Comment tester une landing page avec du trafic payant

L’A/B testing vous permet d’affiner vos actions marketing, un élément à la fois. Il peut s’appliquer aussi bien aux visuels de vos publicités display qu’aux textes de vos articles de blog. Aujourd’hui, nous allons voir comment exploiter les résultats d’un test A/B sur une landing page pour améliorer vos pages et convertir les visiteurs qui y arrivent.

Qu’est-ce qu’un test A/B ?

L’A/B testing, aussi appelé « split testing », consiste à créer deux versions d’un même support qui ne diffèrent que par un seul élément. Vous diffusez les deux versions en même temps puis, à la fin de la période de test, vous comparez les résultats pour déterminer laquelle a été la plus efficace.

Une fois le test terminé, vous pouvez abandonner la version la moins performante et vous en tenir là si les résultats vous conviennent. Si vous souhaitez tester d’autres versions, vous pouvez renouveler l’expérience jusqu’à atteindre le niveau de conversion recherché.

Quels indicateurs mesurer avec l’A/B testing ?

L’A/B testing vous permet de comparer l’effet de toutes sortes de modifications sur vos landing pages. C’est un moyen pratique de vérifier l’impact de presque n’importe quel changement et de mesurer presque tout indicateur pertinent, notamment les conversions, les ventes et les inscriptions via un formulaire.

L’essentiel est de choisir un indicateur principal pour chaque test. C’est lui qui détermine la version gagnante, ce qui vous évite de retenir après coup le chiffre le plus flatteur. Si votre landing page sert à obtenir des inscriptions à une liste de diffusion, les inscriptions constituent votre indicateur principal.

Vous suivez également deux ou trois autres chiffres, appelés indicateurs garde-fous. Un indicateur garde-fou ne doit pas se dégrader lorsque l’indicateur principal s’améliore. Il peut s’agir, par exemple, de l’abandon de formulaire ou des demandes de remboursement. Un nouveau titre qui augmente les inscriptions de 10 % tout en doublant les désinscriptions dès la première semaine n’est pas une véritable réussite. Les garde-fous vous permettent de le repérer avant de généraliser la modification.

Les principaux indicateurs les plus faciles à mesurer avec cette méthode sont les suivants :

• Taux de clics (CTR) : le pourcentage de visiteurs qui cliquent sur votre appel à l’action. Pour les publicités, le taux de clics correspond au nombre de clics divisé par le nombre d’impressions. Il est donc utile de préciser laquelle de ces deux définitions vous utilisez pour votre test.
• Taux de rebond : le pourcentage de sessions qui se terminent sans engagement. Les outils d’analyse classiques comptabilisaient chaque visite d’une seule page comme un rebond. Google Analytics 4 considère une session comme un rebond lorsqu’elle dure 10 secondes ou moins, ne comporte aucun événement clé et n’inclut qu’une seule page vue. Notre guide sur les sessions, les utilisateurs et les pages vues explique comment GA4 comptabilise chacune de ces unités.
• Taux de conversion : le pourcentage de visiteurs qui effectuent l’action souhaitée.
• Profondeur de défilement : jusqu’où les visiteurs descendent dans la page en lisant votre contenu.
• Taux d’abandon : le pourcentage de personnes qui commencent l’action souhaitée, comme remplir un formulaire, sans aller jusqu’au bout.
• Panier moyen (AOV) : le chiffre d’affaires total divisé par le nombre de commandes.
• Chiffre d’affaires par visiteur : le chiffre d’affaires total divisé par le nombre de visiteurs, y compris ceux qui n’ont rien acheté.

Le panier moyen et le chiffre d’affaires par visiteur peuvent évoluer dans des directions opposées. Une page qui supprime une remise peut augmenter le panier moyen tout en réduisant le nombre d’acheteurs. Le chiffre d’affaires par visiteur est donc un indicateur plus fiable lorsque votre objectif est de générer des ventes.

Quelles variables optimiser avec l’A/B testing ?

