Test A/B Google Ads : prouver qu'un changement fonctionne

Un test A/B Google Ads se mène avec les expérimentations, l'outil de test intégré à la plateforme : il coupe le trafic d'une campagne en deux et fait courir la version d'origine contre la version modifiée en même temps, dans les mêmes conditions. C'est la façon honnête de prouver qu'un changement a réellement fonctionné. Si vous comparez le mois dernier au mois en cours, vous ne mesurez pas l'effet de votre changement mais la somme de la saisonnalité, des mouvements de vos concurrents et de votre changement. En pratique, une bonne expérimentation tient en trois décisions : une seule variable, une répartition 50/50 et la patience d'attendre 95% de confiance.

Que sont les expérimentations Google Ads ?

Une expérimentation Google Ads est un cadre de test : elle crée une copie d'une campagne existante, y envoie une part du trafic et du budget, puis rapporte les deux versions côte à côte. Vous la trouvez dans la section Expérimentations. La campagne d'origine sert de groupe témoin, la copie de groupe de test. Comme les deux diffusent les mêmes jours, dans les mêmes enchères et à la même saison, l'écart entre elles est en grande partie imputable à ce que vous avez modifié.

• Expérimentation personnalisée: disponible sur les campagnes Search, Display et vidéo, pour tester une stratégie d'enchères, un texte, une page de destination ou un ciblage.
• Expérimentations Performance Max: opposent Performance Max à un autre type de campagne ou mesurent le gain apporté par-dessus votre dispositif existant.
• Tests d'assets: en 2026, l'expérimentation a été étendue pour comparer des assets créatifs à l'intérieur d'une seule campagne Performance Max ; le trafic étant réparti dans la campagne, la phase d'apprentissage est plus courte.
• Holdouts Video et Demand Gen: réservent un groupe témoin qui ne voit jamais l'annonce, pour mesurer l'effet sur la marque.

Vous pouvez programmer cinq expérimentations sur une même campagne, mais une seule tourne à la fois. Le pourcentage de répartition est verrouillé à la création : pour tester un autre ratio, il faut créer une nouvelle expérimentation.

Pourquoi la comparaison avant/après est-elle trompeuse ?

Parce qu'elle n'a pas de groupe témoin. En comparant deux périodes, vous comparez aussi tout ce qui a changé entre les deux. Même quand l'écart paraît positif, vous ne savez pas quelle part vous revient. L'expérimentation garde un groupe témoin dans la même fenêtre de temps : le bruit frappe les deux groupes à égalité et il ne reste que votre intervention.

• Saisonnalité: jour de la semaine, fin de mois, jours fériés et saison de la catégorie ne rendent jamais deux périodes équivalentes.
• Mouvements des concurrents: un concurrent qui augmente son budget ou quitte l'enchère change vos coûts sans que vous fassiez quoi que ce soit ; cela se voit d'abord sur le coût par clic.
• Phase d'apprentissage: après un changement de stratégie d'enchères, l'algorithme se recalibre et les premiers jours ne représentent pas la performance stabilisée.
• Dérive de mesure: fenêtres de conversion, changements de suivi et latence des données mesurent les deux périodes différemment.
• Retour à la moyenne: après une mauvaise semaine, toute action paraît bonne, puisque la semaine suivante allait de toute façon revenir à la normale.

Comment configurer une expérimentation de campagne ?

La configuration est plus simple que la lecture, mais c'est elle qui décide si la lecture vaut quelque chose. Avant de lancer, écrivez l'hypothèse, la métrique principale et la date de fin. Sans ces trois éléments fixés à l'avance, vous aurez à la fin assez de métriques pour retrouver la réponse que vous vouliez.

1. Écrivez une hypothèse : 'Si je raccourcis le formulaire de la page de destination, le taux de conversion augmentera.' Sans hypothèse, vous n'avez pas un test mais une curiosité.
2. Choisissez la campagne et créez un brouillon. Dans le brouillon, ne modifiez que l'unique élément de votre hypothèse.
3. Fixez la répartition à 50/50. C'est la comparaison la plus équilibrée et elle ne peut plus être modifiée après le lancement.
4. Choisissez la méthode de répartition. L'affectation par cookie garde chaque utilisateur d'un seul côté : c'est l'option recommandée.
5. Saisissez la date de début et de fin dès le départ. Une fin fixée coupe le réflexe de regarder les chiffres puis de repousser l'échéance.
6. Déclarez la métrique principale : conversions, valeur de conversion, CPA ou ROAS. Choisir à la fin celle qui arrange n'est pas une lecture honnête.

Combien de temps et combien de conversions faut-il ?

La documentation de la plateforme recommande au moins 4 à 6 semaines, davantage si votre délai de conversion est long. Mais le temps seul n'est pas le critère. La vraie contrainte est le nombre de conversions accumulées dans chaque groupe, et l'arithmétique est sévère : plus l'écart recherché est petit, plus l'échantillon nécessaire grandit, au carré. Divisez par deux l'effet recherché et il vous faut quatre fois plus de données.

