Je suis récemment tombé sur un post de Michael Justice, qui travaille chez Calendly.

Il résume parfaitement ce que je mets en place pour accélérer l’expérimentation chez une marque.

Ça passe par 3 étapes.

1. Créer une mémoire collective

Pourquoi :

Les apprentissages issus des tests sont souvent éparpillés, oubliés ou répétés inutilement.

Centraliser ces connaissances permet d’éviter les doublons et de capitaliser sur l’existant.

La base de données doit être un repère pour tous, afin que tout le monde puisse se repérer et être autonome.

J’utilise Notion pour gérer tout ça, et partager aux équipes/clients.

Comment :

• Créer une base de données partagée et consultable contenant les résultats, décisions et insights de chaque test.
• Organiser des ateliers mensuels (produit, design, marketing, recherche, data, etc.) pour :
  • détecter les domaines de sur/sous-investissement ;
  • repérer les tendances émergentes ou contradictoires ;
  • identifier les opportunités de réutilisation et d’itération.
• Utiliser des templates de fiche d’expérimentation pour garantir la qualité et la comparabilité des données.

2. Réduire les frictions grâce à l’autonomie

Pourquoi :

Donner aux équipes les bons outils en libre-service libère les responsables analytics et augmenter le nombre d’expérimentations (important pour les grosses marques).

Comment :

• Mettre en place un catalogue de métriques standardisées, de bonnes pratiques, d’onboarding des outils et frameworks, partagées par tous.
• Automatiser le plus possible :
  • calculs de temps d’exécution et estimation de la MDE,
  • nettoyage et correction de données
  • Tests A/A automatiques
• Intégrer une aide IA avec les données d’expériences passées pour suggérer des analyses ou recommander des designs de test pertinents (de nombreuses agences commencent à développer ça sérieusement, dont Conversion.com).

3. Réduire les frictions grâce à l’autonomie

Pourquoi :

Plus on teste, plus on apprend, plus on progresse. Le volume est un levier de croissance et un avantage compétitif.

Je l’explique également dans ma formation, il est parfois mieux de mettre de côté la puissance statistique au profit d’une exécution rapide.

L’objectif est la croissance et l’apprentissage, et non pas la précision scientifique à 100%.

Comment :

• Réduire les frictions opérationnelles (outils, processus, ressources).
• Réutiliser les apprentissages entre équipes pour accélérer la conception de nouvelles expériences.
• Suivre et optimiser les taux de lancement et de finalisation de tests.

‍