L’avantage des tests A/B, c’est qu’ils permettent de tester presque tous les éléments de vos landing pages. Vous pouvez vous concentrer sur l’effet d’un aspect technique, comme les temps de chargement, ou sur un détail aussi simple que la visibilité de votre bouton d’appel à l’action. La couleur en elle-même compte moins que le contraste. Un bouton qui se fond dans la page passe facilement inaperçu, quelle que soit sa couleur. Un test portant sur le contraste ou la taille vous en apprend donc généralement plus qu’une comparaison entre orange et bleu.

L’essentiel est de ne tester qu’une seule variable à chaque nouvelle version du site. Vous pouvez ainsi tirer des conclusions solides sur son impact, sans brouiller l’analyse en vous demandant quelle modification a produit quel résultat.

Pourquoi tester vos landing pages avec du trafic payant ?

Vous pourriez tout à fait mener une série de tests A/B concluants sur vos landing pages grâce au trafic organique. Toutefois, les sources payantes, comme la publicité, offrent plusieurs avantages évidents :

• Temps : la croissance du trafic organique est généralement un processus lent et progressif. Le trafic payant permet de commencer à recueillir des informations presque immédiatement, et donc de valider ou non votre hypothèse beaucoup plus vite.
• Contrôle : les campagnes payantes vous permettent de décider combien de visiteurs arrivent chaque jour, quand le test commence et se termine, et combien il coûte. Vous pouvez aussi conserver un ciblage identique pendant tout le test, afin que seule la page change entre la version A et la version B. La répartition à 50/50 entre les versions se configure sur votre propre site, comme l’explique l’étape 5, car la plateforme publicitaire ne peut pas la garantir à elle seule.
• Segmentation : la publicité payante vous permet de choisir qui voit vos annonces en fonction de la localisation, de l’appareil et des centres d’intérêt. Les visiteurs de votre test correspondent alors au marché que vous souhaitez conquérir, ce qui rend les résultats plus pertinents pour les clients que vous ciblez. Ces résultats ne valent que pour cette audience. Une page gagnante auprès des visiteurs mobiles d’un pays ne le sera pas forcément auprès des internautes qui effectuent des recherches sur ordinateur ailleurs.

SparkTraffic, une plateforme publicitaire qui diffuse vos annonces sur les sites d’éditeurs partenaires, repose sur ce type de contrôle. Vous choisissez les pays, les villes et les appareils ciblés par une campagne et définissez un budget quotidien ou mensuel. La composition de l’audience et le volume de visiteurs restent ainsi stables pendant tout le test. Lorsque vous dirigez ce trafic web géociblé vers une URL de campagne unique, puis le répartissez sur votre propre site, les deux versions de la page reçoivent le même type de visiteurs. C’est une condition indispensable à un test A/B équitable.

En bref, utiliser des publicités payantes pour générer le trafic de vos tests A/B vous permet d’obtenir des résultats plus pertinents, plus rapidement.

Comment réaliser un test A/B de landing page avec du trafic payant

Une landing page a pour objectif d’inciter les visiteurs à effectuer une action précise après avoir cliqué sur un lien. Ils peuvent découvrir cette page de plusieurs façons : en parcourant les réseaux sociaux, en effectuant une recherche, grâce à une recommandation d’IA ou, dans le cas qui nous intéresse aujourd’hui, en cliquant sur une publicité.

L’objectif d’un test A/B est d’améliorer votre landing page en créant deux versions légèrement différentes et en recueillant suffisamment de données pour déterminer si l’écart entre elles est statistiquement significatif. Vous devez donc attendre d’avoir assez de preuves que les meilleurs résultats de la version la plus performante proviennent bien des modifications apportées.

Voici comment se déroule le processus, étape par étape :

Étape 1 : choisissez un indicateur principal

L’A/B testing fonctionne mieux si vous définissez un objectif clair dès le départ, plutôt qu’une ambition générale comme « obtenir de meilleurs résultats ». Pour cela, mieux vaut choisir un seul indicateur pertinent pour votre activité, comme l’évolution du taux de clics, des inscriptions ou des ventes.

Ce sera votre « indicateur principal », le point de comparaison central de vos résultats. Ce ne sera pas le seul enseignement significatif, mais ce sera le plus important.

