google_analytics_costum_variable_optimisation_conversion_crouc

Comment analyser les Tests A/B et Multivariables avec Google Analytics

C'est en posant des questions qu'on avance. Et je suis là pour partager, pour vous guider vers ce moment "aha", où tout commence à avoir du sens. Voulez-vous savoir comment mes formations sur Google Analytics peuvent s'aligner sur vos objectifs ? Discutons-en.

Beaucoup de choses ont déjà été écrites à propos des techniques de test A / B et de la valeur que les tests Web peut apporter aux responsables de sites Web. Dans cet article, je ne vais pas parler de ce qu’il faut tester, ni comment le faire, mais comment analyser le résultat de votre split test (A/B).

Les tests A / B sont plus faciles à analyser avec l’aide des outils de Web Analytics. Étant donné que chaque version est une page, elles sont suivies par défaut dans vos rapports Google Analytics. Mais ce n’est pas vrai pour les tests multivariés, puisque les versions sont des combinaisons de plusieurs éléments, qui ne sont pas desservies en tant que page, mais mises en page par des outils externes.

Dans cet article, on va évoquer une technique qui peut être utilisée afin de tirer le meilleur de votre compte Google Analytics afin que vous puissiez mettre en œuvre et comprendre le tableau d’ensemble de votre test (indépendamment des outils de test que vous utilisez).

Analyse des résultats des tests  A / B au-delà des mesures  réussite et échec.

Habituellement, lorsque vous effectuez un test A / B, le marketing intégre des codes sur la page d’origine, sur la page de test et sur la page de conversion. De cette manière l’outil de test pourra suivre les visiteurs sur chacune des pages (témoin et alternative) et calculer le  % de visiteurs/page testée/taux conversion. Cette approche néglige deux questions importantes :

  • Au-delà des mesures de réussite et d’échec: quelques sites Web (principalement e-commerce) peuvent avoir des valeurs complètement différentes de celles des conversions, ce qui signifie que le suivi du succès et de l’échec est une décision binaire, qui peut être trompeuse. Comme George Orwell a écrit sur ​​la ferme des animaux: «Tous les animaux sont égaux, mais certains animaux sont plus égaux que d’autres. »
  • Mesure de l’engagement:  Mesure parfois objective du test qui ne conduit pas à une page d’objectif (conversion), mais chercherait à diminuer le taux de rebond, augmenter le temps sur la page, ou le volume de pages par visite.

Très souvent ces informations sont déjà disponibles dans les outils de Web Analytics, il est logique d’intégrer les résultats des tests dans ce dernier. Donc, si vous utilisez Google Website Optimizer ou autre outil, voici un moyen d’améliorer la mesurabilité de vos tests en utilisant Google Analytics.

Intégration de vos données de test dans Google Analytics, c’est parti !

Configuration de Google Analytics pour suivre correctement un test A / B.
Les rapports de Google Analytics n’affichent pas d’onglet les objectifs de conversion par page. Cela est compréhensible, car il n’est pas possible d’attribuer les conversions à un contenu spécifique. Solution de Google était de créer « indice de valeur« . Voici la description de cette métrique fournie par Google :

 » L’indice de valeur représente la valeur moyenne d’une page qu’un internaute a visitée avant d’accéder à la page d’objectif ou de compléter une transaction en ligne (voire les deux). Vous trouverez ci-dessous l’équation qui peut être utilisée pour calculer l’indice de valeur. Notez qu’une consultation unique représente le nombre de visiteurs individuels qui ont chargé une page spécifique par session. Chaque visiteur du site est comptabilisé une seule fois par session, quel que soit le nombre de pages qu’il a ouvertes.

Chiffre d’affaires issu du commerce électronique + Valeur totale de l’objectif / Nombre de consultations uniques pour une page spécifique « 

Puisque nous parlons de tests A / B, vous serez en mesure d’analyser « l’index de valeur » de chacune des variations de test (pour un site e-commerce elle sera définie en fonction de celle-ci; sinon, assurez-vous de définir la valeur dans la définition de vos objectifs sur Google Analytics).

Mais si vous voulez recueillir plus de détails sur les variations de test, vous pouvez aussi utiliser des variables personnalisées. Fondamentalement, pour définir une variable personnalisée, ajouter une valeur au cookie utilisateur qui persiste au-delà de la durée de vie du cookie du visiteur. Cela signifie avec cette capacité une segmentation supplémentaire qui nous permettra d’analyser le comportement, qu’il s’agit de mesures d’engagement et/ou de mesures de conversion.

Voici un échantillon du code Google Analytics qui devraient être ajoutés sur chaque page de test :

body onload= »_gaq.push([‘_setCustomVar’, 1, ‘abtest’, ‘variation2’, 1]); »

 Sur l’exemple ci-dessus, voyons ce qui suit :

  1. La variable personnalisée est fixée à 1 (sur 5 max.): cet important que vous risquez de remplacer d’autres variables si elles partagent le même logement.
  2. Le nom de la variable est « abtest »
  3. La valeur est « variation2 »: chaque variation doit avoir sa propre valeur. Si possible, il devrait y avoir un nom explicite afin de faciliter l’analyse, par exemple, « grande_image », »long_formulaire » ou « magnifique_graphisme ».
  4. La portée est de 1 (niveau de visiteur) : celui-ci devrait être mis à 1 si vous voulez que vos visiteurs soient marqués sur le long terme, quel que soit leur aller-retour sur votre site. Si vous utilisez 2  (niveau session) ou 3  (niveau de la page), la variable ne sera plus prise en compte après une session (2) ou un  changeant de page (3).

Ci-dessous un échantillon de mesures que vous pourrez utiliser pour analyser vos tests A / B.

custom-variables-Google-Analytics

Je crois que par l’intégration des outils de tests dans ceux de l’Analytics seront un pas de plus vers une stratégie intégrée de l’optimisation.

source : http://searchengineland.com/how-to-analyze-ab-tests-using-google-analytics-67404

Retour en haut