Test A/B : comment améliorer durablement la performance de vos publicités

Le concept ressemble à la méthode scientifique. Si vous voulez savoir quel effet produit le changement d’un seul facteur, vous devez créer une situation où seul ce facteur change.

Prenez une expérience classique de l’école primaire : on place deux graines dans deux gobelets de terre, on en laisse un dans un casier et l’autre près d’une fenêtre, puis on observe la différence de résultats.

C’est exactement ce type d’expérience que représente le test A/B. Les résultats produits par cette unique variable ont une influence considérable sur le marketing et pilotent les indicateurs business.

Le test A/B en marketing

Pourquoi le test A/B compte pour les marketeurs

Grâce au test A/B, les marketeurs créent deux versions d’un actif digital et vérifient laquelle obtient la meilleure réponse des utilisateurs.

Ces actifs peuvent être une landing page, une publicité display, un e-mail marketing ou une publication sur les réseaux sociaux. Dans un test A/B, la moitié de l’audience reçoit automatiquement la version A, l’autre moitié la version B. La performance de chaque version est jugée sur un objectif de conversion — la part de personnes qui cliquent sur un lien, remplissent un formulaire ou finalisent un achat.

Le test A/B n’est pas une nouvelle stratégie née avec le marketing digital. Les entreprises pratiquaient déjà des tests A/B sous diverses formes bien avant ; ce qui a changé, c’est qu’il s’appuie désormais sur des capacités digitales, ce qui permet d’obtenir des résultats plus précis, plus fiables et plus rapides.

Lorsqu’on cherche à faire croître une entreprise, il est souvent difficile de savoir quelle approche marketing résonnera le plus auprès de l’audience. C’est précisément là que le test A/B est utile : à force d’expérimentations répétées, il améliore le contenu, offre la meilleure expérience client possible et permet d’atteindre plus rapidement les objectifs de conversion.

À quoi ressemble le test A/B à l’ère numérique ?

Le test A/B en marketing digital est une forme d’expérimentation de contenu : on crée deux variantes d’une landing page ou d’une page web, puis on choisit celle qui sert le mieux l’objectif marketing fixé. La plateforme de test Optimizely définit le test A/B comme une méthodologie qui présente aléatoirement deux versions puis utilise une analyse statistique pour déterminer laquelle obtient les meilleurs résultats sur un objectif de conversion. La meilleure façon de comprendre le test A/B est de le situer par rapport aux deux types de tests les plus courants qui lui sont associés : le split test et le test multivarié.

Le split test (ou test d’URL scindée) présente deux landing pages complètement différentes à des groupes de clients distincts et mesure le taux de conversion — c’est en somme une expérimentation de contenu visant à déterminer quelle landing page performe le mieux dans son ensemble. Le test A/B, à l’inverse, n’utilise pas deux landing pages totalement différentes. Les marketeurs ne modifient qu’une partie des éléments : le texte de l’appel à l’action, l’argumentaire de vente, ou encore la couleur et la position de certains éléments de la page.

La différence entre test A/B et test A/B/n

Alors que le split test mesure l’écart de performance entre deux pages totalement différentes, le test A/B est une stratégie qui consiste à modifier une seule partie d’une page et à mesurer la variation du taux de conversion qui en résulte, afin d’identifier des pistes d’amélioration. Certains marketeurs digitaux utilisent le test A/B/n pour améliorer aussi la performance d’un site web.

Contrairement au test A/B, le test A/B/n utilise au moins trois variantes d’une landing page ou d’une page web. Le « n » de A/B/n désigne le nombre de variantes testées. Une fois le test terminé, il faut vérifier le nombre de conversions de chaque variante et déterminer celle qui affiche le meilleur taux de conversion. Le test A/B/n est généralement considéré comme une étape préliminaire avant de passer à un test multivarié plus avancé.

Le test multivarié ressemble au test A/B, mais il crée plusieurs variantes de plusieurs éléments à la fois sur une même page. Ces variantes sont combinées de différentes manières et présentées aux consommateurs, ce qui permet d’identifier quelle combinaison de changements produit les meilleurs résultats de campagne.

Le test A/B : pourquoi les marketeurs doivent le prendre au sérieux

Pourquoi les marketeurs devraient-ils faire des tests A/B ? Chez Growth, nous menons des tests A/B en continu, semaine après semaine.