Étape 2 : formulez votre hypothèse

L’A/B testing étant une méthode relativement scientifique pour évaluer vos landing pages, vous avez besoin d’une hypothèse à tester. Elle doit être directement liée à l’indicateur que vous souhaitez améliorer. Par exemple : « Réduire le nombre de champs du formulaire d’inscription augmentera les inscriptions à la liste de diffusion » ou « Remplacer le H1 générique par un titre axé sur les bénéfices augmentera les ventes ».

Étape 3 : isolez votre variable

La variable est la modification que vous testez. Pour garantir la clarté et la validité des données recueillies, il est important de ne modifier qu’un seul élément par test. Vous pourrez toujours lancer un autre test plus tard pour vérifier d’autres hypothèses.

La variable peut être presque n’importe quel élément de votre landing page. Voici toutefois quelques éléments couramment testés :

• Visuel principal : la bannière en haut de votre page, le premier élément que voient les visiteurs
• H1 : le premier texte qu’ils lisent
• Mise en page : la façon dont la page est présentée
• Position du CTA : l’emplacement de l’appel à l’action sur la page
• Formulation du CTA : la façon dont l’appel à l’action est présenté aux visiteurs
• Taille du formulaire : le nombre de champs à remplir
• Contenu rédactionnel : les textes de votre page
• Temps de chargement : un chargement plus rapide génère-t-il davantage de conversions ?

Bien sûr, vous pouvez réaliser un test A/B sur n’importe quel élément de votre page. Ceux de la liste ci-dessus sont toutefois susceptibles d’avoir le plus d’impact et de vous permettre de tirer le plus facilement des conclusions claires.

Étape 4 : préparez vos pages

La dernière étape avant de générer du trafic et de lancer le test consiste à préparer vos pages. Pour la plupart des tests de landing pages, deux versions constituent le meilleur choix. Chaque version supplémentaire divise davantage votre trafic. Un test à trois versions nécessite donc au moins 50 % de visiteurs supplémentaires au total par rapport à un test à deux versions. Comparer plusieurs versions simultanément augmente aussi le risque de désigner à tort une version gagnante.

Vous pouvez néanmoins réaliser un test A/B/n avec trois ou quatre versions si votre trafic le permet. Dans tous les cas, chaque version ne doit différer de la version témoin que par un seul élément. Si vous souhaitez tester plusieurs éléments ensemble, il s’agit d’une autre méthode, appelée test multivarié.

Votre page existante constitue la version « A » et sert de témoin, en établissant la référence de départ. La version comportant l’unique modification constitue la version « B » et vous permet de tester votre hypothèse.

Étape 5 : configurez votre trafic payant

La plupart des plateformes publicitaires payantes intègrent des fonctionnalités d’expérimentation, mais celles-ci sont conçues pour comparer des annonces et des campagnes, pas des landing pages. Dans Google Ads, par exemple, une expérience de campagne répartit votre budget entre une campagne d’origine et une campagne test. C’est utile pour tester des enchères ou des textes publicitaires, mais cela ne garantit pas que vos deux landing pages reçoivent un nombre égal de visiteurs ou des visiteurs comparables.

La raison est que les plateformes publicitaires optimisent la diffusion. Lorsque deux annonces pointent vers deux pages différentes, l’algorithme de la plateforme décide qui voit chaque annonce et la présente aux personnes qu’il estime les plus susceptibles de réagir. Les chercheurs appellent ce phénomène la diffusion divergente. Une étude de Braun et Schwartz publiée en 2025 dans le Journal of Marketing a montré qu’il peut fausser l’ampleur du résultat d’un test publicitaire, voire en inverser le sens.

La configuration la plus sûre consiste à diriger tous les visiteurs issus du trafic payant vers une URL de campagne unique, puis à les répartir sur votre propre site. Un script de test ou une règle côté serveur affecte chaque visiteur au hasard à la version A ou à la version B, à 50/50. Cette même règle enregistre l’affectation dans un cookie propriétaire, afin qu’un visiteur qui revient voie toujours la même version. Sans cela, une personne peut voir les deux versions. Son comportement est alors comptabilisé dans les deux groupes, ce qui brouille l’écart que vous cherchez à mesurer.
Si votre configuration vous oblige à utiliser deux campagnes distinctes, attribuez-leur un ciblage identique, la même heure de début et le même plafond quotidien. Avant d’examiner les résultats, comparez la répartition des appareils et des localisations dans les deux groupes. Si un groupe compte beaucoup plus de visiteurs mobiles que l’autre, la comparaison n’est pas équitable.

