Passer au contenu principal

Pourquoi les tests A/B et la personnalisation sont plus puissants ensemble

Bien qu’elles reflètent deux approches distinctes de l’amélioration de l’expérience utilisateur, leur combinaison peut offrir des avantages exponentiels que les entreprises ne veulent pas manquer.

 

Yaniv Navot

 

CMO, Rendement Dynamique

Voici ce que vous devez savoir :

  • Les tests A/B et la personnalisation, lorsqu’ils sont combinés, peuvent améliorer considérablement l’expérience utilisateur en offrant l’expérience la plus pertinente à chaque individu.
  • Les tests A/B permettent d’identifier les variantes les plus performantes des éléments créatifs, tandis que la personnalisation adapte l’expérience à chaque client.
  • La combinaison de ces approches permet de rationaliser les processus, d'amplifier les résultats et d'accroître la satisfaction des clients.
  • Les spécialistes du marketing peuvent tirer parti de cette puissance en segmentant les audiences pour les tests A/B, en testant les stratégies de personnalisation et en utilisant des données en temps réel pour une optimisation continue.

Les tests A/B et la personnalisation représentent deux méthodologies distinctes. Alors que les tests A/B se concentrent sur l’expérimentation de différents éléments créatifs, textes, mises en page et même algorithmes pour améliorer les indicateurs clés de l’entreprise ainsi que celle de l’expérience utilisateur globale, la personnalisation vise à faire correspondre l’expérience la plus pertinente à un client individuel au bon moment.

Bien que fondamentalement différentes dans leur approche, la combinaison de ces deux stratégies peut en fait offrir des avantages exponentiels. Dans cet article, nous allons voir pourquoi il en est ainsi, ainsi que comment les équipes peuvent s’y prendre.

Les limites des tests A/B

Le principe des tests A/B est simple :

Comparez deux (ou plus) versions différentes d’un produit pour voir laquelle fonctionne le mieux, puis déployez le gagnant auprès de tous les utilisateurs pour une expérience globale optimale.

La pratique des équipes de test A/B et CRO a donc consisté à investir considérablement dans le lancement de toutes sortes d’expériences pour améliorer différents domaines et expériences sur le site, l’application native, l’e-mail ou tout autre canal numérique, puis à les optimiser en permanence pour générer une augmentation incrémentielle des conversions et des indicateurs clés de performance spécifiques au fil du temps.

Cependant, à moins qu’une entreprise ne génère des tonnes de trafic et ne dispose d’un vaste paysage numérique à partir duquel expérimenter, il peut arriver un point de rendements décroissants où le résultat de l’expérimentation (quel que soit le nombre de tests ou la taille et la sophistication d’une expérience) atteint un rendement maximal en termes de contribution de ces équipes.

Cela est dû en grande partie au fait que l’approche classique des tests A/B offre une vue binaire des préférences des visiteurs et ne parvient souvent pas à capturer l’ensemble des facteurs et des comportements qui définissent qui ils sont en tant qu’individus.

De plus, les tests A/B donnent des résultats généralisés basés sur les préférences majoritaires d’un segment. Et même si une marque peut trouver qu’une expérience particulière génère plus de revenus en moyenne, la déployer auprès de tous les utilisateurs ne rendrait pas service à une partie importante des consommateurs ayant des préférences différentes.

Permettez-moi d’illustrer avec quelques exemples :

Si la valeur nette de Warren Buffet et de moi-même était de 117,3 milliards de dollars américains en moyenne, serait-il logique de nous recommander les mêmes produits ?

Probablement pas.

Ou que diriez-vous si un détaillant qui propose à la fois des produits pour hommes et pour femmes décide d’effectuer un test A/B classique sur sa page d’accueil pour identifier la variante de bannière de héros la plus performante, mais comme 70 % de son public est composé de femmes, la variante féminine surpasse celle des hommes.

Ce test suggérerait que la bannière du héros féminin soit appliquée à l’ensemble de la population, mais ce ne serait certainement pas la bonne décision.