Autrement dit, le test A/B n’est pas une tactique marketing ponctuelle et de court terme.

Alors pourquoi Growth continue-t-il de mener des tests A/B en permanence ? Parce que c’est, dans les faits, la seule façon de produire des résultats constants.

Résoudre les problèmes des visiteurs

Les visiteurs arrivent sur votre site avec un objectif précis en tête. Cela peut être de mieux comprendre votre produit ou service, d’acheter un produit en particulier, de se renseigner sur un sujet précis, ou simplement de naviguer.

Quel que soit leur objectif, les visiteurs risquent de rencontrer un certain nombre d’obstacles communs en chemin.

Par exemple, ils peuvent avoir du mal à trouver le bouton d’appel à l’action pour « acheter maintenant » ou « demander une démo ». Face à ce type de situation, les marketeurs doivent utiliser le test A/B pour déterminer quelle landing page ou quelle page web semble la plus accessible et la plus pratique.

Générer un meilleur ROI à partir du trafic existant

Comme la plupart d’entre vous le savez déjà, acquérir du trafic de qualité sur un site web coûte extrêmement cher. Le test A/B vous permet de tirer le meilleur parti du trafic déjà présent et d’augmenter votre taux de conversion sans dépense supplémentaire pour acquérir de nouveaux visiteurs.

Le test A/B révèle parfois à quel point un changement minime sur un site peut avoir un impact considérable sur le taux de conversion global de l’entreprise. Cela permet à l’entreprise d’obtenir un meilleur ROI.

Réduire le taux de rebond

L’un des indicateurs les plus importants à suivre pour évaluer la performance d’un site web est le taux de rebond. Un taux de rebond élevé peut avoir de nombreuses causes : trop d’options proposées, un décalage avec les attentes des visiteurs, ou une navigation confuse et désordonnée.

Comme chaque site web sert un objectif différent et cible un segment d’audience différent, il est difficile de trouver une solution universelle pour réduire le taux de rebond.

Mais mener des tests A/B peut aider à le réduire. En effet, le test A/B permet de faire varier différents éléments et de les tester jusqu’à trouver la meilleure version possible — c’est d’ailleurs l’une des raisons pour lesquelles Growth mène des tests A/B en continu.

Cela permet non seulement d’identifier les éléments qui freinent les visiteurs, mais aussi d’améliorer l’expérience globale du site. Ce qui, en retour, aide énormément à faire en sorte que les visiteurs passent plus de temps sur le site et se convertissent en clients payants.

Obtenir une amélioration statistiquement significative

Le test A/B est une stratégie fondée sur la donnée, qui ne laisse aucune place au jugement subjectif. Cela permet de décider rapidement de l’approche la plus efficace, sur la base d’améliorations statistiquement significatives — temps passé sur la page, chiffres bruts, etc. Cela dit, « statistiquement significatif » signifie ici que la probabilité d’observer le résultat constaté par pur hasard, en supposant qu’il n’y ait en réalité aucune différence entre les deux versions, est suffisamment faible — il faut donc faire tourner le test assez longtemps pour atteindre la significativité statistique, ou couvrir au minimum un cycle business complet, avant de pouvoir faire confiance à la conclusion.

Refondre le site pour des gains business futurs

Une refonte peut aller d’un ajustement mineur — le texte ou la couleur d’un CTA — jusqu’à une refonte complète du site. Une fois que vous avez décidé quelle version implémenter à l’issue d’un test A/B, ce choix doit toujours reposer sur la donnée.

Comment mettre en place un test A/B

Alors, comment faut-il concrètement mener un test A/B dans une campagne marketing ? Voici le processus de base à suivre.

Étape 1 : décider quel élément de campagne tester

D’abord, les marketeurs doivent décider quoi tester. Évaluez les landing pages, publicités ou campagnes passées peu performantes. Utilisez ensuite le web analytics et d’autres outils d’analyse pour formuler une hypothèse expliquant cette faible performance. Vous pouvez par exemple vous demander si le bouton CTA est trop petit ou peu visible. Classez chaque élément par priorité et commencez les tests par celui qui arrive en tête.

