Comment utiliser le "test and learn" pour étudier votre marché ?

Par Laurent GRANGER - Date maj : 17/02/2018

Comment réduire la part d'imprévisibilité d'un projet innovant alors que nos environnements économiques devenant de moins en moins certains et maîtrisables ? Une solution est d'adopter une démarche "test and learn"...

Qu'est-ce que la méthode "test-and-learn" ?

Tout est dans le nom : au lieu d'analyser, définir et mettre en place une solution définitive à un problème ou une opportunité, la démarche est de tester au préalable une (ou plusieurs) hypothèse(s) et tirer les enseignements de cette expérimentation .

Cette méthode est très à la mode, notamment dans le domaine d'internet où des sociétés comme Google testent en permanence de nouvelles idées pour avancer dans leurs projets. Le "test and learn" colle parfaitement aux incertitudes et à la complexité des médias numériques.

Les études marketing classiques se heurtent aux nouveaux usages, car il est de plus en plus difficile de prédire des comportements. De nombreux facteurs en interaction perpétuelle sont susceptibles de modifier instantanément les réponses des consommateurs.

Quant à l'analyse de données historiques, leur interprétation est souvent délicate, car elles s'inscrivent dans des éléments de contexte. Il est complexe de prévoir ce qui se passerait dans des conditions différentes.

L'approche "test and learn" permet de construire progressivement une réponse à une problématique donnée. Des allers-retours (itérations) sont souvent nécessaires entre le premier concept testé et la solution finale. Il peut même arriver que, suite aux tests, les objectifs ou le périmètre soient revus. Voire que le projet soit totalement abandonné.

 

Comment mettre en oeuvre cette méthode ?

  La méthode test and learn : le processus

1 - Génération des hypothèses

La démarche fonctionne sous forme d'hypothèses (exemple : "en diminuant le prix de vente de 15%, nous augmenterons les volumes d'autant" ).

L'objectif du test étant de vérifier la ou les hypothèse(s) de départ.

2 - Réalisation des tests

Cette phase comprend :

  • La préparation de l'expérimentation : avec le choix de la méthode, de l’échantillon des variables, la réalisation des prototypes, l'organisation du test...
    Une bonne pratique est de mener un test sur un groupe focus et comparer les résultats avec un second groupe de contrôle qui ne bénéficie pas de la nouvelle offre. Par exemple : dans le cas d'un test de prix pour vérifier l'impact d'une remise ou d'une nouvelle grille tarifaire.
    Lorsque c'est possible, la constitution des groupes doit se faire par tirage aléatoire.
  •   La conduite sur le terrain : la mise en place, le lancement, le pilotage.

 3 - Analyse des tests

Cette étape a pour objectif de répondre aux hypothèses de départ après avoir compilé et analysé les données recueillies lors de l'expérimentation.

Avant de déboucher sur une décision de mise en place ou d'abandon, cette phase est susceptible de reboucler sur la création de nouvelles hypothèses. Il est souvent nécessaire de pratiquer plusieurs tests en modifiant les hypothèses de départ avant d'obtenir des conclusions satisfaisantes. C'est le principe même de la méthode.

4 - Déploiement ou abandon

Phase opérationnelle de mise en place ou bien abandon du projet si le test n'a pas abouti à un résultat satisfaisant justifiant de déployer une solution.

    Ces tests enrichissent l'entreprise d'un apprentissage en temps réel. C'est une vertu très importante de la démarche. L’organisation devient plus performante en s'améliorant continuellement. On retrouve l'esprit de la roue de Deming.

Le "test and learn" dans la pratique

Cette approche n'a rien de nouveau. Elle est fréquemment utilisée et ce, depuis longtemps. N'avez-vous pas déjà mené des tests concernant un produit, un service, une fonctionnalité sur une partie de vos clients, ou bien sur une part de l'audience de votre site internet ?

Expérimenter sur une cible restreinte avant de généraliser la solution validée sur l'ensemble de clients (ou prospects) est une pratique qui se démocratise à grande vitesse avec le digital.

