Landing pages · A/B testing

A/B testing : la méthode pour tester vos landing pages et garder la version qui rapporte le plus

Changer le titre d’une page, raccourcir un formulaire, afficher un prix : chaque idée semble bonne avant d’être testée. L’A/B testing montre deux versions au même trafic et garde celle qui apporte le plus de demandes. Nous menons ces tests de bout en bout, de l’hypothèse à la décision, avec les calculs faits avant de lancer et des résultats lus sur vos ventes.

L’A/B testing en chiffres

Tester, parce que l’intuition se trompe souvent

Un bon A/B testing ne cherche pas à prouver qu’on avait raison : il cherche à savoir ce qui fait agir vos clients.

Comment nous testons

De l’observation à la version gagnante : la boucle d’A/B testing

Les données, l’écoute des clients et le trafic des campagnes alimentent des hypothèses. Chaque hypothèse devient une variante, testée contre l’original jusqu’à une décision. Ce qu’on apprend nourrit le test suivant.

La boucle d’A/B testing, de l’observation à la version gagnante Cliquez sur un élément pour voir à quoi il sert.

Données, écoute des clients et trafic des campagnes alimentent une hypothèse, une variante et un test, jusqu’à la version gagnante ; les résultats mesurés relancent la boucle. CE QUI NOURRIT LE TESTLE TESTLE RÉSULTAT Hypothèse Variante Test Versiongagnante %DonnéesAnalytics · Cartes de chaleur ?Écoute des clientsEnquêtes · Commerciaux AdsCampagnesGoogle · Meta · LinkedIn ◎ Mesure et décision Chaque enseignement ouvre une nouvelle hypothèse
★

La version gagnante

Celle qui apporte le plus de demandes qualifiées devient la référence de la page.

  1. Observer

    Chiffres de la page, cartes de chaleur, sessions enregistrées, questions des prospects.

  2. Formuler

    Une hypothèse écrite : ce qu’on change, ce qu’on attend, pourquoi.

  3. Calculer

    Échantillon, durée et indicateur principal fixés avant de lancer.

  4. Lancer

    Deux versions contrôlées sur tous les appareils, mesure et consentement vérifiés.

  5. Lire

    Résultat lu à la date prévue, sur les demandes et les ventes, pas sur les clics.

  6. Retenir

    La version gagnante devient la référence ; l’enseignement est noté dans le journal des tests.

Chaque enseignement ouvre une nouvelle hypothèse.

Pourquoi nous

Pourquoi nous confier votre A/B testing

  • Des hypothèses, pas des envies

    Chaque test part d’une observation chiffrée ou d’une objection client, écrite avant la variante.

  • Les calculs faits avant

    Échantillon, durée et indicateur fixés au départ : pas de victoire annoncée au troisième jour.

  • Le trafic sous la main

    Nous pilotons aussi vos campagnes : le trafic est réparti pour que les tests concluent.

  • Jugé sur les ventes

    Une version qui donne plus de formulaires mais moins de clients ne gagne pas.

  • Un journal des tests

    Chaque test, son hypothèse et son résultat sont notés : ce savoir reste à vous.

  • Honnêtes sur le trafic

    Quand le volume ne permet pas de conclure, nous le disons et proposons autre chose.

Tests compris dans nos formules

L’A/B testing inclus dans le pilotage de vos campagnes

Les tests et l’optimisation continue sont compris dans nos formules ; la création d’une nouvelle page se fait sur devis ; l’outil de test est payé directement à l’éditeur.

  • Création de landing page

    Sur devis · conception et développement

    Une page dédiée écrite, maquettée et développée pour une campagne, prête à entrer dans la boucle de tests.

    Demander un devis →
  • Accélération

    Dès 990 € HT / mois · campagnes et tests

    Une plateforme publicitaire pilotée, avec les tests A/B de ses landing pages et l’optimisation continue.

    Choisir Accélération →
  • Propulsion

    Dès 1 490 € HT / mois · multicanal et CRM

    Plusieurs plateformes et plusieurs pages testées en parallèle, résultats suivis jusqu’au CRM.

