A/B test : comment tester ses pages et interpréter les résultats
Guide pratique de l'A/B test pour les landing pages : méthode, outils, durée des tests, significativité statistique et éléments à tester en priorité.
- Publié le
- mis à jour le
- Lecture
- 9 min
- Sources
- 8 liens cités
Sommaire
En bref
Un A/B test répartit le trafic d'une page entre la version actuelle (A) et une variante (B), puis compare leur taux de conversion. Pour conclure, fixez avant le lancement la taille d'échantillon, la durée et le seuil de significativité, et n'arrêtez pas le test dès qu'une version passe en tête. Google Optimize n'existe plus depuis septembre 2023.
Pourquoi faire des A/B tests ?
Les A/B tests remplacent les débats d'opinion par une mesure. Plutôt que de discuter de la meilleure formulation d'un titre, vous comparez deux versions sur des visiteurs réels, répartis au hasard. Le principe est celui d'une expérience contrôlée : une hypothèse, un changement, un résultat mesurable.
Ce que l'A/B test permet :
- Vérifier qu'un changement améliore les résultats, et pas seulement par coïncidence
- Apprendre ce qui fonctionne pour votre audience
- Justifier des choix de contenu et de design par des données
Les éléments à tester en priorité
Tous les éléments ne méritent pas un test. Concentrez-vous sur ceux qui peuvent changer la décision du visiteur.
Impact potentiel élevé (commencez par là)
Le titre principal et la proposition de valeur C'est souvent l'élément le plus testé, parce que presque tous les visiteurs le lisent. L'ampleur de l'effet varie fortement d'un site à l'autre : aucun écart type ne peut être annoncé à l'avance.
Testez : angle bénéfice ou angle problème, promesse précise ou générale, présence d'un chiffre que vous pouvez justifier.
L'offre Ce que vous proposez en échange du contact. Testez : type de contenu offert (guide, calculateur, démonstration), formulation de la promesse, ajout ou retrait d'une garantie.
La longueur et la structure de la page Page courte ou longue, position du formulaire, présence ou absence d'une section de témoignages.
Impact potentiel moyen
Le CTA (Call-to-Action) Texte du bouton, position, taille. Par exemple « Recevoir mon audit » face à « Démarrer maintenant ».
Les preuves sociales Témoignages avec ou sans photo, logos clients autorisés, chiffres vérifiables.
Les visuels Personne ou produit, contexte d'usage ou fond neutre, illustration ou photo.
Impact potentiel faible (testez en dernier)
Couleur de fond, typographie, libellés secondaires. Ces changements produisent en général de petits écarts, qui demandent un trafic très important pour être détectés.
La méthode d'un A/B test rigoureux
Étape 1 : formuler l'hypothèse
Avant tout test, formulez une hypothèse fondée sur des observations :
« En remplaçant le titre générique par une promesse précise, nous pensons que le taux de conversion augmentera, car les enregistrements de sessions montrent que beaucoup de visiteurs quittent la page sans faire défiler. »
L'hypothèse structure le test et évite de tester au hasard. Les observations viennent souvent d'une carte de clics ou de défilement : la page sur la lecture d'une heatmap et le volume minimal avant de conclure aide à ne pas bâtir un test sur une carte trop pauvre.
Étape 2 : calculer la taille d'échantillon et la durée
Avant de lancer le test, calculez le nombre de visiteurs nécessaires par variante.
Variables :
- Taux de conversion de base : votre taux actuel (exemple : 3 %)
- Effet minimal détectable (MDE) : le plus petit écart que vous voulez pouvoir repérer (exemple : +20 % en relatif, soit 3,6 %)
- Seuil de significativité : la probabilité acceptée de conclure à tort à un effet. 5 % (soit 95 % de confiance) est une convention répandue, pas une règle
- Puissance statistique : la probabilité de détecter l'effet s'il existe. 80 % est une valeur courante
Exemple de calcul : avec un taux de base de 3 %, un effet minimal de +20 %, un seuil de 5 % et une puissance de 80 %, la formule classique de comparaison de deux proportions donne environ 14 000 visiteurs par variante. Avec 1 000 visiteurs par jour répartis entre deux versions, il faut donc environ quatre semaines.
Plus le taux de base est faible ou l'effet recherché petit, plus l'échantillon grandit. Les éditeurs d'outils de test proposent des calculateurs en ligne.
La durée découle de ce calcul. Ajoutez une contrainte de calendrier : couvrez des semaines complètes, pour que chaque jour de la semaine soit représenté, et évitez de démarrer ou d'arrêter pendant une période atypique (soldes, panne, campagne exceptionnelle).
Étape 3 : configurer le test
Outils d'A/B testing (offres relevées le 5 novembre 2026 sur les sites des éditeurs) :
| Outil | Tarif public | Particularités |
|---|---|---|
| Wingify (VWO et AB Tasty) | Non affiché, essai gratuit de 30 jours | Éditeurs réunis sous la marque Wingify depuis septembre 2026 |
| Optimizely | Sur devis, chaque plan est composé à la demande | Expérimentation web, côté serveur et fonctionnalités |
| Kameleoon | Offre d'entrée à partir de 495 $ par mois (50 000 visiteurs suivis), Enterprise sur devis | Essai gratuit de 30 jours |
| Convert | Growth à 399 $ par mois, ou 299 $ par mois en annuel (100 000 utilisateurs testés) | Prix hors taxes, en dollars |
| Google Optimize | Arrêté le 30 septembre 2023 | Remplacé par des outils tiers |
Sources : Wingify, Optimizely, Kameleoon, Convert.
