L’hypothèse de test.

Termes utilisé dans la méthode scientifique et extrêmement utile en CRO.

L’efficacité de votre processus CRO dépend de la force de vos hypothèses de test.

Pourquoi ?

Car c’est elle qui va former vos optimisations et relier vos insights à vos idées.

Construire une bonne hypothèse permet surtout d’avoir des tests qui vous apportent des apprentissages, même s’ils sont négatifs

Qu’est-ce qu’une bonne hypothèse ?

Une hypothèse de test n’est pas une question.

C’est une affirmation.

Une affirmation qui apporte des informations, réfutées ou non.

Elle sert à dévoiler des idées basées sur X data, qui apporteront des idées.

Voici un framework pour vous aider à construire vos hypothèses.

Une hypothèse qui vous apporte des résultats

Si vos hypothèses se basent sur des bonnes pratiques ou des idées trouvées sur internet, vous perdez surement votre temps.

Une hypothèse doit se baser sur de la data et sur des observations.

On essaye de se rapprocher le plus possible de la méthode scientifique, afin d’avoir le plus de chance d’apporter des tests qui fonctionnent.

Comment ? En suivant cette routine claire :

1. Collecte de données par l'observation
2. Créer des descriptions de ce qui est observé
3. Formuler des hypothèses qui prédisent différents résultats en fonction de ces observations
4. Tester les hypothèses
5. Analyser les données, tirer des conclusions et des enseignements

Exemple d’hypothèse et d’itération

1 hypothèse ne veut pas dire 1 solution.

Exemples :

Problème/Opportunité (ou hypothèse générale) : la recherche nous a montré que les utilisateurs ne comprenaient pas clairement comment le produit fonctionnait. Le thème ici est la clarté.

Hypothèse : plusieurs hypothèses peuvent être imaginées (toujours soutenus par de la data). Par exemple : mettre en avant des visuels produits pourrait permettre d’améliorer la clarté du fonctionnement du produit et donc de booster le taux de conversion de cette page produit…

Solution : Plusieurs solutions peuvent être testées : ajouter de nouveaux visuels, changer la disposition des visuels, ajouter des gif, des vidéos, etc.

Pourquoi fonctionner de cette façon ?

Car vous allez pouvoir ensuite vous rendre compte que certaines hypothèses générales ont plus de tests qui ont réussi.

Exemple ici, c’est l’hypothèse générale de la preuve sociale qui semble le mieux fonctionner

Pour calculer la note d’importance d’une hypothèse générale, je prends en compte 2 choses :

1 → Le pourcentage de réussite des tests liés à cette hypothèse

2 → Le pourcentage de conversion moyen gagné par les tests liés à cette hypothèse

Donc, ici, on ferait mieux de tester de nouvelles idées liées à la preuve sociale.

C’est ce qu’on appelle la méta-analyse.

Le but est que chaque test soit lié à une hypothèse générale.

Par exemple, maintenant, pour chaque test lié à cette hypothèse générale, nous ajouterons 2.7 à la note de priorisation.

On a donc quelque chose de plus précis et basé sur les expériences passées.

Cette méthode nécessite d’avoir beaucoup de trafic, pour effectuer beaucoup de tests.

‍