Tests A/B chaînés pour diagnostiquer la conversion

Quand on parle de test A/B, on pense presque toujours à une expérience isolée : on change un bouton, on compare deux versions, et soit un gagnant émerge, soit non. Pourtant, un test A/B est, avant tout, un outil de diagnostic. Et parfois, un test qui "ne gagne pas" est celui qui fournit l'indice le plus précieux pour le suivant.

Cet article explique exactement ce qu'est un test A/B et, à travers un cas réel de Viuty, comment quatre tests chaînés (dont trois n'ont pas donné de résultat positif sur la métrique finale) nous ont permis d'identifier le vrai goulot d'étranglement du panier et de le résoudre avec une amélioration qui a généré +10 690 EUR supplémentaires par mois.

L'erreur de considérer chaque test A/B comme une expérience isolée

Un test A/B compare deux versions de la même page ou du même élément (le contrôle et la variante), en répartissant le trafic entre elles pour mesurer laquelle convertit mieux. Jusque-là, c'est la définition classique.

L'erreur courante est de traiter chaque test comme une question fermée : est-ce que ça a marché, oui ou non ? Si la réponse est non, le test est clos, l'apprentissage est noté et on passe à l'idée suivante de la liste. Le problème est que cette approche traite chaque test comme s'il était sans lien avec le précédent, alors qu'en réalité, chaque résultat — qu'il gagne ou non — fournit des informations sur l'endroit où votre utilisateur avance (ou reste bloqué) dans le funnel.

Le cas pratique : un CTA qui "fonctionnait" mais la conversion ne montait pas

Tests 1 et 2 — Un CTA visible augmente l'intérêt, mais pas les ventes

Le premier test de cette chaîne chez Viuty impliquait un CTA sticky qui gardait le bouton "ajouter au panier" visible en permanence. Le résultat d'ajout au panier était clairement positif : +11,6 %, avec près de 99 % de probabilité de gagner. À première vue, un succès.

Cependant, en regardant l'étape suivante du funnel, les données changeaient de signe : le taux de conversion de l'ajout au panier à l'initiation du checkout passait de 58,9 % à 52,3 % (−11,2 %). L'insight clé, toutefois, était ailleurs : ceux qui atteignaient le checkout achetaient presque de manière identique dans les deux variantes (65,5 % vs 65,1 %). Autrement dit, le CTA sticky générait plus d'intention, mais cette intention ne se traduisait pas par plus de personnes atteignant le checkout. Le rapport de test lui-même soulignait ce segment — panier vers checkout — comme le point à traiter dans l'expérience suivante.

Le deuxième test confirma le même signal par un chemin différent : l'ajout au panier augmentait de +4,48 %, mais l'initiation du checkout chutait à nouveau, et les achats finissaient à −11,37 %.

Test 3 — Confirmer le vrai point de fuite

Dans le troisième test, une nouvelle landing page avec un raccourci direct vers le checkout confirma davantage le diagnostic : l'initiation du checkout augmentait de +65 %, une amélioration énorme sur cette étape spécifique du funnel. Mais, une fois encore, cette amélioration ne se traduisait pas non plus par plus d'achats.

Trois tests, trois résultats différents sur leur métrique finale — un superficiellement positif, deux sans gagnant — mais tous les trois pointant exactement au même endroit : le problème n'était pas dans la génération d'intérêt ou le trafic vers le checkout. Il était dans ce qui se passait à l'intérieur du panier, juste avant que l'utilisateur ne fasse le pas final.

Test 4 — Traiter le point exact de friction

Avec ce diagnostic déjà validé par trois expériences différentes, le test final redessinait directement le panier : les moyens de paiement et les badges de confiance (livraison, retours) étaient déplacés juste au-dessus du CTA d'achat, le bloc de prix était unifié en un seul emplacement, et le texte du bouton passait de "Terminar pedido" (Terminer la commande) à "Finalizar pedido" (Finaliser la commande).

Le résultat : ce qui a changé et l'impact business

En seulement 15 jours, voici les résultats :

Métrique	Contrôle	Variante	Variation
Achat (objectif principal)	22,12 %	23,75 %	+7,37 % (90,57 % de probabilité de gagner)
Track Add Payment Info	25,65 %	27,04 %	+5,42 %
Revenue Per Visitor (RPV)			+11,6 %

La variante a franchi le seuil bayésien du compte (90 % de probabilité, perte attendue de 2,58 %, en dessous du maximum accepté de 3,54 %). L'impact économique estimé : +10 690 EUR supplémentaires par mois. Comme dans les trois tests précédents, l'effet était plus prononcé chez les utilisateurs récurrents (+10,55 % de conversion, +15,18 % de revenu par visiteur), qui représentent 64 % du trafic du compte.

La leçon méthodologique : lire les tests collectivement, pas individuellement

Si Viuty avait clôturé la chaîne après le premier test, ils ne seraient jamais arrivés à la conclusion finale. Et s'ils l'avaient clôturée après le deuxième ou le troisième — "pas de gagnant, prochaine idée de la liste" — ils auraient perdu l'indice que chacun de ces tests, à sa manière, laissait : le problème résidait dans le segment panier vers checkout, pas avant ni après.

Chaque test individuel répondait à une petite question spécifique. La grande question (où se trouve véritablement la fuite) ne trouve sa réponse qu'en lisant la série complète.

Comment mettre en place votre propre chaîne diagnostique avec des tests A/B

Vous n'avez pas besoin de frapper un coup de circuit avec le premier test qui va "gagner". Ce qu'il faut, c'est un critère clair pour interpréter chaque résultat, qu'il gagne ou non, comme un indice sur le funnel :

• Mesurez toujours l'étape suivante, pas seulement la métrique que vous testez directement. Un test peut améliorer un micro-objectif (ajout au panier, clics, scroll) et dégrader l'objectif business si vous ne regardez pas l'étape qui suit.
• Quand un test ne gagne pas, demandez-vous ce qu'il confirme. Un "pas de gagnant" avec un pattern cohérent sur plusieurs segments (comme l'initiation du checkout qui baisse dans deux tests consécutifs) est un signal, pas un échec.
• Ne changez pas votre hypothèse à chaque test. La chaîne de Viuty a fonctionné parce que chaque test suivant attaquait la même friction sous un angle différent, au lieu de sauter à une idée complètement nouvelle à chaque fois.

Si vous souhaitez identifier quel segment de votre propre funnel connaît une fuite similaire, notre audit CRO gratuit est un excellent point de départ.