Étape 2 : créer deux variantes de cet élément

Une fois l’élément à tester choisi, créez deux variantes. Par exemple, concevez deux versions d’une bannière publicitaire — une avec une image, une sans. Vous pouvez aussi comparer un élément existant à un nouveau : laissez une landing page telle quelle, et préparez une page identique par ailleurs, mais dotée d’un bouton CTA plus grand, pour la comparaison.

Étape 3 : établir un plan de mesure des résultats

Vérifiez d’abord que vous disposez bien d’une stratégie pour suivre les indicateurs de campagne. Vérifiez quel indicateur vous mesurez réellement — hausse des ventes, augmentation des inscriptions à la newsletter, davantage de commentaires sur une publication. Il faut également définir à partir de quel niveau un changement est considéré comme statistiquement significatif. Comme le souligne la Harvard Business Review, arrêter un test trop tôt — avant d’avoir atteint un échantillon suffisant et une significativité statistique — peut conduire à confondre une variation due au hasard avec une réelle amélioration ; c’est pourquoi il est important de définir ses critères de mesure à l’avance. Si vous testez un élément de campagne déjà existant, vous pouvez aussi utiliser sa performance actuelle comme référence.

Étape 4 : définir la durée du test

Fixez la durée d’exécution du test. Assurez-vous qu’elle n’est ni trop courte ni trop longue, sous peine d’obtenir des résultats faussés.

Étape 5 : lancer le test

C’est le moment de lancer réellement le test. Testez un seul élément à la fois, afin de pouvoir déterminer lequel influence réellement le résultat. Pour éviter tout facteur susceptible de fausser le résultat, exécutez les deux variantes simultanément. Efforcez-vous de conserver une taille de groupe, une démographie et d’autres variables comparables entre les deux versions. Si vous testez de l’e-mail marketing, vous pouvez créer deux groupes de clients tests avec une démographie similaire ou identique.

Le test A/B doit être mené avec constance

Vérifier les résultats et appliquer les changements

Examinez les résultats du test une fois la durée prévue écoulée. Si le test n’a pas produit de résultat clair, ajustez votre hypothèse et testez-en une autre. Si le résultat est clair, appliquez l’option la plus performante. Intégrer les données d’analyse dans une plateforme de gestion des données aide à améliorer la campagne en cours — et vous pourrez également vous en servir pour construire vos futures campagnes.

Étape finale : répéter le processus (la méthode Growth)

Les marketeurs doivent continuer à utiliser le test A/B pour améliorer sans cesse leurs campagnes marketing et obtenir de meilleurs résultats. Une fois le premier test terminé, passez à l’élément suivant de votre liste de priorités. Il faut aussi répéter les tests A/B au fil du temps, à mesure que les tendances et les préférences des clients évoluent. Il arrive que les résultats de deux variantes soient très proches — dans ce cas, il peut être plus utile de simplement relancer le test que de chercher à tout prix une différence.

C’est pour cette raison que Growth ne traite pas le test A/B comme une campagne ponctuelle et de court terme, mais le mène de façon continue et répétée, comme décrit ci-dessous.

Le test A/B chez Growth : de petites expériences, des données qui s’accumulent

De petites expériences. Des données qui s’accumulent.

C’est une orientation de travail à laquelle Growth accorde une grande importance. Chaque étape peut sembler minime, mais c’est notre stratégie maison éprouvée : expérimenter de façon constante et continue jusqu’à accumuler des données significatives.

Pour vous aider à comprendre concrètement, voici un bref aperçu de la façon dont Growth a mené un test A/B. Ce qui suit est un test A/B que nous avons réalisé pour un client.

Le premier test A/B

À l’époque, nous avions distingué deux grandes hypothèses concernant la façon dont le client pourrait adopter le service :

• Adoption directe par la direction ou des cadres dirigeants disposant du pouvoir de décision
• Adoption après un bouche-à-oreille formé auprès des salariés, ensuite partagé en interne dans l’entreprise

Sur la base de ces hypothèses, nous avons mené un test A/B structuré comme suit :

• Segmentation du ciblage : décideurs / dirigeants vs. salariés
• Tous les autres paramètres — budget, durée, créations publicitaires — identiques
• Création publicitaire autour du concept « un service d’abonnement pour le bien-être des salariés », afin de mesurer la réaction au contenu

Voici ce que nous avons constaté :

• Les indicateurs de réaction publicitaire étaient plus faibles chez les salariés que chez les décideurs et dirigeants.
• Plutôt que de faire progresser l’adoption en augmentant les mentions chez les salariés pour un partage interne,
  nous avons observé une réaction plus directe et plus forte de la part des décideurs et dirigeants cherchant activement des solutions de bien-être pour leurs équipes — nous avons donc ajusté le ciblage des campagnes suivantes en conséquence.