En effet, le "test-and-learn" permet de tirer profit des spécificités des médias digitaux :

  • des outils d'analyse ultra puissants,
  • la faculté de construire des échantillons suffisamment denses pour appliquer des tests statistiques,
  • une facilité pour atteindre une cible précise,
  • l'obtention de réponses rapides à des expérimentations,

pour construire des actions et stratégies de développement innovantes

Dans le monde "réel", cette approche a toute sa place. Elle se traduit par la mise en place de boutiques pilotes sur des marchés tests, des commercialisations sur des zones cibles, etc.

Une culture et des processus à renouveler

Toutes les entreprises ne sont pas forcément prêtent à mettre œuvre cette proche. Le modèle classique d'analyse, de planification et d’implémentation est très ancré dans les organisations . Car même si elle n'est pas toujours efficace, cette façon de procéder est rassurante.

La philosophie du "test and learn" est quant à elle plus incertaine de premier abord : on construit en avançant . On ne sait pas précisément sur quoi on va aboutir au final. Cette démarche est donc plus anxiogène.

De plus, les processus budgétaires , de décision, etc. - finalement tout le système de management des entreprises traditionnelles - est construit sur le modèle classique : on planifie les actions avec les moyens à mobiliser, puis on exécute le plan. Le "test and learn", quant à lui, introduit une dose d'agilité dans les processus en maintenant des degrés de liberté jusqu'au plus tard possible.

Aussi, pour que le "test and learn" s’inscrive dans l'ADN des organisations, une profonde mutation est parfois nécessaire.

Quoi tester ?

Toutes les variables marketing et commerciales peuvent être testées : le prix, l'offre (produit et services), le packaging, la communication, les réseaux de distribution...

    Pour les campagnes publicitaires, le lien est difficile à établir avec les résultats.

Quelles variables mesurer ?

Pour obtenir un retour précis de l'expérimentation, il convient de recueillir des données comportementales et des données perceptuelles.

Les données comportementales

Il s'agit des comportements observés : nombre d'acheteurs, nombre de produits vendus, nombre de visites sur un site internet, etc. Ces données présentent la caractéristique d'être fiables. Si les conditions du test sont parfaitement maîtrisées, les données comportementales sont indiscutables. Elles soulignent directement les gains possibles.

Elles ont toutefois un défaut : elles décrivent, mais apportent peu d'explications sur les comportements.Ce, même si le croisement de ce type de variables entre elles apporte des informations plus qualitatives (facilité par le big data en manipulant d'innombrables variables).

Les données comportementales sont au centre des expérimentations.

Les données perceptuelles

Ces données recueillent ce que pensent les clients : leur sentiment vis-à-vis d'une nouvelle offre, d'un nouveau service, d'un nouveau prix, leur satisfaction... L'objectif est de comprendre ce qui motive leur comportement. Ces mesures font appel aux études marketing classiques, notamment qualitatives.

L'un des intérêts des données perceptuelles est de comprendre pour anticiper, voire affiner sa proposition et pourquoi pas lancer d'autres tests.

Les méthodes et outils du "test-and-learn"

Pour outiller vos tests, vous pouvez faire appel à l'A/B testing. Très populaire et de plus en plus utilisée, cette méthode permet de mettre en place différentes versions d'un produit, d'une fonctionnalité, d'un service à tester et d'observer statistiquement celle qui offre les meilleurs résultats.

    A noter : d'autres tests multivariés offrent la possibilité de comparer simultanément de multiples variables.

Voir aussi les méthodes de projet Agile qui s'inscrivent dans la même philosophie : faire puis évaluer.

Les facteurs clés de succès

Pour tirer pleinement profit de la méthode,  il convient de suivre quelques règles, notamment :

  • Respecter le principe KIS "keep It Simple !" - attention aux couteuses et inutilisables usines à gaz ! Mieux vaut rester simple et obtenir des résultats pertinents, faciles à mesurer, plutôt que de se lancer dans un méga test et se perdre dans des variables non maîtrisées, des tonnes de données à analyser pour un résultat en final peu fiable...
  • Ne pas faire varier trop de paramètres en même temps :   l'analyse des données n'en serait que moins pertinente.
  • Adopter une rigueur quasi scientifique : comme pour les études marketing classiques. Le choix des conditions d'observation est fondamental pour la qualité des conclusions (composition du groupe, de la période de test, etc.).


Une réaction peut-être ?

Commentaires

Soyez le premier à donner votre feedback !

Ces publications peuvent aussi vous intéresser :