Comment tester une campagne de prospection LinkedIn en A/B sans désigner un faux gagnant

Expériences de prospection

Par Moez Zhioua15 min de lecture
Deux cartes de message marquées différemment à côté de cartes de prospects réparties au hasard et d'un carnet d'expérience ouvert, illustrant une comparaison contrôlée de la prospection

La version A obtient 10 réponses positives sur 100 personnes. La version B en obtient 16 sur 100. Parler d'une hausse relative de 60 % est arithmétiquement exact. Affirmer que B est le gagnant prouvé est une autre affirmation, et ces décomptes ne suffisent pas à la justifier.

C'est là qu'un test de prospection peut coûter cher. Vous passez des semaines à peaufiner la phrase qui semblait gagner, alors qu'un mélange différent de prospects, un temps de relance inégal ou une variation ordinaire pourrait expliquer le résultat.

Avant de modifier la campagne, vous devez pouvoir expliquer qui a reçu chaque version et si l'avantage apparent pourrait raisonnablement relever de la variation. Le plan de test ci-dessous le permet, y compris lorsque la réponse est « nous ne savons pas encore ».

La fonction A/B Testing de Campaign Manager de LinkedIn concerne les ensembles de publicités payantes. Pour la prospection ordinaire, il faut conserver séparément qui a reçu chaque message et à quelle date. La méthode présentée ici utilise deux groupes contrôlés et un tableur ; elle n’exige pas d’acheter une campagne publicitaire.

01

Préparez deux groupes de campagne et un journal d’expérience

Pour un premier test, choisissez une modification que vous pouvez expliquer en une phrase. Supposons que les mêmes responsables des opérations éligibles reçoivent soit une question sur la responsabilité, soit une question sur le suivi des transmissions de projets. Gardez l’offre et les règles de relance identiques. Ces exemples sont fictifs et ne décrivent pas un message gagnant testé.

Créez un identifiant d’expérience, par exemple handoff-question-01. Nommez les groupes handoff-question-01-A et handoff-question-01-B et conservez le texte exact des messages dans le brief. Ces noms aident à rattacher les campagnes au test ; ils ne répartissent pas l’audience au hasard.

Dans le CSV téléchargeable, utilisez des dates YYYY-MM-DD et les valeurs positive, other, none ou unknown pour reply_category. Gardez un résultat manquant à unknown jusqu’à vérification ; une cellule vide ne prouve pas l’absence de réponse. Conservez les colonnes de rendez-vous et de refus pour l’analyse manuelle : l’analyseur de réponses ne classe pas ces résultats à votre place.

  1. 01

    Figez la population éligible

    Nettoyez la liste et retirez les doublons, les refus déjà connus et les contacts inadaptés avant la répartition. Attribuez une identité stable à chaque personne. Conservez l’expéditeur et le segment pour pouvoir équilibrer la répartition à l’intérieur de ces groupes si nécessaire.

  2. 02

    Effectuez la répartition une seule fois

    Dans Google Sheets, ajoutez =RAND() à chaque ligne éligible, puis copiez immédiatement cette colonne et collez uniquement les valeurs. Triez le tableau entier selon ces valeurs figées et attribuez à A et B les proportions prévues. Ne triez pas uniquement la colonne aléatoire et ne refaites pas la répartition après avoir vu les réponses.

  3. 03

    Configurez les deux campagnes correspondantes

    Utilisez une liste pour A et une pour B, avec les mêmes critères d’éligibilité, la même couverture d’expéditeurs, le même calendrier et les mêmes règles de relance. Changez uniquement l’élément testé. Avant le lancement, vérifiez quelques lignes et leur message prévu ; aucune personne ne doit figurer dans les deux listes.

  4. 04

    Exécutez les deux groupes pendant la même période

    Alternez les occasions de contact pour A et B. Enregistrez séparément l’affectation, le contact prévu et l’envoi confirmé. Gardez les échecs et les contacts non tentés visibles au lieu de les retirer discrètement des groupes d’origine.

  5. 05

    Attendez la fin de la fenêtre d’observation avant de comparer

    Appliquez à chaque personne affectée la fenêtre de réponse choisie dans le brief. Gardez les fenêtres incomplètes en attente et les données manquantes comme inconnues. Classez les réponses selon les règles écrites à l’avance, puis comparez séparément les groupes d’origine et les diagnostics d’envoi.