Combien de visites acheter ?

Il n’existe pas de nombre unique de visites garantissant la précision d’un test, car ce nombre dépend de quatre paramètres. Le premier est votre taux de conversion de référence, c’est-à-dire la fréquence à laquelle la page témoin convertit actuellement. Le deuxième est la plus petite hausse que vous souhaitez pouvoir détecter. Les troisième et quatrième sont le seuil de significativité et la puissance statistique, que la plupart des équipes fixent à un niveau de confiance de 95 % et à une puissance de 80 %.

Voici les chiffres pour une page dont le taux de conversion est de 4 %. Pour détecter une hausse de 20 % (de 4,0 % à 4,8 %), il vous faut environ 10 300 visiteurs par version. Pour détecter une hausse de 10 % (de 4,0 % à 4,4 %), il vous en faut environ 39 500 par version, soit presque quatre fois plus. Une page dont le taux de conversion est de 2 % nécessite environ 80 700 visiteurs par version pour détecter une hausse de 10 %, contre environ 14 800 pour une page à 10 %.

La durée ne change pas ces chiffres. Un test qui atteint 10 300 visiteurs par version en 14 jours est aussi fiable qu’un test qui met 30 jours à atteindre ce même total, à condition que les deux couvrent des semaines complètes. Vous pouvez convertir la taille de l’échantillon en budget avant de commencer : visiteurs par version × 2 × coût par visite. Avec un coût donné à titre d’exemple de $0.50 par visite, le test visant une hausse de 20 % ci-dessus coûte environ $10,300.

Si ce budget est trop élevé, vous avez deux options rigoureuses. Vous pouvez tester un changement plus marqué, car les hausses plus importantes nécessitent beaucoup moins de visiteurs. Vous pouvez aussi choisir un indicateur principal dont le taux de départ est plus élevé, comme le taux d’engagement : autour de 50 %, 1 000 visiteurs par version permettent de détecter un écart d’environ 6 points de pourcentage. La méthode utilisée pour obtenir ces chiffres s’appelle le calcul de la taille d’échantillon, et des calculateurs gratuits en ligne font les calculs pour vous.

Étape 6 : lancer le test

Avant l’arrivée du premier visiteur, vous fixez la taille d’échantillon calculée à l’étape précédente et la durée nécessaire pour l’atteindre. Nous recommandons des semaines complètes (7, 14, 21 ou 28 jours), afin que chaque jour de la semaine soit représenté autant de fois dans les deux versions. Ensuite, vous attendez la fin du test avant de prendre une décision.

La raison est que les fluctuations aléatoires sont les plus fortes au début d’un test. Si vous consultez les résultats chaque jour et arrêtez le test dès qu’une version semble présenter un résultat significatif, votre taux réel de faux positifs dépasse largement les 5 % prévus. Les statisticiens appellent cela l’arrêt optionnel, et les spécialistes du marketing parlent souvent de consultation prématurée des résultats.

Un plan fixé à l’avance ne peut pas éliminer le hasard, mais il maintient le risque de désigner un faux gagnant au niveau que vous avez choisi. Il protège aussi vos données contre les distorsions temporaires, comme :

• Les variations selon l’heure de la journée et le jour de la semaine
• Quelques utilisateurs très actifs qui reviennent de nombreuses fois
• Des événements ponctuels, comme une promotion chez un concurrent ou une actualité

Choisir un « gagnant » avant la fin du test, simplement parce qu’il semble mieux fonctionner au début, risque de vous conduire à déployer une version sur la base d’un faux positif et de nuire à vos résultats à long terme.

Ce qui constitue un test « équitable » varie selon les cas, mais la règle générale est de le mener assez longtemps et avec suffisamment de visiteurs pour que vos résultats atteignent la significativité statistique. La taille d’échantillon calculée avant le lancement vous indique ce que « assez longtemps » et « suffisamment de visiteurs » signifient pour votre test.

