Comment créer une hypothèse d’AB Testing solide et efficace ?

1 Comment réussir un AB test en se basant sur une hypothèse de départ ?

L’hypothèse de départ en AB testing pose une trame solide pour mener des tests de qualité au sein d’un entonnoir de conversion. Il faut reconnaître que l’absence d’hypothèses ou des éléments erronés conduisent de nombreux marketeurs à prendre de mauvaises directions. Notamment, toute interprétation personnelle mène rapidement à des décisions biaisées. La validation de chaque data permet de démarrer ses tests à partir de données fiables et d’hypothèses d’optimisation réalistes. Cette analyse demande ainsi un process clair et efficace facilitant l’exploitation de données afin d’augmenter le taux d’engagement. Notre point sur la phase de définition des hypothèses, étape cruciale de l’AB testing. 

2Qu’est-ce qu’une formulation d’hypothèses ? 

Avant de comparer plusieurs versions d’amélioration de votre site, vous allez devoir passer par des analyses préalables en vue de cadrer vos opérations. L’AB Testing va vous permettre d’étudier les répercussions sur votre KPI d’une modification précise sur une page par rapport à sa version d’origine. Mais avant cet essai, il est important de connaître précisément la problématique réelle de départ. Parmi les éléments à jauger, figurent le type de comportement des prospects sur lequel vous allez agir tout comme le résultat attendu. L’hypothèse d’optimisation permet de réaliser des tests précis et non des essais aléatoires en modifiant des couleurs ou des positions de boutons d’appels à l’action au hasard. Quitte à modifier des paramètres sur vos pages de site e-commerce, autant partir sur de bonnes bases pour éviter de perdre du temps en expérimentations non cadrées.

3 Lancer la formulation d’hypothèses au bon moment

Le point de départ d’un test A/B démarre lors de la prise de conscience de l’existence de frictions dans un tunnel de vente. Concrètement, des constats tels qu’un mauvais taux de conversion ou un faible taux de clic viennent souligner la nécessité de changements. Mais attention aux décisions hâtives, toute modification demande de l’anticipation. À vous de décrypter pourquoi et comment répondre à ce problème. C’est ici que la formulation d’hypothèses devient nécessaire pour clarifier ces questions. Il s’agit alors de comprendre le fond du problème et de définir les bases de la phase de tests permettant d’atteindre les effets attendus. À ce stade, il est indispensable de cerner le comportement des utilisateurs pour éliminer tout point de blocage.

4 Sélectionner des sources d’insights variées et fiables pour formuler des hypothèses solides

Si vous voulez réussir la formulation d’hypothèses, différentes phases sont à mettre en œuvre.

Lancer des recherches précises

À ce stade de l’expérimentation, vous allez devoir entreprendre des recherches pour comprendre le contexte et définir précisément quels leviers actionner lors de l’AB Testing. Cette étape d’investigation exigeante permet ensuite de poser des passerelles entre les données, les actions et les décisions. D'où l'importance de construire des bases solides en vue d’optimiser vos actions.

Partir de données concrètes

Réussir la phase d’hypothèse de départ demande donc de se baser sur des insights clairs grâce à des recherches poussées et objectives. À vrai dire, cette étape est souvent négligée par les marketers focalisés sur les analyses de chiffres. Pourtant, bon nombre de points peuvent aider à affiner les recherches et donc à mieux comprendre les comportements des clients potentiels sur votre site. Pour cela, une vision holistique permet de collecter un grand nombre d’informations essentielles pour la suite.

Identifier les différents éléments-clés

Avant toute démarche d’expérimentation, menez des actions d’investigation pour vous appuyer sur des données précises. Ces collectes de données sont de plusieurs types.