    Choisir Propulsion →

Par , fondateur de Growth Ex Machina · Mis à jour le · 15 min de lecture

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 testPrincipeQuand l’utiliser
A/BUne variante contre l’original, trafic partagé en deuxLe cas général, surtout avec un trafic modeste
A/B/nPlusieurs variantes contre l’originalQuand le trafic est important ; chaque variante en plus allonge le test
Split URLDeux pages différentes, à deux adressesRefonte complète d’une page, ou deux outils différents
MultivariéPlusieurs éléments combinés entre euxTrès gros trafic seulement ; rare pour une PME
BanditLe trafic est déplacé peu à peu vers la variante qui marche le mieuxCampagnes 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

  1. 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.
  2. 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.
  3. Formuler les hypothèses. Chaque idée devient une phrase complète : ce qu’on change, ce qu’on attend, et pourquoi on le pense.
  4. Prioriser. Les hypothèses sont classées selon leur impact attendu, leur facilité de mise en œuvre et la solidité des observations qui les fondent.
  5. Calculer. Taille d’échantillon, durée minimale, indicateur principal et indicateurs de contrôle sont fixés et notés avant le lancement.
  6. 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.
  7. 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.
  8. 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 :

CritèreQuestion poséeExemple de note haute
ImpactLe changement touche-t-il la décision d’achat ?La promesse du titre, l’offre, le formulaire
ConfianceL’hypothèse repose-t-elle sur des observations solides ?Question entendue par tous les commerciaux, abandon mesuré sur un champ
FacilitéCombien 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 actuelHausse à détecterVisiteurs 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 :

  1. Tester gros : deux promesses différentes, deux offres, un formulaire en une étape contre une prise de rendez-vous directe. Pas des nuances.
  2. Regrouper le trafic : plusieurs campagnes, plusieurs annonces ou plusieurs villes envoyées vers une même page testée.
  3. Choisir un indicateur plus fréquent : le clic vers le formulaire plutôt que l’envoi, à condition de vérifier ensuite l’effet sur les demandes.
  4. Améliorer sans tester : corriger ce que les observations montrent clairement (un champ bloquant, une page lente, une question sans réponse), puis suivre l’évolution.
  5. 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 :

  1. L’offre : devis gratuit ou visite technique, démonstration ou essai, remise ou livraison offerte.
  2. La promesse du titre : bénéfice, délai, prix, garantie.
  3. Les preuves : avis, chiffres, logos, photos réelles, et leur place sur la page.
  4. Le formulaire : nombre de champs, champs obligatoires, une ou plusieurs étapes, prise de rendez-vous directe.
  5. Les réponses aux objections : prix affiché ou non, engagement, délai, zone.
  6. La longueur de la page : courte pour un achat simple, longue pour une décision lourde.
  7. L’appel à l’action : texte du bouton, phrase de réassurance en dessous.
  8. 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 :

  1. 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.
  2. L’écart est-il significatif ? Le seuil de confiance est-il atteint, et l’intervalle de confiance exclut-il zéro ?
  3. Les indicateurs de contrôle tiennent-ils ? Plus de formulaires, mais autant de rendez-vous qualifiés ? Plus de ventes, mais un panier moyen en baisse ?
  4. 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 :

OutilCe qu’il faut savoirPour qui
AB TastyÉditeur d’origine française, fusionné avec l’indien VWO en janvier 2026 ; l’ensemble revendique plus de 4 000 clientsSites e-commerce et marques avec du trafic et une équipe marketing
KameleoonÉditeur d’origine française ; tests côté navigateur et côté serveur, fonctions d’IA pour proposer des tests et des variantesSites qui veulent tester et personnaliser, avec de fortes exigences sur les données
VWOÉditeur indien, désormais réuni avec AB Tasty ; offre large, de l’enregistrement de sessions aux testsPME et ETI qui veulent un outil complet
OptimizelyPlateforme américaine d’expérimentation, orientée grands comptesETI 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 campagnePME qui testent surtout leurs pages publicitaires
Test côté serveurLa version est choisie par le serveur, sans script dans le navigateur ni effet de clignotementPages 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.

