A/B testing : comparer deux versions sur le trafic réel, et garder la meilleure
L’A/B testing consiste à montrer deux versions d’une même page, A (l’original) et B (la variante), à deux moitiés comparables des visiteurs, pendant la même période. On compare ensuite le nombre de demandes, de rendez-vous ou de ventes obtenus par chaque version. Si l’écart est assez net pour ne pas être dû au hasard, la meilleure version devient la référence. Sinon, on garde l’original et on retient la leçon.
Cette page détaille la façon dont nous menons l’A/B testing des landing pages : le vocabulaire, le processus complet, l’écriture des hypothèses, le calcul de l’échantillon et de la durée, la lecture des résultats, les erreurs à éviter, les outils (AB Tasty, Kameleoon et les autres), les règles de consentement et la place de l’IA. Elle complète notre page agence landing page, où le test fait partie de chaque projet.
Le saviez-vous ? Sur 127 000 tests analysés par l’éditeur Optimizely, seuls 12 % ont battu la version d’origine sur leur indicateur principal : Optimizely, février 2026. Neuf idées sur dix, même bonnes en apparence, ne font pas mieux que l’existant. C’est précisément pour cela qu’on teste au lieu de deviner.
A/B, A/B/n, multivarié, split : les mots de l’A/B testing
| Type de test | Principe | Quand l’utiliser |
|---|---|---|
| A/B | Une variante contre l’original, trafic partagé en deux | Le cas général, surtout avec un trafic modeste |
| A/B/n | Plusieurs variantes contre l’original | Quand le trafic est important ; chaque variante en plus allonge le test |
| Split URL | Deux pages différentes, à deux adresses | Refonte complète d’une page, ou deux outils différents |
| Multivarié | Plusieurs éléments combinés entre eux | Très gros trafic seulement ; rare pour une PME |
| Bandit | Le trafic est déplacé peu à peu vers la variante qui marche le mieux | Campagnes courtes, quand gagner compte plus que comprendre |
Quelques termes reviennent dans tous nos rapports. Le taux de conversion est la part des visiteurs qui font l’action attendue. L’indicateur principal est le seul chiffre qui décide du gagnant, choisi avant le test. L’écart minimal détectable est la plus petite différence que le test pourra repérer avec le trafic disponible. Le seuil de confiance, souvent fixé à 95 %, indique le risque accepté de déclarer un gagnant qui n’en est pas un.
Pourquoi l’A/B testing change les résultats d’une landing page
Une landing page repose sur des choix : la promesse du titre, l’ordre des arguments, la preuve mise en avant, le nombre de champs du formulaire. Chacun de ces choix peut être discuté sans fin en réunion. L’A/B testing remplace la discussion par une mesure : ce sont vos visiteurs qui tranchent, avec leurs demandes.
Les gains viennent rarement d’un test isolé. Ils s’additionnent : un titre plus clair, puis une preuve mieux placée, puis un formulaire plus court. Une page testée chaque mois pendant un an ne ressemble plus à sa première version, et chaque changement a été validé. C’est cette accumulation que nous recherchons, pas le coup d’éclat.
L’A/B testing protège aussi contre les mauvaises idées. Une refonte « plus moderne » peut faire baisser les demandes sans que personne s’en aperçoive pendant des mois. Testée contre l’ancienne version, elle montre tout de suite son effet réel.
Notre processus d’A/B testing en huit étapes
- Vérifier la mesure. Avant tout test, nous contrôlons que chaque conversion est bien enregistrée, sur tous les appareils, et qu’elle remonte jusqu’au CRM. Un test mal mesuré ne vaut rien.
- Observer. Chiffres de la page et de chaque source de trafic, cartes de chaleur, enregistrements de sessions, abandons champ par champ du formulaire, questions posées à vos commerciaux, avis clients.
- Formuler les hypothèses. Chaque idée devient une phrase complète : ce qu’on change, ce qu’on attend, et pourquoi on le pense.
- Prioriser. Les hypothèses sont classées selon leur impact attendu, leur facilité de mise en œuvre et la solidité des observations qui les fondent.
- Calculer. Taille d’échantillon, durée minimale, indicateur principal et indicateurs de contrôle sont fixés et notés avant le lancement.
- Construire et contrôler. La variante est créée, vérifiée sur mobile et sur ordinateur, sur plusieurs navigateurs ; la répartition du trafic et le consentement sont testés.
- Laisser courir. Le test va jusqu’à la date et au volume prévus. On surveille seulement les incidents techniques et une éventuelle chute grave des résultats.
- Lire, décider, documenter. Résultat, intervalle de confiance, effet sur les demandes qualifiées et les ventes ; décision ; enseignement noté dans le journal des tests.
