Email : les bonnes pratiques pour un A/B testing efficace !

En tant que marketeurs, vous avez sûrement l’habitude de mener des campagnes email marketing pour convertir de nouveaux leads ou entretenir la relation avec vos prospects ou clients. Seulement, les performances de vos emails ne sont peut-être pas aussi bonnes que vous ne l’espériez. 

Pour améliorer les résultats de vos campagnes, vous avez deux options : vous fier à vos intuitions ou mettre en place des tests. La première solution peut sembler la plus simple et la plus rapide, mais elle pourrait également vous induire en erreur et avoir l’effet inverse à celui escompté. 

Vous avez sinon, la possibilité de procéder à des tests qui vous permettraient de détecter les éléments les plus susceptibles de générer de meilleures performances. Pour ce faire, il existe une méthode assez simple à mettre en oeuvre et efficace : l’A/B testing. Voici les bonnes pratiques à connaître avant de vous lancer.

A/B Testing : définition et fonctionnement

L’A/B testing est une technique qui consiste à tester deux variantes d’une page web ou d’un email par exemple, afin d’identifier quelle version enregistre les meilleures performances, et ce, dans le but d’améliorer les résultats de vos dispositifs marketing. 

Le principe est assez simple. Il s’agit de créer, pour un dispositif marketing (page web ou email, par exemple), une version A (version originale, aussi appelée version de contrôle) et une version B (variante ou alternative) dans laquelle vous changez un élément (texte, image, CTA) de sorte à mesurer l’incidence de cette modification sur les performances du dispositif testé.

Vous pouvez réaliser plusieurs tests différents sur un même dispositif, mais il est impératif de tester un élément à la fois. Si vous testez plusieurs éléments en même temps, vous prenez le risque de ne pas être en mesure d’identifier lequel a eu un impact sur les résultats.

Pour mener à bien un A/B test, il est fortement conseillé de se doter d’un outil spécialisé ou d’un logiciel emailing qui propose cette fonctionnalité, comme c’est notamment le cas pour Hubspot (dans ses versions Professional et Enterprise). Cela vous facilitera grandement la mise en place du test et l’analyse des statistiques.

6 étapes pour concevoir des A/B tests email efficaces

1. Identifiez la variable que vous souhaitez tester

Avant de vous lancer dans la mise en place de votre test, vous devez au préalable identifier la variable que vous voulez tester. Pour ce faire, vous pouvez observer les précédentes performances de vos emails adressés à la base que vous allez solliciter afin de définir et prioriser les opportunités d’optimisation.

Par exemple, si votre taux d’ouverture est faible, il peut s’avérer pertinent de tester deux variantes d’objets pour identifier celle qui déclenche davantage d’ouvertures de l’email. 

Autre exemple, si votre taux de clic est faible, vous devrez plutôt mettre en place un test sur le contenu de l’email (image ou texte) ou sur le CTA (intitulé ou placement) afin de voir quel élément peut améliorer vos résultats.

2. Fixez votre objectif

La définition de votre objectif est une étape importante dans votre démarche d’A/B testing. Cela vous permet d’identifier un indicateur principal sur lequel vous concentrer pour analyser l’impact du changement sur les performances. D’autre part, en formulant votre objectif en amont du test, vous vous assurez de créer une variante de votre email qui puisse répondre de manière optimale à votre hypothèse de départ.

3. Créez vos deux versions de l’email

Comme nous l’avons déjà évoqué, un A/B test comporte deux versions : la version originale (A) et sa variante (B). En matière d’email, votre version originale peut correspondre à un email que vous avez déjà adressé à une base de contacts ou bien à un modèle d’email (regardez du côté de vos templates) que vous avez coutume d’utiliser et au sujet duquel vous disposez de statistiques de performance antérieures.

Dès lors que vous avez statué sur votre version A, vous pouvez créer la version alternative dans laquelle vous allez appliquer un changement susceptible d’avoir un impact sur l’indicateur de performance visé.

