visant à définir la meilleure expérience utilisateur pour l'atteindre. Dès lors, vous pouvez envisager de laisser votre software optimiser automatiquement cette expérience grâce audit test.

Peut-on exécuter des tests A/B ou multivariés sur iOS ou Android ?

En 2020, 2 900 milliards de dollars des dépenses d'e-commerce provenaient des applications mobiles. Ce montant devrait augmenter de 1 000 milliards d'ici la fin de l'année 2021. Cette croissance s'étend au-delà de la vente au détail et de l'e-commerce. Le mobile représente une part toujours plus importante du trafic en ligne et ce support continue de croître plus rapidement que les ordinateurs de bureau étant donné que, dans de nombreux pays, les téléphones portables sont plus accessibles que les ordinateurs. Ainsi, les applications iOS ou Android accompagnent, dans de plus en plus de cas, le parcours d'achat d'un client du début jusqu'à la fin. Cependant, comme l'écran est plus petit, le taux d'abandon du panier est plus élevé sur mobile (87 %) que sur les ordinateurs de bureau ou portable (73 %).

Plus que jamais, vous devez optimiser l'expérience mobile. Étant donné les limitations des applications iOS et Android, vous devez aussi disposer d'outils adaptés.

Regardez la vidéo ci-dessous pour en savoir plus.

La segmentation des visiteurs et le regroupement des segments dans le cadre de tests multivariés

Une expérience peut ne pas correspondre à tous les visiteurs/destinataires. Pouvoir identifier les segments de visiteurs et la façon dont ils agissent ou interagissent avec différentes expériences est l'un des grands avantages apportés par le test multivarié. Par exemple, vous pouvez remarquer que les nouveaux visiteurs préfèrent une expérience différente que ceux qui viennent régulièrement, puis apporter des améliorations qui se répercuteront sur les résultats globaux. Des systèmes plus sophistiqués vous suggéreront automatiquement une segmentation des visiteurs pour réduire le temps nécessaire à l'analyse des résultats de tests par rapport à une centaine d'attributs de visiteurs.

Le ciblage de différents segments de visiteurs avec des expériences adaptées augmentera considérablement vos taux de conversion. Ciblez-les en fonction d'une myriade d'attributs de visiteurs, de son environnement à son comportement, et ajoutez des attributs clients d'autres systèmes tels que votre CRM.

Quand préférer un test A/B à un test multivarié, et inversement ? La question est pertinente.

Les tests A/B constituent des outils intéressants, mais les tests multivariés sont plus indiqués pour tester plus de deux options en vue déterminer la meilleure expérience.

Les tests à plus de deux options s'avèrent plus lents et ne révèlent rien sur l'interaction entre les variables d'une seule page. Cependant, l'A/B testing est très simple à comprendre et peut être un bon moyen d'introduire les concepts d'optimisation des sites Web et de campagnes aux sceptiques ou de présenter concrètement l'impact d'un changement ou d'une amélioration de conception.

Les tests multivariés se révèlent particulièrement utiles pour comparer plusieurs éléments d'une ressource (une page Web ou un e-mail). Il peut s'agir, par exemple, de différentes combinaisons d'images ou de titres accrocheurs. Cependant, la multiplication des options testées requiert un plus grand trafic. Il est inenvisageable de vouloir tout tester sur une page. Un nombre trop élevé de changements sur une page provoque une multiplication ingérable du nombre de combinaisons à tester. Par exemple, réaliser un test sur dix éléments différents peut générer plus de trois millions et demi de permutations. La plupart des sites Web et des campagnes d'e-mailing ne seront pas en mesure de générer le trafic nécessaire pour les prendre en charge.