Google a arrêté Google Optimize et Optimize 360 le 30 septembre 2023. Il cite AB Tasty, Optimizely et VWO parmi les outils intégrés à Google Analytics, et ses API restent ouvertes aux autres éditeurs (aide Google Analytics sur l'arrêt de Google Optimize).
Référencement : si la variante est servie sur une autre URL, placez un rel="canonical" vers la page d'origine et utilisez une redirection temporaire (302), jamais une version spéciale pour Googlebot (Google Search Central, tests de sites).
Sans outil dédié : vous pouvez comparer deux périodes successives, mais ce n'est pas un A/B test. Les conditions changent d'une semaine à l'autre (saison, campagnes, concurrence), ce qui rend la comparaison fragile.
Étape 4 : lancer et surveiller
Respectez la durée prévue. Surveillez le test pour détecter une panne (variante qui ne s'affiche pas, suivi des conversions cassé, répartition du trafic déséquilibrée), pas pour décider en cours de route.
Attention au « peeking ». Consulter la significativité plusieurs fois et arrêter dès qu'elle franchit le seuil augmente fortement le risque de faux positif. Evan Miller l'a montré dès 2010 : dans son exemple extrême, une règle d'arrêt à la première significativité donne 26,1 % de faux positifs pour un seuil annoncé de 5 % (Evan Miller, « How Not To Run an A/B Test »). Si vous avez besoin de pouvoir arrêter plus tôt, choisissez un outil qui propose une méthode séquentielle ou bayésienne conçue pour cela.
Étape 5 : analyser les résultats
Lire la significativité : un résultat significatif au seuil de 5 % signifie que, s'il n'y avait aucune différence réelle, un écart au moins aussi grand serait observé dans moins de 5 % des cas. Ce n'est pas la probabilité que la variante B soit meilleure. Regardez aussi l'intervalle de confiance : il indique l'ampleur plausible de l'effet.
Analysez par segments, avec prudence :
- Mobile et ordinateur : une variante peut gagner sur l'un et perdre sur l'autre
- Source de trafic : les visiteurs issus de Google Ads peuvent réagir autrement que ceux du référencement naturel
- Nouveaux visiteurs et visiteurs de retour
Les segments réduisent l'échantillon : un écart observé sur un seul segment est une piste pour un nouveau test, pas une conclusion.
Résultats possibles :
- B gagne : déployez B, documentez l'apprentissage, retirez le dispositif de test
- A gagne : conservez A et testez une autre hypothèse
- Pas de différence significative : l'hypothèse n'est pas confirmée, ce qui est aussi un apprentissage
- Test non concluant (échantillon insuffisant) : relancez avec un effet minimal plus grand ou changez d'approche
Les erreurs courantes en A/B testing
Arrêter le test trop tôt
C'est l'erreur la plus fréquente. Définissez la taille d'échantillon et la durée à l'avance, et tenez-vous-y.
Tester trop de variantes simultanément
Un test A/B/C/D répartit le trafic entre quatre versions : chaque version reçoit moins de visiteurs, et la multiplication des comparaisons augmente le risque de faux positif. Sur un petit volume, restez à deux versions.
Ne pas isoler une variable
Si vous changez le titre et le CTA en même temps, vous ne savez pas lequel des deux explique la différence. Changez un élément à la fois, ou assumez un test de concept global en le documentant comme tel.
Présenter tous les tests comme des réussites
Un test sans gain reste utile : il montre que cette hypothèse ne fonctionne pas pour votre audience. Documentez-le tel quel.
Pour la vue d'ensemble, retrouvez la structure d'une landing page section par section.
FAQ A/B testing
Peut-on faire un A/B test sans outil dédié ?
Pas au sens strict : un A/B test suppose une répartition aléatoire et simultanée des visiteurs. Comparer deux périodes dans GA4 reste possible pour un petit budget, mais le résultat mélange l'effet du changement et celui du contexte.
Un test Google Ads est-il différent d'un test de landing page ?
Oui. Dans Google Ads, un test personnalisé crée une version modifiée d'une campagne qui partage son trafic et son budget avec la campagne d'origine, avec une répartition recommandée de 50 % (aide Google Ads, tests personnalisés). Un test de landing page compare deux versions de la page. Les deux se complètent dans un programme CRO.
Comment prioriser plusieurs hypothèses de test ?
Utilisez une grille simple comme PIE (Potential, Importance, Ease) ou ICE (Impact, Confidence, Ease) pour noter chaque hypothèse. Donnez la priorité aux tests à fort potentiel sur les pages à fort trafic et à fort enjeu de conversion.
Que faire après la fin du test ?
Déployez la version retenue, supprimez les variantes, scripts et redirections de test, et consignez le résultat. Google recommande de ne pas laisser un test tourner plus longtemps que nécessaire.
Sources et liens cités
- [1]Wingifywingify.com
- [2]Optimizelyoptimizely.com
- [3]Kameleoonkameleoon.com
- [4]Convertconvert.com
- [5]aide Google Analytics sur l'arrêt de Google Optimizesupport.google.com
- [6]Google Search Central, tests de sitesdevelopers.google.com
- [7]Evan Miller, « How Not To Run an A/B Test »evanmiller.org
- [8]aide Google Ads, tests personnaliséssupport.google.com