Calculatrice des tests A/B : calculez votre signification statistique
––

Visiteurs

Conversions

Contrôle

Variation

Limites du taux de conversion en pourcentage

Taux deconversion

Standard Error

Contrôle

Variation

Z-Score

P-Value

Significant at % Confidence

Conversion Rate Limits

From

To

Contrôle

Variation

Qu'est-ce que la signification statistique ?

A B Testing cvr

La signification statistique dans les tests A/B concerne la différence entre la version de contrôle et la version de test dans votre expérience, et le fait qu’elle n’est pas due à une erreur ou à un sort aléatoire.

Ceci est assuré par l’utilisation d’un niveau de signification. Un niveau de signification de 98 % signifie que vous pouvez être sûr à 98 % que toute différence entre votre version de contrôle et la version de test est réelle.

Pourquoi utilisons-nous la signification statistique ?

La signification statistique est utile lorsqu’une entreprise souhaite observer comment un changement dans son produit ou service, l’expérience donc, peut affecter son entreprise. Y a-t-il un effet positif ou négatif provoqué par ce changement, et s’il y en a, alors pourquoi ?

La signification statistique, signifiée par un niveau de confiance, est utilisée pour garantir que toutes les données que vous collectez se situent bien dans la marge d’erreur que vous avez jugée acceptableet que les données finales ne sont pas sujettes à erreur.

Calcul de la signification statistique

La première étape du test A/B, ou de la recherche de la signification statistique, consiste à formuler une hypothèse. Il existe une hypothèse nulle, nommée H0, 0 étant « néant »et une hypothèse alternative. En règle générale, l’hypothèse nulle indique qu’il n’y a aucune relation entre les variables que vous comparez. L’hypothèse alternative essaie de prouver qu’une relation existe et que le « test » est réussi.

Dans les tests A/B, il peut y avoir de nombreux cas qui fonctionneraient comme une hypothèse, tel que l’ajout d’un bouton sur un site Web ou sur une application. Ou bien encore la modification de l’interface utilisateur, de sa disposition ou du schéma de couleurs et le test, si ces changements affectent les taux de conversion en montrant à certains utilisateurs la version normale, qui fait office de version de contrôle. 

Un score Z est utilisé pour tester la véracité de votre hypothèse nulle. 

Une valeur P signifie la force que vous avez en faveur de votre hypothèse.

Dans les tests A/B, vous devez également décider si vous allez effectuer un test unilatéral ou bilatéral. Les tests unilatéraux ne peuvent tenir compte que des effets directionnels de votre hypothèse alternative. D’un autre côté, les tests bilatéraux tiennent également compte de l’éventualité que votre hypothèse puisse avoir un impact négatif. C’est l’approche la plus sûre.

Améliorer vos résultats

Bien que les tests A/B soient une excellente technique pour tester les modifications et les mises à jour de votre produit, vous devez procéder de la bonne manière. Il existe quelques techniques et directives que vous pouvez garder à l’esprit lorsque vous effectuez des tests A/B.

Augmenter la taille de l'échantillon

Plus il y a de personnes qui participent à vos tests, plus les informations que vous recevrez seront précises. Pour les tests A/B, cela signifie que vous exécutez vos tests durant une période plus longue, donnant à plus de personnes la possibilité de tester votre hypothèse nulle et alternative.

Trafic artificiellement direct

Vous pouvez ajouter plus de liens vers vos pages de test sur vos réseaux sociaux et sur votre site Web, ainsi vous y dirigez plus de trafic, ce qui permet une sorte de test de résistance.

Essayez des changements importants

Vous pouvez essayer d’apporter des changements plus importants à votre produit et tester sa valeur « de choc » sur vos utilisateurs. Cela ne signifie pas un simple changement dans votre palette de couleurs. Essayez d’amener les utilisateurs à interagir avec vos services d’une toute nouvelle manière.

Ne présumez de rien

Même si un scénario fonctionne mieux qu’un autre, cela peut ne pas signifier que les utilisateurs préfèrent réellement l’utiliser. Par conséquent, vous devez également associer les tests A/B à des enquêtes en ligne pour mieux comprendre vos utilisateurs et déterminer si vos tests A/B ont donné des informations exploitables.

En savoir plus sur les tests AB

Variation