Étape 7 : évaluer les résultats et déployer la version gagnante

Une fois votre test arrivé à son terme, vous pouvez évaluer les résultats. Cela implique deux choses : vérifier d’abord si votre hypothèse était correcte et si la modification de la variable choisie a amélioré votre indicateur principal, puis examiner vos autres indicateurs pour repérer d’éventuelles conséquences imprévues.

Si votre indicateur principal s’est amélioré de façon statistiquement significative et que vos indicateurs de contrôle ne se sont pas dégradés, votre test est concluant et vous pouvez remplacer la page d’origine par la nouvelle version. Si l’effet est négatif, conservez la version témoin et abandonnez la nouvelle version. Si l’écart n’est significatif dans aucun sens, le test ne permet pas de conclure. Le changement n’a produit aucune différence mesurable avec cette taille d’échantillon, et conserver la version témoin est généralement l’option la moins coûteuse.

Si votre indicateur principal s’est amélioré, mais que vos autres indicateurs importants ont également été affectés, vous devrez arbitrer pour déterminer quelle version de votre landing page utiliser. Évaluez soigneusement les effets et envisagez de nouveaux tests pour affiner davantage votre page.

Évaluer vos résultats

Il peut être tentant de désigner une version de votre page comme « gagnante » simplement parce que votre indicateur principal a progressé. Il faut pourtant garder à l’esprit qu’il n’existe pas de landing page « parfaite » et qu’en marketing digital, nous raisonnons en termes de statistiques : ce qui nous intéresse réellement, c’est le pourcentage de personnes exposées à nos contenus qui effectuent ensuite l’action souhaitée.

Lorsque nous réalisons un test A/B, nous cherchons des informations détaillées pour prendre des décisions éclairées. Plus vos rapports sont détaillés, mieux c’est.

Pour comprendre plus précisément nos résultats, il va donc falloir faire un peu de mathématiques (pas de panique : des outils peuvent vous aider !).

Significativité statistique

Pour désigner un gagnant, vous devez savoir si l’écart entre vos deux pages reflète une différence réelle ou simplement une variation aléatoire parmi les personnes qui les ont visitées. Vous ne pouvez jamais en être totalement certain. Les statisticiens utilisent donc un test d’hypothèse pour mesurer à quel point votre résultat serait surprenant si le changement n’avait aucun effet.

Le test part de l’hypothèse nulle, selon laquelle la version B fonctionne exactement comme la version A. Les conversions suivent une loi binomiale, car chaque visiteur convertit ou ne convertit pas. Ce modèle indique au test dans quelle mesure le taux de conversion varierait sous le seul effet du hasard. Pour les taux de conversion, on utilise généralement un test z de comparaison de deux proportions ou un test du khi-deux. Tout calculateur de significativité effectue ce test pour vous.

Le test produit une valeur p : la probabilité d’observer un écart au moins aussi grand que le vôtre si le changement ne faisait réellement aucune différence. Ce n’est pas la probabilité que votre changement ait fonctionné, et elle ne dit rien de l’ampleur de l’amélioration. Une valeur p de 0,03 signifie qu’un écart au moins aussi grand apparaîtrait dans environ 3 tests sur 100 portant sur deux pages identiques.

La plupart des équipes fixent le seuil à 0,05 (5 %) avant le début du test et considèrent le résultat comme statistiquement significatif lorsque la valeur p passe en dessous. Il est important de fixer ce seuil à l’avance, car un seuil choisi après avoir vu les données peut être ajusté pour correspondre au résultat espéré. Pour une décision majeure, comme une refonte complète du site, un seuil plus strict de 0,01 vous protège davantage contre le risque de désigner un faux gagnant.

Taille d’échantillon et durée

Même si ces paramètres doivent avoir été fixés dès le début du processus de test, il est utile de les vérifier à nouveau lors de l’évaluation des résultats. Des outils peuvent vous aider à déterminer les tailles d’échantillon et les durées à viser pour obtenir des résultats statistiquement significatifs.

