Passer au contenu principal

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

Bien qu'il s'agisse de deux approches distinctes pour améliorer l'expérience des utilisateurs, leur combinaison peut offrir des avantages exponentiels que les entreprises ne doivent pas manquer.

 

Yaniv Navot

 

CMO, Rendement dynamique

Voici ce qu'il faut savoir :

  • Les tests A/B et la personnalisation, lorsqu'ils sont combinés, peuvent améliorer de manière significative l'expérience de l'utilisateur en offrant l'expérience la plus pertinente à chaque personne.
  • Les tests A/B permettent d'identifier les variantes les plus performantes des éléments créatifs, tandis que la personnalisation permet d'adapter 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 des stratégies de personnalisation et en utilisant des données en temps réel pour une optimisation continue.

Les tests A/B et la personnalisation sont 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 afin d'améliorer les indicateurs clés de l'entreprise ainsi que l'expérience globale de l'utilisateur, la personnalisation vise à faire correspondre l'expérience la plus pertinente à un client individuel au bon moment.

Bien que l'approche soit fondamentalement différente, la combinaison de ces deux stratégies peut en fait offrir des avantages exponentiels. Dans ce billet, nous verrons pourquoi et comment les équipes peuvent s'y prendre.

Les limites des tests A/B

Le principe des tests A/B est simple :

Comparer deux (ou plusieurs) versions différentes d'un produit pour voir laquelle est la plus performante, puis déployer la version gagnante pour tous les utilisateurs afin d'optimiser l'expérience globale.

La pratique des tests A/B et des équipes 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 obtenir une augmentation incrémentale des conversions et des indicateurs clés de performance spécifiques au fil du temps.

Toutefois, à moins qu'une entreprise ne génère des tonnes de trafic et ne dispose d'un immense paysage numérique à partir duquel expérimenter, il peut arriver un point de rendement décroissant où le résultat de l'expérimentation (quel que soit le nombre de tests ou l'ampleur et la sophistication d'une expérience) atteint un rendement maximal en termes d'apport de ces équipes.

Cela s'explique en grande partie par le fait que l'approche classique des tests A/B offre une vision binaire des préférences des visiteurs et ne parvient souvent pas à saisir l'ensemble des facteurs et des comportements qui les définissent en tant qu'individus.

De plus, les tests A/B donnent des résultats généralisés basés sur les préférences majoritaires d'un segment. Et si une marque peut trouver qu'une expérience particulière génère plus de revenus en moyenne, la déployer pour tous les utilisateurs serait un mauvais service rendu à une grande partie des consommateurs qui ont des préférences différentes.

Permettez-moi d'illustrer mon propos par quelques exemples :

Si mon patrimoine et celui de Warren Buffet s'élevaient en moyenne à 117,3 milliards de dollars, serait-il logique de nous recommander les mêmes produits ?

Probablement pas.

Ou encore, un détaillant qui propose des produits pour hommes et pour femmes décide d'effectuer un test A/B classique sur sa page d'accueil afin d'identifier la variante de bannière héroïque la plus performante, mais comme 70% de son public est composé de femmes, la variante pour femmes est plus performante que celle pour hommes.

Ce test suggérerait que la bannière du héros des femmes 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.
  • La variation la plus performante change pour chaque segment de clientèle et chaque utilisateur.
  • Les résultats peuvent également être influencés par des facteurs contextuels tels que la géographie, la météo, etc.

Cela ne veut pas dire, bien sûr, qu'il n'y a pas un temps et un lieu pour tirer parti de résultats plus généraux. Par exemple, si vous testez la conception d'un nouveau site web ou d'une nouvelle 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 de l'interface utilisateur pour différents utilisateurs.

Cependant, l'époque où l'on adoptait fidèlement une approche "gagnant-gagnant" pour la mise en page, les messages, le contenu, les recommandations, les offres et autres éléments créatifs est révolue - et c'est tant mieux, car cela signifie que l'on ne laissera plus d'argent sur la table en raison des opportunités de personnalisation manquées associées au fait de ne pas proposer la meilleure variation à chaque utilisateur individuel.

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 unique, de leurs préférences et de leurs intentions, ce qui est devenu une attente dans le paysage numérique d'aujourd'hui. Il est prouvé que cela suffit à accroître la satisfaction et la fidélité des clients.

Bien qu'elles ne dépendent pas nécessairement des tests A/B, il peut être surprenant de constater que les meilleures pratiques en matière de personnalisation reposent 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 plutôt qu'au niveau moyen.