• Les datas quantitatives permettent de mesurer le comportement de l’acheteur sur le site, le trafic, les abandons de panier, la localisation des zones de clics avec les cartes de chaleur, etc. Pour cela, des outils comme Google Analytics ou Mouse Tracking Analysis permettent de récupérer des insights précis et de quantifier les valeurs sur chaque url.
• Les datas qualitatives prennent la forme de retours d’expériences comme les sondages, des interviews, des enquêtes via des formulaires, le recueil du wording des clients, l’analyse heuristique de l’UX, etc.
• Les partages d’expérience de vos équipes sur l’ergonomie du site et sur l’utilisation des produits vous aident à mieux identifier les points de friction. Il s’agit d’un retour trop peu considéré par les entreprises.

Utiliser les bonnes datas selon les problèmes à résoudre

Vous allez plutôt privilégier l’analyse de certains indicateurs selon les points à améliorer lors de l’expérimentation. Vous avez identifié des abandons de panier lors de la validation des commandes ? Examinez alors l’emplacement de l’affichage des frais de livraison, mais aussi les commentaires laissés sur la page ou les discussions sur les réseaux. En revanche, si vous cherchez à cerner les motivations des futurs acheteurs, les outils appropriés restent les enquêtes ou les sondages. Lors de la phase de recherche, votre rôle consiste donc à aller récupérer les informations sur vos personas, au plus près de leurs interactions. Ce qui demande une approche différente selon les audiences et le public ciblé.

Prioriser la phase d’expérimentation

Avant de lancer vos opérations expérimentales, les étapes de formulation d’hypothèses et les idées de tests restent à hiérarchiser. Notamment si vous avez recueilli un grand nombre de données, priorisez vos idées dans une roadmap d’expérimentation AB. Ce plan doit reprendre des éléments tels que les objectifs de votre entreprise et de votre site, les pages les plus fréquentées, le détail des blocages du prospect dans le parcours d’achat et vos KPI. Ce document va vous permettre de cibler en priorité les tests qui ont le plus d’impact sur vos résultats. Vous pouvez vous appuyer sur une palette de tests, des plus simples comme le “quick win”, aux plus complexes avec les “multivariates tests”.

4 Savoir remettre ses certitudes en doute

S’il y a une étape qui demande un certain détachement, c’est bien lorsque vous formulez des hypothèses pour réaliser un A/B testing. Pour coller au plus près des attentes des visiteurs cibles, vous avez besoin de vous mettre dans leur peau.

C’est ce qu’a confirmé Charles Cortés, Manager Digital & Data chez Converteo lors de notre tour de table d’experts que nous avons interrogés pour leur vision pointue en la matière. Il indique notamment que “l’expérience montre que les attentes des utilisateurs peuvent être radicalement différentes de vos convictions”. 

C’est la raison pour laquelle vous devez prendre de la hauteur, y compris en présence d’un test AB positif. Seuls des faits tangibles issus de retours d’expériences directs des internautes ont de la valeur. À défaut, reprenez l’intégralité du parcours client afin d’évaluer l’expérience utilisateur, avec toute l'objectivité nécessaire dans cet exercice.

5 Qu’est-ce qui définit une bonne hypothèse ?

Les hypothèses des tests A/B peuvent se décliner sous plusieurs formes.
 

Une formulation complète

Une fois que les indicateurs sont sous contrôle, vous possédez tous les éléments pour définir l’hypothèse de façon claire et précise. Les résultats attendus doivent être suffisamment parlants afin d’évaluer l’impact de vos actions. Posez alors des repères crédibles dès cette phase d'expérimentation. 
C’est le cas avec une hypothèse libellée avec des éléments tels que : “en changeant X, le Y sera légèrement / moyennement / grandement impacté grâce à Z”. Concrètement, on peut le traduire par une formule du type : “en ajoutant le montant des frais de livraison lors de la consultation du panier, le nombre de commandes sera grandement impacté grâce à l’optimisation du bon de commande”. Une telle formulation permet de poser des bases concrètes pour vos futures expériences.
 