En résumé, plus votre test dure longtemps et plus il inclut de personnes, plus vous pouvez avoir confiance dans la pérennité des améliorations observées. Il y a bien sûr des limites : aucune équipe marketing ne dispose d’un délai ou d’un budget illimité pour acheter du trafic web. Il est donc important de fixer des objectifs chiffrés réalistes et de les vérifier.

Lorsque vous examinez vos tailles d’échantillon, vérifiez aussi que chaque version a reçu la part de visiteurs prévue. Si vous avez défini une répartition 50/50 et observez 5 400 visiteurs sur une version et 4 600 sur l’autre, le problème vient de la configuration, pas du hasard. Ce problème s’appelle un déséquilibre du ratio d’échantillonnage, et un simple test du khi-deux permet de le confirmer.

Un déséquilibre du ratio d’échantillonnage provient généralement de la configuration, et non de la source de trafic. Les causes fréquentes comprennent une redirection qui fait perdre certains visiteurs, une balise de suivi qui ne se déclenche pas sur une version, ou un filtrage des bots qui supprime davantage de visites dans un groupe. Si cette vérification révèle un problème, les résultats ne sont pas fiables : il faut trouver la cause et relancer le test. Si vous soupçonnez des visites automatisées d’être à l’origine du déséquilibre, notre guide pour détecter le trafic de bots présente les signaux à comparer entre les variantes.

Un second regard rend cette vérification plus fiable. Un collègue disposant du rôle Viewer (lecteur) sur votre propriété GA4 peut confirmer indépendamment la répartition et les événements clés, sans pouvoir modifier les paramètres. Notre guide pour ajouter des utilisateurs dans Google Analytics vous indique quel rôle convient à cette personne et comment l’attribuer en toute sécurité.

Évaluer les facteurs externes

Malheureusement, Internet n’est pas un environnement de test isolé, et des facteurs externes risquent d’influencer vos résultats. Le trafic payant peut contribuer à limiter ces perturbations statistiques, mais il ne peut pas les éliminer totalement.

Ces facteurs peuvent être très variés, des changements saisonniers de comportement (les personnes sont plus réceptives aux publicités e-commerce pendant les fêtes) aux autres campagnes marketing que vous menez en parallèle. Des problèmes techniques, comme une page qui se charge légèrement plus lentement que l’autre, peuvent aussi avoir un effet étonnamment important sur vos résultats. Si personne n’attend assez longtemps pour voir la variable testée, vous ne pouvez pas réellement la tester.

Ces facteurs n’invalident pas vos résultats, mais vous devez les examiner attentivement avant de mettre en pratique les enseignements du test.

Segmentation de l’audience

Si votre objectif est de tester un nouveau marché avant le lancement, un pilote géographique répond à une autre question qu’un test A/B : il vérifie si votre offre est prometteuse auprès d’un public local. Comparer deux pays ne permet pas d’isoler l’effet d’un changement de page, car la langue, les revenus et les coûts de livraison peuvent aussi différer.

Vos tests A/B peuvent fournir des chiffres clés, comme « 5 % d’inscriptions en plus », mais vous pouvez aussi examiner la réaction de différents groupes de visiteurs. C’est particulièrement utile avec le trafic payant, car vous avez choisi l’audience et votre outil d’analyse enregistre l’appareil, la localisation et la source de trafic de chaque visiteur.

Il est tentant de découper les résultats selon toutes les dimensions disponibles, comme l’appareil, le navigateur, le pays, l’âge et le genre. Le problème est que chaque découpage offre au hasard une nouvelle occasion de produire un faux gagnant. Avec 10 segments testés au seuil de 5 %, la probabilité qu’au moins l’un d’entre eux présente une différence « significative » due au seul hasard est d’environ 40 %. Ce piège est connu sous le nom de problème des comparaisons multiples. Chaque segment ne contient par ailleurs qu’une partie de votre échantillon, ce qui rend ses chiffres moins fiables.

Il est également utile de créer des segments à partir de vos propres données d’analyse plutôt qu’à partir des profils des réseaux publicitaires. Les profils construits à partir de cookies tiers sont incomplets, car plusieurs grands navigateurs bloquent ces cookies par défaut et les bandeaux de consentement réduisent le nombre de visites que vous pouvez mesurer.