Écrire une bonne hypothèse
Une hypothèse utile tient en une phrase : « Si nous [changement], alors [indicateur] augmentera, parce que [observation]. » La dernière partie est la plus importante : sans raison, un test ne fait que comparer deux goûts.
- Faible : « Essayons un bouton orange. »
- Utile : « Si nous indiquons sous le bouton que le devis est gratuit et sans engagement, plus de visiteurs enverront le formulaire, parce que nos commerciaux entendent souvent la question “c’est payant ?”. »
- Utile : « Si nous remplaçons le champ “téléphone” obligatoire par un champ facultatif, le taux d’envoi augmentera, parce que 40 % des abandons ont lieu sur ce champ. »
Les meilleures hypothèses viennent de vos clients : leurs questions, leurs hésitations, les mots qu’ils emploient. Nous les recueillons auprès de vos commerciaux, dans vos avis clients et, si besoin, par une courte enquête sur la page.
Prioriser les tests
Une page offre plus d’idées de tests que de trafic pour les mener. Nous notons chaque hypothèse sur trois critères, de 1 à 10, et commençons par les mieux classées :
| Critère | Question posée | Exemple de note haute |
|---|---|---|
| Impact | Le changement touche-t-il la décision d’achat ? | La promesse du titre, l’offre, le formulaire |
| Confiance | L’hypothèse repose-t-elle sur des observations solides ? | Question entendue par tous les commerciaux, abandon mesuré sur un champ |
| Facilité | Combien de temps et de développement demande-t-il ? | Un texte à changer, sans développement |
Avec un trafic modeste, l’impact pèse plus lourd que tout le reste : seuls les changements forts ont une chance d’être détectés.
Taille d’échantillon : combien de visiteurs pour conclure
La taille d’échantillon dépend de trois chiffres : le taux de conversion actuel de la page, l’écart qu’on veut pouvoir détecter et le niveau de certitude exigé. Nous utilisons les réglages les plus courants : 95 % de confiance et 80 % de puissance (la probabilité de repérer un vrai gagnant s’il existe). Voici des ordres de grandeur, par version :
| Taux de conversion actuel | Hausse à détecter | Visiteurs nécessaires par version |
|---|---|---|
| 3 % | +20 % (de 3 à 3,6 %) | environ 13 900 |
| 5 % | +20 % (de 5 à 6 %) | environ 8 200 |
| 5 % | +50 % (de 5 à 7,5 %) | environ 1 500 |
| 10 % | +20 % (de 10 à 12 %) | environ 3 800 |
Calculs pour un test bilatéral classique, arrondis. La leçon est simple : plus le changement attendu est petit, plus il faut de trafic. Une page qui reçoit 2 000 visites par mois ne détectera jamais l’effet d’un changement de couleur ; elle peut en revanche trancher entre deux offres très différentes. Ce calcul est fait pour chaque test avant son lancement, et nous refusons de lancer un test qui ne peut pas conclure.
Durée d’un test : ni trop courte, ni trop longue
- Au moins deux semaines complètes, pour couvrir les différences entre jours de semaine et week-ends, et les cycles de paie ou de réflexion des acheteurs.
- Jusqu’à l’échantillon calculé, même si un gagnant semble se dessiner avant.
- Pas plus de six à huit semaines en général : au-delà, les cookies effacés, les changements de campagnes et la saisonnalité brouillent la comparaison.
- Hors périodes exceptionnelles : soldes, fêtes, salon professionnel, panne d’une campagne. Ou alors en le sachant, et en relançant le test ensuite.
L’A/B testing avec peu de trafic
C’est la situation de beaucoup de PME, et la plupart des agences l’ignorent. Un repère ancien mais toujours juste dans sa logique : sous 10 000 visiteurs par mois, un test ne détecte que des écarts de plus de 30 % : Journal du Net, 2015. Nous avons plusieurs réponses :
- Tester gros : deux promesses différentes, deux offres, un formulaire en une étape contre une prise de rendez-vous directe. Pas des nuances.
- Regrouper le trafic : plusieurs campagnes, plusieurs annonces ou plusieurs villes envoyées vers une même page testée.
- Choisir un indicateur plus fréquent : le clic vers le formulaire plutôt que l’envoi, à condition de vérifier ensuite l’effet sur les demandes.
- Améliorer sans tester : corriger ce que les observations montrent clairement (un champ bloquant, une page lente, une question sans réponse), puis suivre l’évolution.
- Utiliser un algorithme de type bandit, qui oriente progressivement les visiteurs vers la meilleure variante : l’éditeur Unbounce indique que sa fonction Smart Traffic démarre après 30 visites. On gagne en résultats ce qu’on perd en compréhension.
Que tester sur une landing page
Par ordre d’impact habituel, du plus fort au plus faible :
- L’offre : devis gratuit ou visite technique, démonstration ou essai, remise ou livraison offerte.