Pour faire simple :

  • Les moyennes sont souvent trompeuses lorsqu’elles sont utilisées pour comparer différents groupes d’utilisateurs
  • Les modifications de variation les plus performantes pour chaque segment de clientèle et utilisateur
  • Les résultats peuvent également être influencés par des facteurs contextuels tels que la géolocalisation, la météo, etc

Cela ne veut pas dire, bien sûr, qu’il n’y a pas de temps et de lieu pour exploiter des résultats plus généralisés. Par exemple, si vous testez un nouveau site Web ou un nouveau design d’application, il serait logique de viser une interface utilisateur cohérente qui fonctionne le mieux en moyenne plutôt que des dizaines, des centaines, voire des milliers de variations d’interface utilisateur pour différents utilisateurs.

Cependant, l’époque où l’on adoptait fidèlement une approche « gagnante rafle tout » pour la mise en page d’une page, la messagerie, le contenu, les recommandations, les offres et d’autres éléments créatifs est révolue – et ce n’est pas grave, car cela signifie qu’il ne restera plus d’argent sur la table à cause des opportunités de personnalisation manquées associées à l’absence de la meilleure variation à chaque utilisateur individuel.

Libérer une plus grande pertinence grâce à la personnalisation

La personnalisation consiste à répondre et à adapter l’expérience du site aux consommateurs en fonction de leur comportement, de leurs préférences et de leurs intentions uniques, ce qui est devenu une attente dans le paysage numérique d’aujourd’hui. Il est prouvé que cela seul augmente la satisfaction et la fidélité des clients.

Et bien qu’ils ne dépendent pas nécessairement des tests A/B, il peut être surprenant que les meilleures pratiques en matière de personnalisation soient basées sur les fondements des tests A/B - la seule différence étant que la détermination de la version d’une expérience particulière qui fonctionne le mieux se fait au niveau de l’audience par rapport à la moyenne.

Voyons la structure de base de ce à quoi cela ressemblerait dans le cadre d’une campagne de personnalisation. Au lieu d’inclure une expérience avec plusieurs variantes à comparer à un groupe témoin, comme celle d’un test A/B traditionnel, nous allons encore plus loin avec la création de plusieurs expériences ciblées sur différents publics et de plusieurs variantes au sein de chacune d’entre elles qui peuvent être testées A/B pour déterminer la plus performante.

Cela peut se faire par le biais d’un simple ciblage basé sur des règles, qui utilise la logique IF/Then pour adapter le parcours du client en fonction d’un ensemble de règles programmées manuellement, les équipes pouvant tester A/B ces expériences, valider leurs résultats lorsqu’elles atteignent une signification statistique, puis itérer en conséquence.

Cependant, l’IA et l’apprentissage automatique sont devenus des enjeux de table lorsqu’il s’agit de faire évoluer la prise de décision de personnalisation, car le scénario ci-dessus peut devenir un processus lourd en données qui implique de nombreux déploiements de tests avec des mesures granulaires de chaque variation testée par rapport à chaque segment d’audience pour déterminer les règles de ciblage programmatique optimales. Il est également utile de convertir les tests « perdants » en opportunités de personnalisation pour des variations spécifiques identifiées comme étant plus performantes pour un public particulier.

Ces technologies avancées analysent les performances de chaque variation sur chaque segment de trafic en temps réel afin de proposer le contenu le plus pertinent à des groupes d’audience sélectionnés. De plus, la personnalisation 1:1 peut être réalisée grâce aux capacités de personnalisation basées sur l’affinité, qui exploitent le processus de profilage d’affinité pour faire correspondre algorithmiquement chaque personne avec des recommandations, des offres de produits et du contenu personnalisés.

Ce niveau de personnalisation permet aux entreprises d’être plus efficaces et ciblées dans leur stratégie marketing tout en engageant les consommateurs de manière plus nuancée, significative et pertinente.

Couplage des tests A/B et de la personnalisation

Si vous demandiez à une équipe de test A/B ou CRO et à ceux qui se consacrent à la personnalisation en savoir plus sur les spécificités de leur travail, vous constaterez que leurs réponses sont étrangement similaires.