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.

Gabriel dos Anjos, fondateur de Growth Ex Machina
Gabriel · Le fondateur · À propos de l’A/B testing

Le test le plus utile que j’aie vu ne changeait pas une couleur de bouton : il ajoutait sur la page la réponse à la question que tous les clients posaient au téléphone. L’A/B testing n’est pas un jeu de hasard sur des détails. C’est une façon disciplinée d’écouter vos clients, puis de vérifier qu’on les a bien compris. Mais ce que je vous promets : Écouter les clients, puis vérifier.

Gabriel dos Anjos Fondateur · LinkedIn · Mon parcours

Pour aller plus loin

Vous partez d’un besoin ?

Nos ressources

Nos ressources landing pages et A/B testing : actus, veille, analyses et guides

Nos premiers articles sur ce sujet sont en cours de rédaction. En attendant, retrouvez le guide du growth marketing et nos guides pratiques (prix, budgets, choix d’une agence, mesure) dans nos ressources.

Newsletter
La veille et les analyses de la semaine, dans votre boîte mail.
Newsletter — veille et analyses (home)

Questions fréquentes sur l’A/B testing

Vos questions sur l’A/B testing des landing pages

Qu’est-ce que l’A/B testing ?

L’A/B testing consiste à montrer deux versions d’une page, A et B, à deux moitiés comparables du trafic, puis à comparer leurs résultats. La version qui obtient le plus de conversions, avec un écart assez net pour ne pas être dû au hasard, devient la référence.

Quelle différence entre A/B testing et test multivarié ?

L’A/B testing compare deux versions complètes, ou quelques-unes en A/B/n. Le test multivarié combine plusieurs éléments à la fois, par exemple trois titres et deux images, pour mesurer l’effet de chaque combinaison. Il demande beaucoup plus de trafic : il convient rarement à une PME.

Combien de visiteurs faut-il pour un test A/B ?

Cela dépend du taux de conversion et de l’écart à détecter. Pour une page à 5 % de conversion, il faut environ 8 200 visiteurs par version pour détecter une hausse de 20 % (de 5 à 6 %), et environ 1 500 pour une hausse de 50 %. Nous faisons ce calcul avant chaque test.

Combien de temps doit durer un test A/B ?

Au moins deux semaines complètes, pour couvrir les jours de semaine et les week-ends, et jusqu’à atteindre l’échantillon calculé. Au-delà de six à huit semaines, le test devient fragile : cookies effacés, saisonnalité, campagnes modifiées. On fixe la date de lecture avant de lancer.

Peut-on arrêter un test dès qu’une version gagne ?

Non. Regarder les résultats chaque jour et s’arrêter au premier écart favorable multiplie les faux gagnants. Le test court jusqu’à l’échantillon et la durée prévus, sauf problème technique ou baisse grave des résultats.

Que tester en premier sur une landing page ?

Ce qui touche à la décision : la promesse du titre, l’offre, la preuve placée en haut de page, le formulaire. La couleur d’un bouton vient très loin derrière. Les meilleures hypothèses viennent des questions que vos clients posent avant d’acheter.

Quel outil d’A/B testing choisir ?

AB Tasty, Kameleoon, VWO ou Optimizely pour les sites qui ont du trafic et plusieurs tests par mois ; les tests intégrés aux outils de création de pages pour les campagnes ; un test côté serveur quand la vitesse ou le consentement l’exigent. Le choix dépend du volume, du budget et de vos équipes.

L’A/B testing est-il compatible avec le RGPD ?

Oui, s’il est bien réglé. Un outil qui dépose des traceurs pour optimiser des conversions demande en principe le consentement ; l’exemption de la CNIL vise la mesure d’audience, pas les tests. Un test côté serveur sans traceur évite le consentement, mais reste soumis au RGPD.

Que faire si mon site a peu de trafic ?

Tester des changements forts plutôt que des détails, regrouper le trafic de plusieurs campagnes sur une même page, allonger la durée dans la limite du raisonnable, ou améliorer la page sans test à partir des données et des retours clients. Nous vous disons franchement quand un test ne peut pas conclure.