Une approche logique

Il est possible également de retranscrire des hypothèses avec une approche logique, inspirée des raisonnements scientifiques. Le processus d’expérimentation prend la forme de “si X, alors Y”. On entend par X, l’action à mettre en place, Y les résultats envisagés en fonction des datas de mesure (nombre de visiteurs, pages vues, achats enregistrés, etc.). Vous devez veiller à fournir des hypothèses simples à comprendre et sans interprétation possible. Par exemple, l’hypothèse peut se formuler de la sorte : “Si je place le pictogramme 100 % satisfait ou remboursé sous le bouton de commande, alors les achats enregistrés augmenteront de façon significative”. Ici, le volume d’achat reste le KPI de référence.

La précision des données

Vous pouvez tout à fait formuler des hypothèses plus ou moins longues. Une version synthétique peut prendre la forme : “Si je rajoute un CTA en haut de la page, alors le nombre de transactions va augmenter.” Autrement, vous pouvez préciser davantage vos actions et vos attentes avec un scénario plus poussé : “Si je mets un CTA “voir toutes les formations” en haut de la page d’accueil, alors il y aura plus de visites sur la page formations, ce qui génèrera plus de commandes”. Il est évident que plus un schéma est pertinent et précis, plus vous en tirerez des conclusions sérieuses.

6 Que faire si vous ne dégagez aucune hypothèse ? 

Dans certains cas, il arrive que les hypothèses ne soient pas évidentes à définir. Vous avez la possibilité de partir sur plusieurs pistes d’hypothèses avec le multivariate testing. Ce raisonnement test A/B/n prévoit alors plusieurs modifications simultanées sur la page d’un site ecommerce. Notez que le nombre “n” d’hypothèses reste délicat à déterminer pour une entreprise au vu des combinaisons envisageables. L’accompagnement par un partenaire stratégique tel que Kameleoon vous permet de piloter les multiples possibilités de tests sur votre site. Vous visualisez immédiatement les interactions des éléments et l’impact de certaines actions sur les performances de votre page.

7 Quels écueils éviter ?

Lorsque vous vous lancez dans des expérimentations d’hypothèses, vous devez être conscient de quelques dangers à écarter. 

Ne pas A/B tester votre hypothèse

Le recueil d’un grand nombre de données peut vous conduire à abandonner les étapes de tests en raison d’une déduction d’une solution logique qui vous semble évidente. C’est une erreur ! Même si la poursuite du test vous semble inutile, vous vous privez d’une validation en conditions réelles de votre modification. Par ailleurs, ce test finalisé vous apporte de précieuses informations sur le comportement des utilisateurs. Mieux, vous allez vous familiariser avec les différentes étapes des tests AB, ce qui vous rendra beaucoup plus efficace lors des prochaines campagnes d’expérimentation.

Ne pas recueillir l’avis de vos visiteurs

Les scénarios mis en place peuvent être totalement déconnectés des attentes des internautes. En poursuivant des raisonnements décorrélés de la réalité, vos tests vous incitent parfois à prendre de mauvaises décisions vous menant dans une impasse. C’est pourquoi vous avez tout intérêt à recueillir régulièrement l’avis de vos visiteurs par le biais de sondages sur leurs retours d’expérience. Votre expérimentation doit garder le consommateur en ligne de mire et non votre propre intérêt. Même si vous avez l’impression d’avoir raison !

Stopper sa phase d’AB test trop tôt

Parmi les pièges les plus courants, il arrive que les marketers stoppent trop tôt une phase d’AB test quand les résultats positifs commencent à se manifester. Il en va de même lorsque vous fixez des indicateurs aléatoires tels que 100 inscrits ou 1 000 conversions. Ces limites ne reflètent pas forcément la réalité. Mieux vaut poursuivre l’expérimentation sur plusieurs semaines avant de tirer des conclusions trop hâtives.

En définitive, une phase d’hypothèse de départ bien menée vous aide à optimiser vos expérimentations, et donc à améliorer le taux de conversion global. Si vous voulez aller plus loin, téléchargez notre guide A/B testing afin d’accroître durablement les performances de votre site. Adoptez ainsi une ligne de conduite efficace en formulant des hypothèses de tests A/B des plus simples aux plus complexes.