L'A/B testing — ou test A/B — est une méthode d'expérimentation contrôlée dans laquelle on compare deux versions d'un élément (une page web, un email, une publicité) pour déterminer laquelle produit de meilleurs résultats sur une métrique définie.
La version A (contrôle) est l'originale. La version B (variante) inclut un changement spécifique. Le trafic est divisé aléatoirement entre les deux versions et, après une période de collecte de données, on analyse laquelle génère la meilleure conversion avec une significativité statistique.
Ce n'est pas une opinion. Ce n'est pas un comité de design qui vote. C'est de la science appliquée au business.
Selon les données de VWO, les entreprises qui mettent en place des programmes d'A/B testing constants améliorent leur taux de conversion de 20 % à 50 % par an. Pas avec un test miracle — avec l'accumulation de dizaines de tests qui génèrent des apprentissages composés.
Le problème : la plupart des entreprises font du testing mal. Tests sans hypothèse, échantillons insuffisants, conclusions prématurées. Un test mal exécuté est pire que de ne pas tester, car il génère une fausse confiance dans des décisions erronées.
Avant de tester, vous devez savoir où sont les problèmes. Utilisez ces sources :
Une hypothèse de testing a cette structure :
"Si [nous faisons ce changement] sur [cet élément] pour [ce segment d'utilisateurs], alors [cette métrique] s'améliorera parce que [cette raison basée sur des données]."
Exemple : "Si nous simplifions le formulaire de checkout de 5 champs à 3 champs pour les utilisateurs mobile, le taux de conversion du checkout s'améliorera parce que les données de heatmaps montrent que 65 % des utilisateurs mobile abandonnent au champ 4."
Caractéristiques d'une bonne hypothèse :
Définissez avant d'exécuter :
Utilisez un outil de testing (VWO, AB Tasty, Optimizely, Google Optimize désormais discontinué). L'outil doit :
Ne regardez pas les résultats avant d'atteindre la taille d'échantillon calculée. Règle d'or : n'arrêtez jamais un test avant la fin parce que "la tendance se dessine déjà".
Pour analyser :
Chaque test — qu'il gagne, perde ou soit non concluant — génère un apprentissage. Documentez :
| Type de test | Qu'est-ce que c'est | Quand l'utiliser | Complexité |
|---|---|---|---|
| A/B test | Contrôle vs. 1 variante | Changements spécifiques sur un élément | Faible |
| A/B/n test | Contrôle vs. multiples variantes | Tester plusieurs versions du même élément | Moyenne |
| Test multivarié (MVT) | Combine des changements sur plusieurs éléments simultanément | Fort trafic, explorer les interactions entre éléments | Élevée |
| Split URL test | Redirige le trafic vers des URLs complètement différentes | Refonte complète de page | Moyenne |
| Personalisation | Expériences adaptées par segment (sans groupe contrôle) | Quand vous savez déjà ce qui fonctionne pour chaque segment | Élevée |
Tous les tests n'ont pas le même potentiel. Priorisez les domaines à plus fort impact sur la conversion :
Pour générer des idées de tests basées sur l'IA, consultez notre article sur les idées de test A/B avec intelligence artificielle.
Si vous avez besoin de 10 000 visiteurs par variante pour détecter un effet de 5 % et que votre landing reçoit 500 visites/semaine, il vous faudra 20 semaines par variante. Si vous arrêtez le test après 2 semaines parce que "le résultat se dessine déjà", vous lisez du bruit statistique, pas du signal.
Le "peeking problem" est l'erreur la plus dangereuse. Chaque fois que vous regardez les résultats intermédiaires et décidez d'agir, vous gonflez le taux de faux positifs. Un test conçu pour 95 % de confiance peut n'avoir que 50 % de confiance réelle si vous le consultez chaque jour et l'arrêtez quand "ça a l'air bon".
Solution : définissez la taille d'échantillon avant de commencer et ne regardez pas avant de l'atteindre. Ou utilisez des méthodes bayésiennes/séquentielles conçues pour permettre un suivi continu.
Changer la couleur d'un bouton de bleu à vert génère rarement un effet détectable. Si votre MDE (Minimum Detectable Effect) est de 1 % et que vous avez besoin de 500 000 visiteurs pour le détecter, le test n'est pas praticable.
Solution : testez des changements radicaux d'abord (proposition de valeur, structure de page, offre). Une fois que vous avez trouvé la bonne direction, itérez avec des changements plus fins.
Un test peut être gagnant sur desktop et perdant sur mobile. Ou gagnant pour le trafic direct et neutre pour le trafic payant. Si vous ne regardez que le résultat agrégé, vous perdez une information cruciale.
"La variante B a un +3 % après 3 jours — implémentons-la." Non. Sans significativité statistique, ce +3 % peut parfaitement être aléatoire. Vous avez besoin d'un p-value < 0.05 au minimum.
Tester pour tester ("essayons de changer ça pour voir ce qui se passe") ne génère pas d'apprentissages cumulatifs. Sans hypothèse, vous ne savez pas pourquoi ça a gagné ou perdu, et vous ne pouvez pas itérer intelligemment.
Avec des dizaines d'idées de tests possibles, vous avez besoin d'un système de priorisation. Le framework ICE est simple et efficace :
Multipliez les trois valeurs pour obtenir le score ICE. Priorisez les tests avec le score le plus élevé.
Exemple :
| Test | Impact | Confidence | Ease | ICE Score |
|---|---|---|---|---|
| Simplifier checkout 5→3 champs | 9 | 8 | 7 | 504 |
| Ajouter vidéo sur PDP | 6 | 5 | 4 | 120 |
| Changer couleur bouton CTA | 2 | 2 | 9 | 36 |
| Nouveau hero avec social proof | 8 | 7 | 6 | 336 |
Outils enterprise :
Outils mid-market :
Critères de sélection :
Un test isolé est un expériment. Un programme de testing est un système d'apprentissage continu.
Les entreprises avec des programmes d'expérimentation matures :
Le programme typique passe par trois phases de maturité :
Pour plus d'idées sur comment améliorer votre taux de conversion au-delà du testing, consultez notre guide sur comment augmenter le taux de conversion web.
Les tests quantitatifs vous disent ce qui fonctionne. Les données qualitatives vous disent pourquoi. Combinez les deux :
Des outils comme l'eye tracking peuvent révéler des patterns d'attention visuelle qui expliquent pourquoi un design convertit mieux qu'un autre.
L'A/B testing est un outil au sein d'un processus plus large de CRO :
Le testing n'est pas la fin — c'est le mécanisme de validation qui transforme des hypothèses en améliorations réelles pour le business.
Si vous souhaitez mettre en place un programme d'A/B testing professionnel ou faire évoluer votre programme actuel, chez Boost nous sommes spécialistes en CRO. Commencez par un diagnostic gratuit sur Scan&Boost.
Adrià Vidal est le fondateur de Boost. +1 000 actions d'optimisation, +47,8 % d'augmentation moyenne de la conversion par client, +7,8 M€ de revenus additionnels générés.
Apprenez ce qu'est l'automatisation des processus, quels sont ses avantages réels et comment l'implémenter étape par étape pour réduire les coûts et faire...
Le customer journey définit chaque point de contact entre votre marque et le client. Apprenez à cartographier ses phases, détecter les frictions et...
Découvrez ce qu'est une stratégie digitale, comment la construire étape par étape et quels sont les 7 piliers que toute entreprise doit maîtriser en 2026...