02

Formulez la décision avant de rédiger la version B

Partez d'une question sur laquelle vous pourriez agir. Par exemple : « Auprès des responsables des opérations d'entreprises de services récemment agrandies, interroger sur la responsabilité des passages de relais produit-il plus de conversations pertinentes qu'interroger sur la production de rapports ? » Définissez l'audience éligible et les éléments qui qualifient une entreprise avant de diviser la liste.

Choisissez un résultat principal qui correspond à l'offre. Si vous proposez une fiche pratique, une réponse positive peut signifier que le destinataire demande à la voir ou évoque le problème qu'elle traite. Un accusé de réception poli n'est pas le même résultat. Une réponse irritée non plus, même si les deux augmentent le nombre total de réponses.

Rédigez une courte grille de classement avant l'arrivée des réponses. Gardez comme mesures distinctes le total des réponses humaines, les réponses positives, les rendez-vous et les oppositions aux contacts. Lorsque c'est possible, examinez les réponses ambiguës sans savoir quelle version a été attribuée. Ne redéfinissez pas « positif » après avoir vu quelle version en profite.

Précisez si vous testez une note d'invitation, le premier message après l'acceptation ou une séquence entière. Dans un test d'invitation, l'acceptation est un résultat du traitement. Comparer les réponses ultérieures uniquement parmi les personnes qui ont accepté peut faire entrer des profils différents dans chaque groupe. Conservez une mesure portant sur la population attribuée en plus des diagnostics par étape.

Pour un test portant uniquement sur le premier message, accordez aux deux groupes un intervalle défini sans relance. Si les relances sont incluses, gardez une politique de relance cohérente et présentez le résultat comme une comparaison de ce message au sein de la séquence. Une réponse arrivée après le troisième envoi n'indique pas quelle phrase l'a provoquée.

03

Rendez explicite la différence entre les messages

Un changement ciblé rend le résultat plus facile à interpréter. Gardez constants l'expéditeur, l'offre, les règles d'audience et la politique de relance, puis modifiez la partie que vous voulez évaluer. Il peut s'agir de la question d'ouverture, de la quantité de contexte ou de la prochaine étape proposée.

Prenons cet exemple original et fictif, destiné à des entreprises dont les informations publiques confirment l'ouverture récente d'un deuxième site. Les deux messages commencent ainsi : « Bonjour Morgan, j'ai vu votre annonce concernant le deuxième site. » La version A demande ensuite : « Qui est responsable du passage de relais lorsqu'un dossier passe d'un site à l'autre ? » La version B demande : « Où consignez-vous le passage de relais lorsqu'un dossier passe d'un site à l'autre ? » Les deux se terminent par : « J'ai une courte liste de contrôle sur les passages de relais, si cela peut vous aider. » La différence testée oppose une question sur la responsabilité à une question sur la traçabilité ; il ne s'agit pas d'une nouvelle offre de produit.

Ces phrases ne conviennent que si l'annonce est réelle, si la personne est plausiblement responsable de ce travail et si la liste de contrôle promise existe. Un test n'autorise pas à inventer une relation commune, un résultat client ou un problème opérationnel.

Vous pouvez aussi comparer deux messages très différents. Appelez cela un test de message complet. Si B modifie l'accroche, l'offre et la demande, son résultat ne peut pas établir que l'accroche seule a aidé. De même, la prospection personnalisée peut constituer une politique définie : notez quelles recherches sont requises et comment elles deviennent un contexte pertinent. Elle n'impose pas d'envoyer des textes identiques à tout le monde.

Enregistrez les modèles exacts et les règles de personnalisation avec un identifiant de version. Si quelqu'un améliore B à mi-parcours, les premiers et les derniers destinataires n'ont plus reçu le même traitement. Arrêtez-vous et documentez toute correction nécessaire ; lancez une nouvelle version au lieu de mélanger discrètement les fiches.

04

Répartissez l'audience au hasard, puis figez l'attribution

Partez d'un seul ensemble dédoublonné de prospects éligibles, en excluant les personnes que vous ne devez pas contacter. Attribuez chaque personne à une version avant l'envoi. Ne réservez pas vos meilleurs prospects à la version personnalisée pour les comparer ensuite à tous les autres. N'envoyez pas A aux dix premiers résultats de recherche et B aux dix suivants : l'ordre des résultats peut refléter la pertinence ou d'autres différences.

Pour un petit ensemble géré dans un tableur, générez un nombre aléatoire pour chaque ligne éligible, collez immédiatement ces nombres en tant que valeurs, triez selon ces nombres et attribuez la part prévue à A et à B. Conservez la correspondance obtenue entre identité et version. Une formule aléatoire active qui se recalcule lorsque vous modifiez la feuille peut faire passer des personnes d'une version à l'autre.