Par exemple, si vous souhaitez tester l’impact d’un changement sur le taux de clic, vous pourriez soit changer le texte du corps de l’email en rédigeant un texte plus court ou avec une argumentaire différent ou encore modifier le CTA en le positionnant au-dessus de la ligne de flottaison de l’email ou en en formulant une accroche différente.

4. Sélectionnez et segmentez votre audience

En matière d’A/B test e-mail, vous avez davantage de contrôle sur le ciblage de l’audience que vous n’en auriez si vous testiez une page web. Pour réaliser un test concluant, il vous faudra envoyer vos deux versions à deux segments de destinataires de taille équivalente.

Si votre liste de contacts comportent beaucoup de prospects ou de clients (au moins plusieurs milliers), il est recommandé d’en segmenter une petite portion pour effectuer votre test. Vous pourrez ensuite envoyer la version la plus performante au reste de la base de contacts.

Cependant, pour q’une A/B test email soit réellement pertinent, vous devrez à minima tester vos deux variantes sur un échantillon de 1000 contacts. Cette segmentation est importante car, en-dessous de ce seuil, vous prenez le risque de ne pas recueillir de données suffisamment concluantes à l’issu du test.

5. Fixez la durée optimale pour le test

C’est une question fréquente lorsqu’on débute dans l’A/B testing, quelle est la durée optimale pour que mon test soit concluant ? En matière de mailing, la méthode la plus simple consiste à analyser les performances de vos précédents mails. Identifiez à partir de quel moment, suite à un envoi, vos emails enregistrent des performances significatives.

Par exemple, si vos emails, une fois envoyés, ne génèrent quasiment plus d’ouvertures ou de clics après 24h, cela signifie que la durée optimale de votre test pourra être de 24h. Au-delà de ce délai, vous n’obtiendriez aucune information pertinente supplémentaire.

Dès lors que ce dernier paramètre est défini, vous pouvez configurer votre test dans votre logiciel et le lancer.

6. Analysez les résultats de votre test

Une fois votre test terminé, vous allez pouvoir consulter vos analytics pour analyser les résultats. Pour ce faire, focalisez-vous sur votre indicateur principal pour mesurer l’impact de votre variante sur les performances en fonction de l’objectif que vous avez défini au départ.

Vous devrez néanmoins prêter une attention particulière à une autre statistique : l’indicateur de confiance. Il s’agit d’une mesure fournie par tous les outils d’A/B Testing et qui vous permet de déterminer le niveau de viabilité de votre test. Cet indicateur est un pourcentage qui indique vos chances d’obtenir (dans des conditions strictement similaires en matière d’observations) le même résultat pour vos futures campagnes emailing.

Par exemple, si votre mail enregistre un gain de 10% au niveau du taux de clic pour votre version alternative avec un indice de confiance de 98%, cela signifie que votre variante a 98% de chances d’obtenir de meilleures performances par rapport à l’originale. Cela ne garantit en aucun cas que vous avez 98% de chances que votre gain soit de 10%  pour les prochains envois, il pourrait n’être en réalité que de 5%.

Cela n’est pas pour autant que vous ne devez pas intégrer ce changement de manière définitive dans vos emails puisque, dans tous les cas, il a de forte probabilité d'engendrer une surperformance à l’avenir.

Maintenant que vous avez réalisé votre premier test, vous pouvez déjà envisager le prochain. Il existe d’autres éléments à tester pour atteindre un niveau de performance et un retour sur investissement le plus optimal possible pour vos campagnes emailing.

L’A/B testing reste le moyen le plus efficace pour améliorer les performances de vos emails. Il vous permet de vous baser sur des données concrètes directement issues de votre audience. Vous pouvez ainsi concentrer vos choix stratégiques sur les éléments qui ont un impact réel sur vos résultats. Il ne faut pas hésiter à réitérer les tests régulièrement et à multiplier les variables (mais toujours une à la fois) pour réussir à atteindre un seuil de performance optimal.