L’IA peut-elle remplacer l’A/B testing ?

Non, mais elle l’accélère : idées de variantes, analyse des sessions, synthèse des résultats. Certains outils orientent chaque visiteur vers la variante qui lui convient le mieux. Les hypothèses, les textes publiés et la décision finale restent validés par une personne.

Combien coûte l’A/B testing chez vous ?

Le pilotage des tests est compris dans nos formules Accélération (dès 990 € HT par mois) et Propulsion (dès 1 490 € HT par mois). L’abonnement à l’outil de test est payé directement à l’éditeur. La création d’une nouvelle landing page se fait sur devis.

Peut-on tester aussi les annonces publicitaires ?

Oui, avec les outils d’expérience de Google Ads et de Meta, qui répartissent le budget entre deux versions d’une campagne. Nous évitons de tester l’annonce et la page en même temps, pour savoir laquelle a fait la différence.

Pour aller plus loin

Études et sources sur l’A/B testing que nous suivons

Outils, règles de consentement et méthodes statistiques évoluent : nous suivons les études publiées, la documentation des éditeurs et les positions de la CNIL. Sélection revue en novembre 2026.

  1. Optimizely, selon l’éditeur · 18 février 2026

    10 A/B test examples that work (127 000 tests)

    Ce que dit l’étude : Seuls 12 % des tests gagnent sur l’indicateur principal ; un formulaire réduit de 11 à 4 champs : +160 % dans un test.

    Ce que ça change pour une PME : La plupart des idées ne changent rien : il faut tester.

  2. Journal du Net · 17 septembre 2015 (référence ancienne)

    Quel trafic mensuel est nécessaire pour faire de l’A/B testing ?

    Ce que dit l’étude : Sous 10 000 visiteurs par mois, seul un écart de plus de 30 % se détecte ; 30 jours de test conseillés.

    Ce que ça change pour une PME : Des tests adaptés à votre trafic.

  3. donneespersonnelles.fr · consultée en novembre 2026

    Test A/B et consentement aux traceurs

    Ce que dit l’étude : Pas d’exemption générale ; un test côté serveur sans traceur ne demande pas de consentement mais reste soumis au RGPD.

    Ce que ça change pour une PME : Des tests réglés avec votre bandeau cookies.

  4. CNIL · 4 juillet 2025

    Cookies : solutions pour les outils de mesure d’audience

    Ce que dit l’étude : Exemption limitée à la mesure d’audience pour le seul éditeur, en statistiques anonymes.

    Ce que ça change pour une PME : Mesurer n’est pas tester.

  5. Aide Google

    [Arrêt en septembre 2023] Google Optimize

    Ce que dit l’étude : Arrêt le 30 septembre 2023 ; intégrations GA4 avec AB Tasty, Optimizely et VWO.

    Ce que ça change pour une PME : Un outil dédié pour chaque site.

  6. Maddyness · 20 janvier 2026

    AB Tasty fusionne avec son rival indien VWO

    Ce que dit l’étude : Plus de 4 000 clients, environ 120 M$ de revenus, Europe 48 % de l’activité.

    Ce que ça change pour une PME : Un marché qui se concentre.

  7. Kameleoon, selon l’éditeur · consultée en novembre 2026

    IA et A/B testing

    Ce que dit l’étude : Idées de tests et variantes générées à partir de la page ; ciblage prédictif.

    Ce que ça change pour une PME : L’IA propose, l’équipe décide.

  8. Unbounce, selon l’éditeur · consultée en novembre 2026

    What is Smart Traffic?

    Ce que dit l’étude : Orientation de chaque visiteur vers sa meilleure variante après 30 visites, sans version gagnante unique.

    Ce que ça change pour une PME : Une alternative pour les petits volumes.

Vos pages ont-elles assez de trafic pour être testées ?

L’audit flash A/B testing : 30 minutes pour regarder votre trafic, vos conversions et votre mesure, calculer ce qu’un test peut détecter et choisir la première hypothèse. Gratuit, sans engagement.