Si plusieurs expéditeurs ou des segments sensiblement différents sont concernés, planifiez la répartition au sein de ces groupes et conservez leurs libellés. Évitez d'attribuer tous les contacts d'un expéditeur à A et ceux d'un autre expéditeur à B lorsque la question porte sur la rédaction. Gardez une analyse cohérente avec le plan de répartition ; de petits sous-groupes ne produisent pas de gagnants distincts fiables.

Alternez le calendrier d'envoi pour que les deux versions aient des occasions comparables sur la même période. Envoyer tous les A le lundi et tous les B le vendredi ajoute le moment d'envoi à la comparaison. Figez l'attribution d'une même personne lors des nouvelles tentatives et des relances ; elle ne doit pas recevoir les deux versions comme s'il s'agissait de prospects indépendants.

Lorsque plusieurs destinataires travaillent dans la même entreprise, ils peuvent discuter de vos messages. Une attribution au niveau du compte peut réduire cette interférence, mais elle modifie l'analyse : les personnes d'un même compte ne sont pas automatiquement des observations indépendantes. Les travaux de Microsoft Research sur les expériences menées auprès d'organisations expliquent pourquoi une attribution par grappes exige des calculs d'incertitude différents. Pour une liste modeste, choisir un seul contact approprié par compte peut simplifier la question initiale ; ne créez pas artificiellement de l'indépendance en comptant séparément des collègues.

La fonctionnalité de variantes d'une plateforme n'est pratique que si sa répartition, sa persistance et ses rapports correspondent à ce plan. Des campagnes distinctes peuvent aussi convenir lorsque ces conditions sont maîtrisées. Aucune de ces configurations n'est valable simplement parce qu'un tableau de bord la qualifie d'expérience.

05

Planifiez l'échantillon et le délai de réponse

Il n'existe pas de seuil universellement suffisant de 50, 100 ou 200 envois par version. L'échantillon nécessaire dépend du taux de résultat de référence, de la plus petite amélioration qui vaut la peine d'être détectée, du seuil de faux positifs choisi, de la puissance statistique souhaitée et de la répartition entre les groupes. Il dépend aussi de l'indépendance des observations. Un résultat rare comme un rendez-vous peut exiger un plan différent de celui d'un accusé de réception courant.

Utilisez un calcul conçu pour la comparaison réelle, par exemple deux proportions indépendantes si c'est votre plan d'expérience. Notez les paramètres et la méthode. Un outil qui demande une taille d'effet standardisée peut nécessiter une transformation, et non la différence brute en points de pourcentage. Une formule de proportion à un échantillon n'est pas interchangeable avec un calcul à deux bras.

Si la population éligible nécessaire dépasse ce que vous pouvez raisonnablement atteindre, revoyez à la baisse l'ambition de votre conclusion. Menez un pilote pour vérifier la clarté du message, le classement des réponses et la fiabilité des envois. Vous pouvez faire un choix opérationnel provisoire à partir d'éléments limités, mais ne le présentez pas comme un gagnant statistiquement établi et ne continuez pas à contacter des personnes inadaptées pour compléter un échantillon.

Définissez séparément l'inclusion et l'observation. Fixez le nombre de personnes que vous comptez attribuer, la dernière date d'inclusion et ce qui se passe si vous n'atteignez pas l'échantillon prévu. Fixez aussi une fenêtre de résultat identique pour chaque personne. Par exemple, vous pourriez observer les réponses positives pendant 14 jours à partir de l'occasion de premier contact programmée pour chaque personne attribuée. Quatorze jours constituent ici une convention illustrative, pas un optimum démontré. Si vous utilisez l’analyseur de réponses présenté plus bas, son délai commence à l’attribution, et non au contact programmé. Choisissez ce point de départ avant le test et conservez-le, ou analysez séparément votre fenêtre fondée sur le contact programmé.

Notez à la fois l'occasion programmée et le premier envoi réel. Un long retard d'envoi peut laisser au message moins de temps pour produire un effet dans une mesure qui évalue la politique de prospection ; c'est un problème de remise à signaler, pas un horodatage à réécrire après coup. Ne finalisez la comparaison qu'une fois que la fenêtre définie de chaque personne incluse s'est refermée. Suivez séparément les réponses ultérieures. Si les rendez-vous constituent un autre résultat, donnez-leur leur propre fenêtre déclarée à l'avance et leur propre contrôle de maturité.

