Avant de commencer les tests A/B, vous avez besoin d’une hypothèse claire et d’une définition exacte du succès.

Êtes-vous prêt à optimiser votre site Web ? Eh bien, c’est génial. Mais avant de commencer, vous devez savoir exactement ce que vous voulez tester. Parce que sans une définition et une hypothèse du succès, le test ne vous dira pas grand-chose.

Commencez donc par définir clairement des indicateurs de succès quantifiables – c’est-à-dire des indicateurs qui mesurent les données les plus pertinentes pour vous – afin d’évaluer le test ultérieurement.

Par exemple, disons que vous êtes un magazine en ligne. Eh bien, ce ne serait pas une très bonne stratégie de mettre en œuvre des tests A/B qui ne font que mesurer les clics, car les clics n’indiquent pas ce que les lecteurs pensent du contenu. Au contraire, les partages, les commentaires ou les visites répétées peuvent en dire plus sur ce que pensent les lecteurs du contenu de votre site.

D’un autre côté, si vous êtes une entreprise de commerce électronique, les indicateurs de succès peuvent être des achats effectués, des produits ajoutés au panier ou des pages de produits consultées. En fin de compte, les indicateurs de succès varieront en fonction de votre site.

Mais comme nous l’avons dit précédemment, les indicateurs de succès ne sont pas la seule chose à laquelle il faut penser : vous devez également formuler une hypothèse claire.

Pour mieux expliquer ce principe, commençons par un exemple : le Clinton Bush Haiti Fund a été créé lors du tremblement de terre en Haïti en 2010. Et pour optimiser la page des dons, l’organisation a fait appel à Optimizely. Ils ont émis l’hypothèse que l’ajout d’une image au-dessus du champ d’information sur les dons augmenterait les contributions, mais ils ont été surpris que le contraire se soit produit.

Ils ont donc formulé une nouvelle hypothèse : peut-être, ils ont pensé que l’image décourageait les contributions parce que les visiteurs devaient faire défiler plus loin pour trouver le champ de don, ce qui rendait le processus un peu plus fastidieux. Après avoir testé la théorie, ils ont plutôt placé l’image à côté du champ cette fois – et ce fut un succès ! Cette optimisation a permis d’obtenir plus d’un million de dollars d’aide supplémentaire. Imagine s’ils avaient juste essayé des choses au hasard au lieu d’utiliser des tests basés sur des hypothèses – ils n’auraient peut-être jamais trouvé cette solution.

Mayele

GRATUIT
VOIR