Le second test A/B

Après avoir établi, lors du premier test, que les décideurs et dirigeants réagissaient mieux aux publicités, nous sommes allés plus loin en analysant l’impact réel sur le volume de leads.

• Ciblage : décideurs / dirigeants
• Utilisation des formulaires instantanés Meta pour proposer un vrai formulaire de contact (demande d’adoption)

Voici les résultats obtenus :

• Le taux de clic global, le coût par clic et le coût par résultat (soumission du formulaire instantané) étaient plus bas pour le segment ciblant les dirigeants.
• Nous avons conclu que l’adoption directe par les dirigeants était, de loin, le cas de figure le plus fréquent. Cette information nous a permis d’ajuster la cible principale des futures campagnes Meta.
• Après cet ajustement de campagne, les demandes de contact sur le site ont augmenté de 140 % et le coût par résultat a baissé de plus de 50 % par rapport à la période précédente.

L’essentiel du test A/B est de déterminer, élément par élément, quelles fonctionnalités servent réellement mieux la marque.

Il est tout aussi important de se concentrer sur les enseignements profonds tirés de la compréhension et de l’analyse des raisons qui motivent le comportement des clients.

Les marketeurs qui exploitent ces données développent une véritable expertise dans la prise de décisions éclairées. Car c’est le marketeur qui investit du temps dans les résultats sur le long terme — sans court-termisme — et qui tire pleinement parti de chaque retour, qui peut réellement mener un produit et une marque vers le succès.

---

À lire aussi

• Qu’est-ce que le growth hacking ? Définition, AARRR, conception d’expériences et cas concrets — le guide pilier complet
• Le mix des canaux marketing
• CDJ (parcours de décision du client)
• Persona
• La différence entre besoins et envies du client

Si vous souhaitez appliquer cela à votre propre activité — vous pouvez découvrir l’approche de Growth dans notre service de marketing à la performance, et si vous avez besoin d’un diagnostic concret de votre situation, contactez-nous via notre formulaire de consultation. Nous répondons en pensant au client unique qui génère du chiffre d’affaires, pas au volume de trafic.

Questions fréquentes

Quelle est la différence entre test A/B, test A/B/n et test multivarié ?

Le test A/B compare deux versions qui ne diffèrent que par un seul élément, comme le texte du CTA ou une couleur. Le test A/B/n compare trois variantes ou plus du même élément simultanément — le « n » désigne le nombre de variantes. Le test multivarié va plus loin en combinant plusieurs variantes de plusieurs éléments pour déterminer quelle combinaison donne le meilleur résultat.

Que signifie un résultat de test A/B « statistiquement significatif » ?

Cela signifie qu’en supposant qu’il n’existe en réalité aucune différence entre les deux versions, la probabilité d’observer l’écart de performance constaté par pur hasard est suffisamment faible pour être digne de confiance. Autrement dit, le résultat a plus de chances de refléter une différence réelle qu’un simple hasard. Il faut faire tourner le test jusqu’à atteindre la significativité statistique, ou couvrir au moins un cycle business complet, avant de pouvoir se fier à la conclusion.

Suffit-il de faire un test A/B une seule fois ?

Non. Le test A/B n’est pas une campagne ponctuelle, mais une stratégie à mener dans la durée et à répéter. Une fois le test d’un élément terminé, passez à l’élément suivant de votre liste de priorités, et continuez à répéter les tests à mesure que les tendances et les préférences des clients évoluent. Growth applique en continu la philosophie « de petites expériences, des données qui s’accumulent ».

Quels résultats concrets peut-on attendre d’un test A/B ?

Vous pouvez exploiter plus efficacement votre trafic existant pour augmenter le taux de conversion sans dépense supplémentaire, et réduire le taux de rebond pour améliorer le ROI. Dans un cas B2B réel mené par Growth, un ajustement du ciblage fondé sur la donnée a permis une hausse de 140 % des demandes de contact sur le site et une baisse de plus de 50 % du coût par résultat, par rapport à la période précédant l’ajustement.