Archives par mot-clé : taux de transformation

Tests AB

Cet article a été rédigé par Florent

Aujourd’hui, on ressort les calculettes et nos formulaires de statistiques!

Beaucoup d’entre vous ont entendu parler de tests A/B, voire les pratiquent déjà. Mais êtes-vous sûr de bien interpréter les résultats?
Les tests A/B sont une technique statistique où on présente aléatoirement deux versions d’un même élément: par exemple, une page d’accueil avec une photo ou une page d’accueil avec des vidéos.
Ces tests sont pratiqués depuis le début des années 2000, le premier test de grand ampleur connu a été réalisé par Google pour déterminer le nombre optimal de résultats par page (la réponse fut 10!).
Le plus souvent, on présent ces tests avec ce que l’on appelle un intervalle de confiance, sous cette forme: « Nous sommes à 95% certains que A est plus performant que B »
Pour arriver à cette conclusion, il faut valider un certain nombre de choses auxquelles nous ne pensons pas toujours:
  • Sommes-nous certains que A et B sont strictement indépendants?
  • Sommes-nous certains que les populations exposées à A et B sont réellement semblables (par exemple, envoyer tous les clients espagnols vers la version A et tous les clients belges vers la version B: qui dit que les espagnols régissent de la même façon à une video que les belges?)
  • Quand faut-il arrêter le test?
C’est bien souvent sur cette dernière question que les tests AB pêchent. En effet, pour assurer la validité statistique, il faut en théorie au préalable définir le nombre de tests. Deux problèmes à cela: sur des éléments à faible trafic, il est parfois long d’atteindre le nombre correspondant au seuil de confiance fixé (95 ou 99% généralement). L’autre problème est qu’on expose parfois 50% de ses visiteurs à un élément qui convertit extrêmement mal! Perdre deux points de taux d’engagement sur 50% de son trafic pendant 1 jour, 1 semaine ou 1 mois, cela peut donner lieu à des pertes financières très importantes!
Plusieurs solutions sont possibles mais leur démonstration sort du cadre de cet article.
L’une est d’utiliser un dérivé du test du khi-2 (le G-Test) sur les variables (qui permettra de vérifier que l’on n’est pas dans un cas indécidable), l’autre est de prendre une approche dite bayésienne (qui permettra de stopper l’expérience dès que la réussite de A est supérieure à celle de B d’un certain seuil)
Enfin, et c’est là le plus important, vos tests doivent être solides, de manière à se défaire d’un défaut malheureusement très courant dans les processus de décision: l’avis du plus haut salaire est considéré comme le meilleur: « Highest-Paid Person Opinion », ou HiPPO.
Cet article récent de Wired en est la parfaite illustration: les dirigeants d’Amazon ne croyaient pas aux recommendations pour l’achat d’impulsion, les données leur ont montré qu’ils avaient tort!
Si le sujet des statistiques appliquées au marketing vous intéresse, un prochain article suivra sur le Multi Variable Testing, ses contraintes et ses applications.

Page d’identification – Suite

Après avoir vu plusieurs écrans d’identifications, proposant finalement une vision plutôt symétrique : « J’ai déjà un compte » ou « je suis un nouveau client », je vous propose de regarder maintenant une autre solution, qui vise à dé-symétriser les choses.

L’idée, c’est de faire « comme si » tous les internautes devaient créer un compte.

Donc, la page affiche directement le formulaire de création de compte.

Pour les internautes ayant déjà un compte, on propose un lien ou un bouton, en haut de la page.

Exemples :

Salomon :

Vous voyez : on a un lien pour se connecter en haut à droite (assez discret) et sinon, on arrive directement sur le formulaire de création de compte.

Autre exemple sur Ela Stone :

Très bien fait cette page :

C’est le même principe que pour salomon sauf que l’identification passe par un bouton plus visible.

(je pense qu’on pourrait mettre un bouton plus « incitatif » pour valider)

Au final, je pense que cette présentation, si elle est bien réalisée, doit être plutôt efficace.

Pour un nouveau client, on gagne une étape, et une question inutile.

Pour un client existant, le plus souvent, il a déjà un cookie sur son ordinateur, on peut donc le reconnaitre et s’en servir pour orienter l’identification.

Sinon, le client existant connait la boutique, et il devrait trouver le bouton pour s’identifier.

Spoonkey / Speedform augmente le taux de transformation

Le taux de transformation est évidemment un facteur clé pour réussir sa boutique e-commerce.

L’équation est simple : vous payez pour faire venir les clients.

Plus le taux de transformation est élevé, et plus l’investissement est rentable.

Michaël Cru, Patron de Spoonkey, vient de me transmettre les résultats, qu’il a pu effectuer sur de très beaux comptes Français.

Speedform, c’est une solution permettant à l’internaute de pré-remplir le formulaire, à partir du numéro de téléphone de l’internaute.

Voici un petit exemple, qui permet de voir ce que ça donne :

Maintenant, les résultats concrets

La page qui permet de saisir l’adresse des clients a taux d’abandon compris entre 20% et 60% (il serait d’ailleurs intéressant d’analyser d’où viennent ces différences, mais je m’égare…).

Et bien, pour un site ayant un taux d’abandon de 20%, le gain est compris entre 1,4 et 1,9… Dans le pire des cas, on arrive donc à un taux d’abandon de 18,6%.

Le gain est encore bien meilleur quand le taux d’abandon est de 60%. Dans ce cas, le gain peut aller jusqu’à 4,4 % !

Il n’y a pas grand chose à ajouter !