- La promesse du titre : bénéfice, délai, prix, garantie.
- Les preuves : avis, chiffres, logos, photos réelles, et leur place sur la page.
- Le formulaire : nombre de champs, champs obligatoires, une ou plusieurs étapes, prise de rendez-vous directe.
- Les réponses aux objections : prix affiché ou non, engagement, délai, zone.
- La longueur de la page : courte pour un achat simple, longue pour une décision lourde.
- L’appel à l’action : texte du bouton, phrase de réassurance en dessous.
- Le visuel principal : produit, personne, résultat.
La couleur des boutons arrive tout en bas. Un test souvent cité de l’éditeur Optimizely, qui a réduit un formulaire de 11 à 4 champs, montre au contraire l’effet que peut avoir un changement de fond : +160 % de conversions dans ce cas précis.
Lire un résultat sans se tromper
Un résultat d’A/B testing se lit à la date prévue, et en quatre temps :
- La répartition est-elle correcte ? Si l’on avait prévu 50/50 et que l’on obtient 54/46 sur un gros volume, un problème technique fausse le test (on parle de déséquilibre d’échantillon). Le test est alors à refaire.
- L’écart est-il significatif ? Le seuil de confiance est-il atteint, et l’intervalle de confiance exclut-il zéro ?
- Les indicateurs de contrôle tiennent-ils ? Plus de formulaires, mais autant de rendez-vous qualifiés ? Plus de ventes, mais un panier moyen en baisse ?
- Le résultat a-t-il un sens ? L’écart va-t-il dans le sens de l’hypothèse, avec une explication plausible ? Un gain spectaculaire sur un détail mérite d’être confirmé par un second test.
Nous regardons ensuite les résultats par appareil et par source de trafic, avec prudence : découper un test en dix segments finit toujours par faire apparaître un « gagnant » par hasard. Un segment intéressant devient une nouvelle hypothèse, pas une conclusion.
Les erreurs qui faussent l’A/B testing
- Regarder tous les jours et s’arrêter au premier écart favorable : c’est la cause la plus fréquente de faux gagnants.
- Changer le test en cours de route : modifier la variante, le budget ou le ciblage des campagnes pendant le test.
- Multiplier les indicateurs et retenir celui qui arrange. L’indicateur principal se choisit avant.
- Tester trop de variantes à la fois avec un trafic modeste.
- Changer plusieurs choses dans la variante sans pouvoir dire ensuite ce qui a joué. Parfois utile pour un test « gros », mais à faire en le sachant.
- Ignorer l’effet de nouveauté : une variante surprenante peut gagner la première semaine, puis retomber.
- Oublier les visiteurs qui refusent les cookies, ou les mesurer différemment selon la version.
- Ne rien noter : sans journal des tests, on reteste un an plus tard ce qui a déjà échoué.
Les outils d’A/B testing
Google Optimize, l’outil gratuit que beaucoup de sites utilisaient, n’existe plus depuis le 30 septembre 2023 ; Google renvoie vers des outils tiers reliés à Google Analytics 4, dont AB Tasty, Optimizely et VWO : aide Google. Voici ceux que nous utilisons ou recommandons, selon les cas :
| Outil | Ce qu’il faut savoir | Pour qui |
|---|---|---|
| AB Tasty | Éditeur d’origine française, fusionné avec l’indien VWO en janvier 2026 ; l’ensemble revendique plus de 4 000 clients | Sites e-commerce et marques avec du trafic et une équipe marketing |
| Kameleoon | Éditeur d’origine française ; tests côté navigateur et côté serveur, fonctions d’IA pour proposer des tests et des variantes | Sites qui veulent tester et personnaliser, avec de fortes exigences sur les données |
| VWO | Éditeur indien, désormais réuni avec AB Tasty ; offre large, de l’enregistrement de sessions aux tests | PME et ETI qui veulent un outil complet |
| Optimizely | Plateforme américaine d’expérimentation, orientée grands comptes | ETI et grandes entreprises, nombreux tests en parallèle |
| Outils de création de pages (Unbounce, Leadpages, Instapage…) | Tests A/B intégrés, simples à lancer sur une landing page de campagne | PME qui testent surtout leurs pages publicitaires |
| Test côté serveur | La version est choisie par le serveur, sans script dans le navigateur ni effet de clignotement | Pages rapides, contraintes de consentement fortes |
La fusion d’AB Tasty et de VWO, annoncé le 20 janvier 2026, crée un ensemble d’environ 120 M$ de revenus dont l’Europe représente 48 % de l’activité : Maddyness. Pour un client, le choix se fait sur des critères concrets : volume de trafic, nombre de tests par an, hébergement des données, intégration avec votre site et votre CRM, budget. Les abonnements sont payés directement à l’éditeur, à votre nom. Notre page outils de landing page compare aussi les outils de création.
