Votre site web ou votre application propose des produits de qualité soutenus par un service client sans faille.
Pourtant, vous devez faire face à un nombre croissant de concurrents et à la volatilité de vos prospects et clients, même les plus fidèles.
Alors que les exigences de ROI n’ont jamais été aussi fortes, les budgets marketing sont compressés, obligeant les entreprises à aller à l’essentiel.
Mais le tableau est loin d’être noir. La profusion de données permet à présent de connaître précisément ce qui séduit vos visiteurs tout autant que ce qui les rebutent.
L’A/B Testing, ou Split Testing, apporte une réponse scientifique à ce qui relevait auparavant de l’intuition.
De plus en plus utilisée, elle ne doit toutefois pas être perçue comme une solution clé en main.
Au contraire, elle doit être mûrement réfléchie en amont et être repensée pour répondre aux besoins des internautes.
Sous peine de perdre… beaucoup de temps et d’argent. Voyons tout de suite comment.
Découvrez sans plus attendre notre article sur le taux de conversion.
Qu’est-ce que l’A/B Testing ou Split Testing ?
L’A/B Testing, aussi appelé Split Testing ou Split URL Testing, est une expérience marketing consistant à comparer une ou plusieurs variantes d’une page d’un site web ou d’une application par rapport à une version de référence. Ce test permet de connaître les éléments qui fonctionnent le mieux auprès de votre audience.
Le Split URL Testing diffère légèrement puisque la variante de la version de référence sera située sur une URL différente (subtilité imperceptible pour les internautes).
Le principe d’un test A/B est de générer différentes versions de la page principale, chacune se distinguant par la modification d’un élément ou de plusieurs éléments précis : texte, mise en page, couleurs…
Les internautes sont ensuite répartis dans des groupes aux volumes équivalents.
Chaque groupe est enfin confronté de façon aléatoire et sur une période définie aux différentes versions mises en ligne.
L’analyse du comportement des internautes mais surtout du taux de conversion pour chaque version doit permettre de révéler la proposition la plus performante et qu’il conviendra de déployer pour le grand public.
Ce ne sont donc plus les équipes marketing qui décident seules des modifications à opérer mais les internautes qui orientent ces choix.
Pourquoi mettre en place un dispositif d’A/B Test ?
Inutile de passer par quatre chemins.
L’objectif premier de la mise en place d’une stratégie de test A/B est l’optimisation de vos conversions.
Car si acquérir du trafic peut coûter cher (Adwords, référencement naturel, relations presse…), améliorer l’existant peut s’avérer bien plus simple à mettre en oeuvre et surtout… bien plus rentable !
Et les atouts de l’A/B Testing sont multiples. Sur une base chiffrée, un test permet de :
Comprendre vos visiteurs : quels éléments influencent positivement ou négativement leur souscription à un service, l’ajout d’un produit au panier ?
Ne conserver que ce qui fonctionne : baseline accrocheuse, couleur de bouton d’appel à l’action attractive, formulaire simple à compléter…
Obtenir des conclusions au plus près de la réalité : vos hypothèses sont validées par des tests reposant sur la data et non une simple intuition.
Déploiement d’un test A/B : la méthodologie “classique”
Au même titre que les heatmaps, le concept d’A/B Testing n’est pas nouveau.
Wikipédia nous informe d’ailleurs que “En français, le test A/B est habituellement un terme générique pour qualifier tout type de testing.”
Nous ne pouvons donc pas aborder l’A/B Testing sans résumer la méthodologie dite “classique” de mise en place de ce type de test.
Cependant, cette méthodologie historique est confrontée à ses propres limites et ne nous apparaît plus en mesure de gérer la complexité de la navigation web.
Mais nous y reviendrons plus bas.
D’une manière générale, un process de test A/B se déroule comme suit :
Élaboration d’hypothèses d’amélioration du site ou de l’application,
Priorisation des tests à effectuer,
Analyse des résultats,
Mise en production des conclusions les plus satisfaisantes,
Élaboration de nouvelles hypothèses etc.
Ce que l’A/B Testing permet de tester
Les possibilités offertes par le Split Testing sont presque infinies.
Il est donc impératif de connaître vos objectifs afin de réduire au strict nécessaire les éléments que vous souhaitez soumettre à l’épreuve.
Si votre objectif est, par exemple, d’augmenter le nombre de commandes finalisées après ajout au panier, vous pourrez tester :
La lisibilité des moyens de paiement proposés,
L’efficacité des badges relatifs à la sécurité des achats en ligne,
La simplicité du processus de check out,
Etc.
En isolant chaque élément dans une version différente, vous serez pleinement à même de savoir ce qui conduit l’internaute à abandonner son panier.
