25 janvier, 2020

L’A/B Testing pour optimiser l’expérience utilisateur (UX)

Les origines de l’A/B testing remontent à des expérimentations de Google. En 2000, le géant de la Silicon Valley a conduit son premier test puis n’a fait qu’essayer de démocratiser la pratique. En 2011, Google avait lancé plus de 7,000 tests A/B sur son algorithme de recherche. Amazon, Netflix et eBay lui ont emboîté le pas et sont également devenu pro-actifs dans le testing de leurs sites et nouveautés. On parle souvent de « la page d’accueil » de Google ou d’Amazon, mais il serait plus exact de parler d’ « une » des pages d’accueil de Google ou Amazon, tellement un grand nombre de tests est constamment en train d’être réalisé.

Cela crée l’émergence d’un web « testable », bien plus sécuritaire pour les entreprises, aucun choix n’est difficile ni irréversible, il n’y a plus de refonte complète d’un site mais des optimisations constantes de celui-ci. Cela permet de limiter le risque et surtout d’apporter des réponses prouvées par des chiffres et donc indiscutables.

Attention cependant aux biais de l’A/B testing :

Il faut un trafic conséquent sur les pages testées (généralement <10.000 visiteurs uniques / mois) pour obtenir une confiance statistique suffisante
Une refonte via l’A/B testing nécessite plus de ressources (graphisme, développement, analyse des multiples variations et gestion de projet) qu’une refonte directe

Il faut donc utiliser l’A/B testing à bon escient, c’est une solution pertinente pour améliorer des éléments concrets et mesurables (amélioration du taux de passage dans un tunnel e-commerce, augmentation du % de leads (ou contacts entrants sur une landing page) mais ce n’est pas une solution miracle pour améliorer les performances d’un site web : il faut avoir les bonnes idées de tests !

1. Qu’est ce que l’A/B testing ?

L’A/B Testing est une technique de web-marketing qui consiste à proposer plusieurs variantes d’une même page afin de déterminer la version qui donne les meilleurs résultats auprès des consommateurs. Ce sera par exemple la mise en place simultanée de deux pages d’accueil différentes, pour voir laquelle génère le plus de contacts (mail/achat/téléchargement…) ou de ventes. Ces 2 pages peuvent avoir beaucoup ou très peu d’éléments différents : ce pourra être uniquement un argument de vente modifié, la position d’un bouton d’action ou bien un design complètement revu.

Les tests sont réalisés à l’aide d’une solution technique, souvent en mode SaaS (Software as a Service, c’est-à-dire disponible uniquement en ligne), qui redirigera les utilisateurs sur les différents versions selon l’affluence désirée.

Schéma explicatif d’un test AB. Source : Christian posta

On scinde les visiteurs en deux groupes (d’où le nom A/B), on leur affiche une version de page différente, puis on suit le parcours des deux groupes en temps réel, et on regarde laquelle des deux donne le meilleur résultat par rapport à un objectif donné.

Les solutions les plus célèbres d’AB testing sont :

AB Tasty
Kameleoon (Arquen est un partenaire certifié)
Optimizely
Google optimize
Visual Website Optimizer

Le processus d’A/B testing se démocratise de plus en plus et à fait ses preuves pour améliorer le taux de transformation de son site.

Une technique de plus en plus répandue est aussi le test multivarié ou MVT. Il permet de faire varier plusieurs éléments d’une même page et d’analyser quelle combinaison convertit le plus. Par exemple, vous pourrez tester sur un même test A/B, deux versions du bouton de mise au panier de votre fiche produit, 4 titres différents, 4 images différentes, et analyser laquelle des combinaisons « bouton-titre-image » est la plus adaptée pour votre site Internet.

Ces pages sont affichées aux différents utilisateurs de manière équitable ou non, avec un système de redirection partielle. Leurs résultats sont constatés à postériori via l’utilisation d’outils d’analyse. On pourra comparer toutes les données qui diffèrent entre les pages : taux de rebond, temps de connexion, taux de transformation…

Après de nombreux tests, on peut affiner ses arguments marketing et son ergonomie pour obtenir la page la plus efficace possible. Il est possible de réaliser des test A/B sur un plus grand nombre de pages. Attention cependant à avoir assez de trafic pour que les chiffres obtenus soient significatifs : la confiance statistique doit être supérieure à 95%.
Il existe aussi les tests « multipages » où l’on teste un parcours, c’est à dire une variation sur plusieurs pages ou plusieurs variations sur plusieurs pages. Cela peut être par exemple l’ajout d’éléments de réassurance à différents endroits sur le parcours d’achat (du panier au paiement).

2. Réaliser un plan de test

Pour réaliser un plan de test, on définit les 2 types d’objectifs principaux de la performance :

Primaire : indicateur qui décidera in fine de la généralisation ou non du test (souvent le taux de conversion).
Secondaire : indicateur sur lequel on doit rester vigilant (souvent des indicateurs d’engagement comme le temps passé, le taux de rebond…).

Une fois les objectifs principaux définis, on analyse les pages les plus importantes, leurs messages marketing, fonctionnalités, arguments… Pour trouver les idées de test.

Le plan de test comprendra les éléments de cadrage suivants :

Indicateurs de performance (primaires et secondaires)
Méthodologie (A/B, MVT et pages concernées)
Nombre de versions alternatives à tester
Échantillonnage entre les versions (par exemple: 20% du trafic sur A et 80% sur B)
Durée du test estimée (selon des modèles statistiques prédictifs)
Spécifications pour le suivi des résultats

Voici le planning d’optimisation d’une des références en la matière, Netflix :

Planning utilisé par Netflix pour coordonner ses A/B tests. Source : Netflix

Une fois les résultats obtenus, il est conseillé de partager les résultats au plus grand nombre au sein de votre entreprise : vos collaborateurs apprécieront cette approche pragmatique, et les résultats positifs sont toujours un élément de motivation dans une structure.

Cependant, deux écueils sont souvent rencontrés:

Une campagne qui s’éternise (trop de tests à faire et pas assez de volume significatif)
Des résultats impossibles à analyser : mauvaise remontée dans l’interface, il faut bien anticiper le tracking.

Les résultats sont ensuite présentés dans ce type de tableau, pour déterminer la version gagnante:

	Visites	Taux de rebond		Pages/session		Temps d’une session moyenne
A	15 012	13,62%	–	10,57	+ 6,45%	06:50	+ 5,15%
B	14 098	13,10%	– 3,82%	9,93	–	06:30	–

	Valeur par visite		Panier moyen		Taux de conversion
A	13,28 €	+8,55 %	248,31€	+ 0,44%	5,35%	+ 8,08%
B	12,24 €	–	247,21€	–	4,95%	–

Exemple d’un tableau de résultats d’un test A/B

Le ciblage et la segmentation permettent de présenter les différents tests aux utilisateurs de différentes typologies; créés à partir de données disponibles sur les visiteurs (source, statut, device, langue, etc.), on peut tester des expériences personnalisées à chaque segment de visiteurs et ainsi maximiser les chances de conversion pour les différents profils de visiteurs. Ces tests « ciblés » nécessitent cependant d’avoir un trafic suffisant sur chacun des segments de visiteurs testés.