Prenez le diagramme révélateur ci-dessous, qui a été décrit lors d’une keynote de JD Sports | Ligne d’arrivée lors d’un événement Personalization Pioneers (récapitulatif complet ici) :

C'est un sentiment partagé par beaucoup d'autres qui commencent à se rendre compte que les tests A/B et la personnalisation sont tous deux importants :

  • Partager l’accent mis sur la création d’une expérience client positive
  • Cherchent à influencer et à améliorer les mêmes KPI
  • Peut bénéficier des mêmes apprentissages collectés

De plus, souvent, ces équipes nécessitent les mêmes ressources internes et même les mêmes outils ! C’est pourquoi il est si important que les tests A/B et la personnalisation ne vivent pas en vase clos, mais fassent partie d’une feuille de route partagée avec des indicateurs clés de performance alignés.

La combinaison des deux peut non seulement rationaliser les processus et les opérations, mais aussi générer des résultats exponentiels, car elle permet d’obtenir des informations à la fois larges et précises sur le comportement des consommateurs.

Voici comment vous pouvez intégrer leur puissance combinée dans votre stratégie marketing pour de meilleurs résultats :

1. Tests A/B basés sur les segments

Au lieu d’effectuer des tests A/B sur l’ensemble de votre audience, divisez-la en segments significatifs en fonction de caractéristiques partagées (essayez l’approche des audiences principales, qui est destinée à passer de la macro à la micro). Ensuite, effectuez des tests A/B sur ces segments. Cette approche d’expérimentation segmentée peut fournir une compréhension plus nuancée des différents comportements des consommateurs et aider à adapter les expériences à des groupes spécifiques.

Par exemple, Synchrony a augmenté son taux de soumission de demandes de 4,5 % parmi les utilisateurs à forte intention en lançant une expérience pour ce segment qui a testé la suppression des boutons d’appel à l’action superflus de la bannière.

Après analyse, l’entreprise a remarqué qu’un changement spécifique de l’expérience utilisateur – la suppression du bouton CTA « Lire la vidéo » de sa bannière – a empêché les utilisateurs à forte intention d’être distraits, leur permettant d’en savoir plus sur les nombreux services de Synchrony.

2. Stratégies de personnalisation des tests A/B

Utilisez les tests A/B pour déterminer les stratégies de personnalisation qui fonctionnent le mieux. Par exemple, vous pouvez tester des algorithmes de recommandation de produits et déterminer si ceux qui ciblent certaines audiences entraînent de meilleurs taux de clics ou d’ajouts au panier que d’autres.

3. Adaptation de la stratégie en temps réel

Au fur et à mesure que vous collectez des données à partir de vos tests A/B, utilisez ces informations pour l’optimisation et le raffinement continus de votre stratégie de personnalisation. Cette adaptation en temps réel permet d’avoir une stratégie marketing plus dynamique et efficace qui évolue continuellement pour répondre aux besoins des consommateurs.

Par exemple, Build with Ferguson a généré une augmentation de 89 % des achats grâce aux recommandations, ce qui a commencé par la mise en œuvre d’une stratégie axée sur l’audience (basée sur le cadre de personnalisation enracinée).

L’équipe a testé diverses stratégies de recommandation et a finalement découvert que son segment d’audience « consommateur » avait tendance à s’engager avec les articles recommandés avec lesquels d’autres utilisateurs ayant des comportements et des intérêts similaires avaient interagi.

Sur la base de ces résultats, Build with Ferguson a optimisé les performances de ses recommandations sur l'ensemble du site et a également découvert que les utilisateurs qui interagissent avec les recommandations dépensent 13% de plus et achètent 2,4 articles de plus en moyenne.

Tests A/B et personnalisation - des extensions naturelles l'une de l'autre

Les tests A/B ont toujours consisté à déterminer la meilleure expérience globale, tandis que la personnalisation vise à fournir la meilleure expérience au niveau public ou individuel. Et bien qu’il y ait un temps et un lieu pour les deux, la combinaison des deux peut se traduire par une satisfaction et une fidélité accrues des clients pour les entreprises, avec des expériences clés rendues plus pertinentes grâce à la personnalisation et des résultats maximaux obtenus par stratégie via leurs tests A/B.

P.S. Pour plus d’informations sur la façon dont ces deux pratiques se rejoignent, je vous suggère de consulter ce cours sur lestests et l’optimisation A/B, qui aborde la façon de configurer les bonnes configurations d’attribution, de sélectionner le bon objectif, d’analyser les résultats des tests de personnalisation et de s’assurer que chacun d’entre eux donne des résultats significatifs.