L'A/B testing compare, au même moment, deux expériences distribuées aléatoirement à des groupes comparables. Il aide à décider si une modification mérite d'être conservée. Pour un site marchand, le piège est de célébrer un clic en plus alors que les commandes ou la marge se dégradent. Le guide CRO e-commerce donne la carte des frictions ; ici, on détaille la méthode de test.
1. Partir d'une friction documentée
Examinez les données du parcours, les retours clients et les sessions qualitatives. Rédigez une phrase vérifiable : « Les frais de livraison découverts trop tard freinent le paiement ; les afficher dès le panier devrait améliorer les commandes sans réduire le panier moyen. » Cette hypothèse relie un problème, une modification et un résultat.
Priorisez l'expérience selon l'impact potentiel, la confiance dans le diagnostic et le coût de construction. Le guide du taux de conversion aide à définir le dénominateur et les segments avant de comparer.
2. Fixer le protocole avant de voir les chiffres
Choisissez une métrique principale : commandes par visiteur, marge par visiteur ou un autre résultat aligné sur la décision. Ajoutez des garde-fous : taux de retour, erreur de paiement, support, panier moyen. Définissez la population éligible, la répartition A/B, la durée et l'effet minimal qui justifierait le déploiement.
Le volume nécessaire dépend du taux de départ et de l'effet recherché. Utilisez un calcul adapté à votre métrique plutôt qu'un seuil universel. Google précise que GA4 analyse les résultats d'un test web intégré à un outil tiers ; Google Optimize, cité dans d'anciens guides, est arrêté.
3. Vérifier l'assignation et le rendu
Avant lancement, vérifiez que la même personne garde sa variante, que les deux versions fonctionnent sur mobile et que la mesure des achats est identique. Après lancement, surveillez une répartition anormale des groupes : un écart de trafic important peut signaler un problème technique ou de collecte. Microsoft décrit ce contrôle comme un « sample ratio mismatch ».
4. Lire l'effet et prendre une décision
N'arrêtez pas un test classique dès qu'un indicateur franchit momentanément un seuil ; le risque de faux positif augmente si le protocole ne prévoit pas ces lectures répétées. À la fin, regardez l'ampleur de l'effet, son incertitude et les garde-fous. Analysez les segments après coup comme des pistes, pas comme autant de victoires confirmées.
Faire défiler le tableau →
| Résultat | Décision possible |
|---|---|
| Gain fiable et garde-fous sains | Déployer puis surveiller |
| Effet incertain | Conserver l'existant et documenter |
| Commandes en hausse, marge en baisse | Refuser ou retravailler la variante |
Consignez enfin hypothèse, protocole, captures, chiffres et décision. Un résultat neutre élimine une idée faible et rend le prochain test plus intelligent.
Questions fréquentes
Combien de visiteurs faut-il pour un A/B test ?
Le volume dépend du taux de départ, de l'effet minimal qui mérite une décision, de la méthode statistique et du niveau de risque accepté. Estimez-le avant le test ; il n'existe pas de seuil de visiteurs valable pour toutes les boutiques.
Combien de temps doit durer un test ?
La durée doit permettre d'atteindre le volume prévu et de couvrir les variations de trafic pertinentes, comme les jours de semaine. Une promotion exceptionnelle ou une panne peut rendre la comparaison peu représentative.
GA4 permet-il de lancer seul des tests A/B ?
Google précise que GA4 nécessite l'intégration d'un outil tiers pour exécuter un A/B test web. Google Optimize n'est plus disponible depuis septembre 2023.
Que faire si le résultat n'est pas concluant ?
Ne déclarez pas une victoire sur une petite différence incertaine. Vérifiez la qualité des données, documentez ce que le test élimine comme hypothèse et décidez si un nouveau test mieux ciblé vaut son coût.
On regarde vos chiffres ensemble ?
45 minutes, vos données sous les yeux, et une lecture de là où se cache la marge dans votre acquisition.
Réserver un appel