En pratique, définissez un ou deux segments avant le début du test. Le type d’appareil est le choix le plus utile pour la plupart des landing pages. Par exemple, si vous avez prévu une comparaison entre mobile et ordinateur et que les visiteurs sur ordinateur convertissent beaucoup plus souvent sur la version B, vous disposez d’un résultat solide sur lequel agir. Toute tendance repérée dans un segment non prévu constitue une hypothèse pour votre prochain test, pas un résultat.

Prendre en compte les valeurs aberrantes

Selon l’indicateur choisi, quelques résultats inhabituels peuvent fausser vos données. Le chiffre d’affaires est l’exemple classique : un seul achat important sur la version B peut la faire apparaître comme gagnante, même si la plupart de ses visiteurs n’ont rien acheté.

La solution la plus simple est le plafonnement, aussi appelé winsorisation. Vous choisissez un seuil, comme le 99e percentile du montant des commandes, et remplacez chaque valeur supérieure par ce seuil. Par exemple, si 99 % des commandes sont inférieures à $400, une commande de $5,000 est comptabilisée à $400. Tous les visiteurs restent dans les données, y compris ceux qui n’ont rien dépensé. Vous pouvez donc toujours comparer équitablement le chiffre d’affaires moyen par visiteur.

Le plafonnement fonctionne mieux que la troncature, qui supprime les valeurs les plus hautes et les plus basses. Dans les données de chiffre d’affaires, les valeurs les plus basses correspondent surtout aux visiteurs qui n’ont rien dépensé. Les supprimer gonfle donc la moyenne et masque les personnes qui n’ont pas acheté.

Certains analystes utilisent plutôt le test U de Mann-Whitney. Il regroupe les résultats des deux pages, les classe par rang et vérifie si un groupe tend à produire des valeurs plus élevées. Il ne nécessite pas de groupes de même taille, mais il répond à une autre question que « quelle page génère le plus de chiffre d’affaires par visiteur », et il est moins adapté lorsque la plupart des valeurs sont nulles. Pour la majorité des tests de landing pages, plafonner les valeurs puis comparer les moyennes est plus simple et correspond mieux à la décision commerciale que vous devez prendre.

Conclusion : pourquoi utiliser le trafic payant pour tester vos landing pages en A/B

On le dit depuis longtemps : il est toujours possible de faire mieux, et vos landing pages ne font pas exception. Même si vos pages actuelles vous donnent d’excellents résultats, vous pourriez toujours en obtenir davantage.

Les tests A/B vous permettent d’essayer des modifications et de recueillir des données statistiques réelles et fiables sur leurs effets avant de les adopter définitivement. En quelques tests, vous pouvez améliorer considérablement vos résultats sans risquer de commettre des erreurs difficiles à corriger.

Vous pourriez compter sur le référencement naturel (SEO) ou sur une autre méthode d’acquisition de trafic, mais les publicités payantes offrent de nombreux avantages.

• Vous pouvez cibler les personnes auxquelles votre site s’adresse selon leur localisation, leur appareil et leurs centres d’intérêt dès le premier jour. Votre test porte ainsi sur l’audience que vous souhaitez conquérir.
• Vous maîtrisez le volume, le calendrier et le ciblage de chaque visite. Les deux versions sont donc testées auprès de la même audience, dans les mêmes conditions. Une répartition aléatoire sur votre propre site garantit ensuite une comparaison équitable.
• Votre test peut démarrer presque immédiatement. Dès que les annonces sont diffusées, le trafic arrive rapidement. Vous atteignez ainsi la taille d’échantillon prévue bien plus tôt qu’en attendant des visites issues du trafic organique.
• En ajoutant des paramètres UTM à votre campagne, vous pouvez analyser uniquement les visiteurs provenant de votre test. Les visiteurs issus du trafic organique ou direct, ainsi que ceux qui reviennent sur votre site, ne faussent donc pas les résultats.
• La maîtrise du volume via votre plateforme publicitaire vous permet d’arrêter le test dès que vous atteignez le nombre de visiteurs souhaité pour chaque page.

Pour mener des tests A/B précis et maîtrisés qui révèlent les modifications générant davantage de conversions, le trafic payant est difficile à égaler.