Côté navigateur ou côté serveur ?
La plupart des outils modifient la page dans le navigateur du visiteur, grâce à un script. C’est simple à mettre en place, sans développeur, mais cela peut produire un court clignotement (la version A s’affiche une fraction de seconde avant la B) et alourdir la page. Le test côté serveur choisit la version avant l’envoi de la page : plus rapide, plus propre, mais il demande un peu de développement. Pour une landing page de campagne, très sensible à la vitesse sur mobile, nous privilégions souvent cette seconde approche, ou les tests intégrés à l’outil de création.
A/B testing, cookies et consentement
La CNIL dispense de consentement les traceurs de mesure d’audience strictement limités : usage pour le seul éditeur du site, statistiques anonymes, sans recoupement ni suivi sur d’autres sites : CNIL, juillet 2025. Cette exemption ne vise pas l’A/B testing en tant que tel. Un outil qui dépose des traceurs pour optimiser des conversions commerciales demande donc en principe le consentement, sauf exemption démontrée ; un test côté serveur sans traceur n’en demande pas, mais le traitement reste soumis au RGPD : donneespersonnelles.fr.
En pratique, nous réglons l’outil avec votre bandeau cookies, nous vérifions que les visiteurs qui refusent voient une page qui fonctionne, et nous mesurons les deux versions de la même manière. Un test qui ne compterait que les visiteurs consentants doit être lu en le sachant.
Ce que l’IA change dans l’A/B testing
Les outils d’IA accélèrent surtout trois moments : la recherche d’idées (analyse des sessions, des avis et des questions clients), la production des variantes (titres, textes, visuels) et la lecture (synthèse des résultats, repérage de segments). Kameleoon propose par exemple de générer des idées de tests et des variantes à partir d’une page : Kameleoon, selon l’éditeur. Unbounce oriente chaque visiteur vers la variante qui lui convient le mieux, sans désigner de gagnant unique : Unbounce, selon l’éditeur.
Ces outils ne changent pas les règles de base : une hypothèse claire, un échantillon suffisant, une décision prise sur les demandes réelles. Chez nous, une personne valide chaque variante publiée et chaque décision. Plus de détails sur notre page landing page et IA.
Tester la page, tester l’annonce
Google Ads et Meta disposent de leurs propres outils d’expérience, qui partagent le budget entre deux versions d’une campagne : enchères, annonces, ciblages. Ces tests sont utiles, mais ils ne mesurent pas la même chose qu’un A/B testing de la page. Nous évitons de modifier l’annonce et la page en même temps : sinon, impossible de savoir lequel des deux changements a joué. Le plus souvent, on stabilise l’annonce, on teste la page, puis l’inverse. Voir nos pages landing page Google Ads et landing page Facebook Ads.
Le journal des tests
Chaque test fait l’objet d’une fiche : hypothèse, captures des deux versions, dates, volumes, résultat, décision, enseignement. Au fil des mois, ce journal devient une connaissance précieuse de vos clients : ce qui les rassure, ce qui les freine, les mots qui les font agir. Il vous appartient, et il sert bien au-delà des landing pages, dans vos annonces, vos e-mails et le discours de vos commerciaux.
Trois plans de test (entreprises fictives)
Un cabinet d’expertise comptable
Trafic : 3 000 visites par mois sur la page « création d’entreprise ». Hypothèse : afficher un prix de départ réduira les demandes hors cible et augmentera les rendez-vous tenus, parce que la première question au téléphone porte sur le prix. Test « gros » : prix affiché contre prix sur demande. Indicateur principal : rendez-vous tenus.
Une école de formation professionnelle
Trafic : 15 000 visites par mois depuis Meta. Hypothèse : un formulaire en deux étapes (le projet, puis les coordonnées) augmentera les inscriptions aux réunions d’information, parce que 45 % des abandons ont lieu au champ téléphone. Indicateur principal : inscriptions confirmées.
Un fabricant d’équipements industriels
Trafic : 1 200 visites par mois, surtout LinkedIn. Pas assez pour un test fin : la page est améliorée à partir des sessions et des questions des commerciaux, puis un seul test fort est lancé (démonstration contre étude de cas téléchargeable), sur trois mois.
Combien coûte l’A/B testing ?
Chez nous, le pilotage de l’A/B testing est compris dans les formules Accélération (dès 990 € HT par mois) et Propulsion (dès 1 490 € HT par mois), avec les campagnes qui apportent le trafic. L’abonnement à l’outil de test, quand il en faut un, est payé directement à l’éditeur. La création d’une nouvelle landing page se fait sur devis. Repères de marché sur notre page prix d’une landing page.
Vous voulez d’abord savoir si votre trafic permet de tester ? L’optimisation du taux de conversion commence par ce diagnostic.