Décortiquons la structure de base de ce que cela donnerait dans le cadre d'une campagne de personnalisation. Au lieu d'inclure une expérience avec plusieurs variantes à comparer à un groupe de contrôle, comme dans le cas d'un test A/B traditionnel, nous allons plus loin en créant plusieurs expériences destinées à des publics différents et plusieurs variantes au sein de chacune d'entre elles qui peuvent être testées A/B pour déterminer celle qui est 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, avec des équipes capables de tester ces expériences A/B, de valider leurs résultats lorsqu'ils atteignent une signification statistique, puis d'itérer en conséquence.

Cependant, l'IA et l'apprentissage automatique sont devenus des enjeux de table lorsqu'il s'agit d'élargir la prise de décision en matière 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 afin de déterminer les règles de ciblage programmatique optimales. Il est également utile pour convertir les tests "perdants" en opportunités de personnalisation pour des variations spécifiques identifiées comme plus performantes pour un public particulier.

Ces technologies avancées analysent en temps réel les performances de chaque variation sur chaque segment de trafic afin de proposer le contenu le plus pertinent à des groupes d'utilisateurs sélectionnés. En outre, la personnalisation 1:1 peut être réalisée grâce à des capacités de personnalisation basées sur les affinités, qui s'appuient sur le processus de profilage des affinités pour associer algorithmiquement chaque personne à des recommandations, des offres de produits et des contenus personnalisés.

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

Couplage des tests A/B avec la personnalisation

Si vous demandiez à une équipe chargée des tests A/B ou du CRO et à celles qui se consacrent à la personnalisation quelles sont les spécificités de leur travail, vous constateriez que leurs réponses sont étrangement similaires.

Le diagramme ci-dessous est révélateur : il a été présenté par JD Sports | Finish Line lors d'un événement des Pionniers de la personnalisation (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'objectif de créer une expérience client positive
  • cherchent à influencer et à améliorer les mêmes indicateurs clés de performance
  • Peuvent bénéficier des mêmes apprentissages collectés

En outre, ces équipes ont souvent besoin des mêmes ressources internes et même des mêmes outils ! C'est pourquoi il est si important que les tests A/B et la personnalisation ne se fassent pas en vase clos, mais fassent partie d'une feuille de route commune avec des indicateurs clés de performance alignés.

La combinaison des deux permet non seulement de rationaliser les processus et les opérations, mais aussi de 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 de marketing pour obtenir de meilleurs résultats :

1. Tests A/B par segment

Au lieu d'effectuer des tests A/B sur l'ensemble de votre public, divisez-le en segments significatifs basés sur des caractéristiques communes (essayez l'approche Primary Audiences, qui est conçue pour s'étendre de la macro à la micro). Effectuez ensuite des tests A/B sur ces segments. Cette approche d'expérimentation segmentée peut permettre 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 fort potentiel en menant une expérience pour ce segment qui a testé la suppression des boutons d'appel à l'action superflus de la bannière.

Après analyse, la société a remarqué qu'une modification spécifique de l'UX - la suppression du bouton CTA "Play Video" de sa bannière - a empêché les utilisateurs les plus attentifs de se laisser distraire, leur permettant ainsi d'en savoir plus sur les nombreux services de Synchrony.

2. Tests A/B des stratégies de personnalisation

Utilisez des tests A/B pour déterminer les stratégies de personnalisation les plus efficaces. Par exemple, vous pouvez tester des algorithmes de recommandation de produits et vérifier si ceux qui sont ciblés sur certains publics entraînent de meilleurs taux de clics ou d'ajout au panier que d'autres.

3. Adaptation de la stratégie en temps réel

Au fur et à mesure que vous recueillez les données de vos tests A/B, utilisez ces informations pour optimiser et affiner en permanence votre stratégie de personnalisation. Cette adaptation en temps réel permet une stratégie marketing plus dynamique et plus efficace, qui évolue en permanence pour répondre aux besoins des consommateurs.

Par exemple, Build with Ferguson a généré une augmentation de 89% des achats à partir de recommandations en procédant de la sorte, ce qui a commencé par la mise en œuvre d'une stratégie "audience-first" (basée sur le cadre de personnalisation enracinée).

L'équipe a testé différentes stratégies de recommandation et a finalement découvert que son segment d'audience "Consumer" avait tendance à s'intéresser aux 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 prolongements naturels l'un de l'autre

Les tests A/B ont toujours eu pour but de déterminer la meilleure expérience globale, tandis que la personnalisation vise à fournir la meilleure expérience au niveau de l'audience ou de l'individu. Et s'il y a 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 grâce à 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 A/B Testing & Optimization, qui aborde la façon de mettre en place 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 produit des résultats significatifs .