• Au moins deux cycles de conversion: s'il s'écoule 10 jours entre le clic et la vente, un test de deux semaines ne raconte que la moitié de l'histoire.
• Travaillez en semaines entières: le comportement en semaine et le week-end diffère, et une demi-semaine fausse le résultat.
• Les 7 premiers jours sont exclus: la plateforme les considère comme une montée en charge, donc la première semaine ne vous donne aucune donnée de décision.
• N'expérimentez pas sur une campagne à faible trafic: avec 20 conversions par mois, le temps nécessaire pour atteindre la significativité dépasse celui pendant lequel la réponse reste pertinente.

Comment lire le résultat : que signifie la significativité ?

La significativité statistique signifie que la probabilité que l'écart observé soit dû au hasard passe sous un seuil convenu. Dans les expérimentations Google Ads, ce seuil est un niveau de confiance de 95%, et le test est bilatéral : amélioration et dégradation sont jugées avec la même sévérité. Si l'intervalle de confiance contient encore zéro, vous n'avez pas de résultat. 'Ça a l'air un peu mieux' n'est pas une conclusion.

• 95% de confiance: la probabilité que l'écart soit du bruit aléatoire reste sous les 5%.
• Test bilatéral: hausses et baisses sont jugées à la même barre ; regarder dans un seul sens masque le risque.
• Rééchantillonnage: la plateforme répartit les données en vingt blocs par groupe et estime la variance d'échantillonnage par la méthode du jackknife, plus prudente quand les données sont rares.
• L'absence de résultat est un résultat: si aucun écart n'apparaît, l'effet est probablement faible. Ce n'est pas une raison pour déployer le changement.

Pourquoi une seule variable à la fois ?

Parce que si vous changez deux choses, vous ne saurez jamais laquelle a produit le résultat. L'expérimentation vous donne un seul chiffre : l'écart entre les deux groupes. Aucune méthode ne permet de répartir ce chiffre entre trois changements. Pire, les changements peuvent s'annuler : si le nouveau texte gagne pendant que la nouvelle stratégie d'enchères perd, le total tombe à zéro et vous jetez deux bonnes idées d'un coup.

• Correct: changer uniquement la stratégie d'enchères. Nous comparons les options dans CPA cible contre ROAS cible.
• Correct: changer uniquement la page de destination sans toucher au texte d'annonce.
• Incorrect: augmenter le budget et élargir les types de correspondance dans la même expérimentation.
• Incorrect: ajouter des mots clés à exclure dans la campagne d'origine pendant le test. Modifier le groupe témoin en cours de route invalide la comparaison.
• Les créations méritent leur propre cadre: pour tester des variantes image et vidéo en série, voyez le cadre de test créatif ; même logique, autre échelle.

Quelles sont les six erreurs les plus fréquentes ?

La plupart des expérimentations ne cassent pas à la configuration mais à la lecture. Ces six erreurs rendent en pratique la majorité des résultats inutilisables.

1. Décider trop tôt: proclamer vainqueur le groupe en tête au cinquième jour. Regarder sans cesse et arrêter au premier bon moment fabrique des faux positifs ; une date de fin fixe l'évite.
2. Tester en pleine saison: Black Friday, jour férié ou grande semaine promotionnelle changent le comportement. Le résultat appartient à cette semaine et ne se transpose pas au reste de l'année.
3. Expérimentations qui se chevauchent: plusieurs tests simultanés sur le même compte interfèrent entre eux et affaiblissent la fiabilité. Enchaînez-les.
4. Choisir la métrique après coup: si les conversions ne montrent rien, se rabattre sur le taux de clics. En regardant assez de métriques, l'une finira par être significative.
5. Arrêter l'expérimentation manuellement: pour les tests qui se terminent à leur date prévue, un résultat favorable peut être appliqué automatiquement ; ceux arrêtés à la main en sont exclus.
6. Généraliser le résultat: un réglage gagnant sur une campagne peut perdre à l'échelle du compte. Une stratégie d'enchères efficace sur la marque se comporte autrement sur le générique, une nuance que l'on retrouve dans notre guide du niveau de qualité.

Où se situe Ads Sensor dans cette boucle ?

Ads Sensor ne configure pas l'expérimentation à votre place : cela reste dans l'interface Google Ads. Sa contribution se joue avant et après. Avant, il lit vos données Google, Meta, TikTok, Criteo et GA4 au même endroit et fait ressortir quelle campagne mérite un test et sur quel élément repose votre hypothèse. Après, il assure un suivi automatique des résultats avant/après sur les recommandations que vous validez et appliquez depuis le tableau de bord. Soyons clairs : ce suivi est une trace du changement appliqué, pas une preuve de causalité. Pour la causalité, il faut toujours une expérimentation. Vous pouvez rejoindre la bêta et connecter vos comptes.