Voici pêle-mêle d’autres axes d’optimisations que le test A/B permet d’étudier :
L’attractivité d’un titre,
L’impact d’une image (bannière, illustration, photo, graphique) ou d’une vidéo,
Le design d’un bouton d’appel à l’action (CTA ou Call to Action),
La taille, la couleur et la police du texte,
L’utilité des témoignages clients,
La lisibilité des liens hypertextes,
La simplicité de remplissage d’un formulaire,
L’efficacité d’une landing page,
Les différents éléments d’une newsletter (heure d’envoi, contenu, CTA, objet, visuels),
Etc.
Pourquoi l’A/B Test classique ne suffit plus
L’A/B Test tel que nous le connaissons ne fonctionne plus. Voici une affirmation qui peut sembler bien radicale. Et pourtant…
Si la volonté d’exploiter la donnée pour améliorer le parcours utilisateur et, in fine, le taux de transformation, est unanimement partagée, elle est confrontée à un paradoxe de taille.
En effet, une très grande partie des tests A/B sont, aujourd’hui encore, réalisés avec peu ou pas d’analyse avant implémentation.
Concrètement, des dizaines (et parfois même des centaines) de tests sont déployés sur des sites ou applications sans priorisation et sans certitude aucune qu’ils soient nécessaires.
Et cela a un coût !
La mobilisation d’équipes déjà très sollicitées sur la mise en place et l’analyse de tests conduit non seulement à une perte de temps mais également d’argent avec à la clé des conclusions à l’intégrité très relative.
Si le potentiel du Split Testing n’est plus à démontrer, il devient donc urgent de le repenser pour prioriser ses axes de recherche et faire parler la donnée de la façon la plus précise qui soit.
Comment réussir son A/B Testing ?
Nos années d’expérience dans l’optimisation de l’UX et du taux de conversion de sites de grandes envergures nous ont permis d’appréhender le test A/B de façon pragmatique**.**
Viser la pertinence d’un test A/B repose en effet sur un process majeur incontournable : l’analyse pré-test.
Car avoir conscience qu’il est nécessaire de tester, c’est bien. Savoir précisément quel élément doit faire l’objet d’une analyse, c’est fondamental.
Chez Contentsquare, nous estimons que l’A/B Testing n’a d’utilité que pour valider la pertinence de cette première analyse.
Elle ne doit donc pas être menée à la légère. En effet, cette enquête cruciale permet de :
Localiser le problème en amont,
Proposer des hypothèses ou “insights” à analyser en premier,
Vérifier ces hypothèses tout en maîtrisant le risque,
Dégager des conclusions en accord avec le réel.
Cette hauteur de vue nous a amené à concevoir notre propre process d’analyse de performance des sites web et applications, un test qui va dorénavant bien au-delà de l’A/B Testing.
Notre méthode se déroule ainsi en quatre temps déterminants.
Étape 1 : l’analyse
L’analyse dépendra de :
L’interface utilisée,
La période retenue,
La population ciblée,
Les objectifs à atteindre,
Les chantiers d’optimisation
Les actions à mettre en oeuvre,
Cette analyse permet de dégager des couples gagnants insights/recommandations.
Concrètement, il s’agit d’identifier un problème de comportement sur le site ou l’application (insight) et d’apporter une solution (recommandation) avec l’aide des équipes UX et UI.
Étape 2 : l’éligibilité
Parce qu’il est impossible de tout tester en même temps, il s’agira de déterminer les insights impactants à prioriser.
L’éligibilité se base sur :
Le volume : un volume important de données offrira des résultats rapides et davantage de possibilité de segmentation,
La complexité : tester des couples simples permettra de limiter les bugs et de mettre les différents tests en place plus facilement,
L’impact : on choisira les couples assurant des résultats rapides et concluants,
La saisonnalité : on privilégiera des changements non soumis à des temps forts (Noël par exemple) et permettant de tester en flux tendu toute l’année,
La perméabilité : on testera des éléments qui ne risquent pas d’impacter négativement d’autres éléments externes au test.
Étape 3 : la stratégie
Si (et seulement si !) les étapes permettant de déterminer les couples Insights/recommandations prioritaires ont été respectées, alors la partie stratégique pourra être abordée.
Pour cette étape, il conviendra de respecter deux règles afin d’obtenir des résultats limpides :
Un test par période à la fois,
Un KPI bien défini par interface.
Le test et les résultats
Nous ne nous étendrons pas sur ce sujet car, comme nous l’avons déjà précisé, la partie cruciale concerne l’analyse qui précédera le test.
Pour en savoir plus sur nos solutions d’optimisation sur-mesure de l’UX et du taux de conversion, nous vous invitons à parcourir nos solutions par besoin ou par industrie.
La disponibilité et le volume de la donnée permet dorénavant à tout à chacun de pousser plus loin l’analyse des performances de son site ou de son application.
Mais cette facilité d’accès ne doit pas occulter la phase d’analyse humaine, essentielle à la réussite de tout test.
Les données sont à notre disposition. Mais c’est à nous de les faire parler suivant nos objectifs et nos ambitions.
Pierre Sommer is part of the Content Marketing team in Paris. He likes blogs, UX, and blogs on UX.