06

Conservez la population attribuée et le registre des envois

Pour une expérience portant sur la politique de prospection, rapportez les résultats à l'ensemble des personnes éligibles initialement attribuées. Une personne dont la tentative échoue reste dans ce registre d'attribution. Il en va de même pour une personne qui répond, prend rendez-vous ou demande à ne plus être contactée. Retirer du dénominateur les personnes converties modifierait la population en fonction du résultat.

Gardez une vue distincte des envois, indiquant par version les envois confirmés, les échecs, les fiches non tentées et les états inconnus. Un taux de réponse descriptif parmi les destinataires confirmés peut aider à diagnostiquer l'exécution, mais il répond à une autre question que les résultats par personne attribuée. Ne passez pas de l'un à l'autre parce que l'un donne une hausse plus flatteuse.

Inconnu ne veut pas dire zéro. Si vous ne pouvez pas déterminer si des messages ou des réponses ont été enregistrés, signalez les résultats manquants et enquêtez. Conservez les lignes d'attribution, mais ne présentez pas la comparaison de leurs résultats comme complète. Vérifiez si nécessaire les fils natifs avant de réessayer un envoi ambigu ; une erreur logicielle ne prouve pas forcément que rien n'a été envoyé.

Comparez la répartition observée au plan. Un petit écart d'effectif ne prouve pas automatiquement que la répartition est défaillante. Un déséquilibre important et statistiquement inattendu peut révéler un problème d'attribution, de journalisation ou de filtrage. Les recommandations de Microsoft sur le déséquilibre du ratio d'échantillonnage sont utiles ici : examinez le mécanisme avant de vous fier au résultat.

Tenez un bref journal d'événements à côté de la synthèse : clé d'identité, compte, expéditeur, version, heure d'attribution, occasion programmée, envois réels, preuve du résultat, statut d'opposition et éventuelles corrections. Ne conservez que les informations sur les prospects nécessaires au travail et limitez-en l'accès.

07

Analysez le résultat 10 contre 16

Revenons à l'exemple fictif. Deux cents prospects éligibles et indépendants sont répartis au hasard, 100 par version. Tous reçoivent un envoi confirmé et terminent la même fenêtre d'observation. Aucun résultat ne manque. Dans cet exemple, les dénominateurs « personnes attribuées » et « destinataires confirmés » sont donc égaux ; ce ne sera pas toujours le cas en pratique.

Les catégories ci-dessous reposent sur la première réponse humaine de chaque personne. Positive, autre réponse humaine et aucune réponse humaine sont mutuellement exclusives. Les oppositions constituent un indicateur supplémentaire de contrôle des contacts au sein du groupe « autre réponse humaine », et non des personnes supplémentaires. Ces chiffres illustrent l'interprétation ; ce ne sont ni des résultats réels d'OutreachGenie ni une taille d'échantillon recommandée.

Exemple pédagogique fictif. Les catégories de réponse totalisent 100 dans chaque groupe ; les indicateurs d'opposition recoupent ces catégories. L'échantillon ne permet pas de désigner une version gagnante.
Résultat à la date d'arrêt fixeVersion AVersion B
Personnes attribuées avec envoi confirmé100100
Premières réponses humaines positives1016
Autres premières réponses humaines1210
Aucune réponse humaine7874
Tous les répondants humains22 / 100 = 22 %26 / 100 = 26 %
Taux de réponses positives10 / 100 = 10 %16 / 100 = 16 %
Indicateurs d'opposition parmi les autres réponses23
08

Distinguez la hausse observée de la conclusion

Le taux de réponses positives de B est supérieur de 6 points de pourcentage : 16 % moins 10 %. Par rapport aux 10 % de A, cela représente une hausse de 60 %. Présentez les deux, avec 10 sur 100 contre 16 sur 100. Un pourcentage relatif élevé peut correspondre à un petit nombre de réponses supplémentaires.

Avec un test z bilatéral comparant deux proportions indépendantes, avec variance commune et sans correction de continuité, ces décomptes fictifs donnent z d'environ 1,262 et p d'environ 0,207. Le calcul utilise l'incertitude des deux groupes, comme le précise la formule du NIST. Il n'atteint pas un seuil de 0,05 choisi à l'avance. Des décomptes faibles ou des observations dépendantes exigent une méthode adaptée à ces conditions, et non la réutilisation automatique de cet exemple.

Selon ce test, ce résultat ne permet pas de conclure à une différence. Il ne prouve pas que les messages ont des performances égales. Et p = 0,207 ne signifie pas non plus une probabilité de 20,7 % que B soit le mauvais choix, ni une probabilité de 79,3 % que B soit meilleur. L'American Statistical Association distingue explicitement les valeurs p des probabilités qu'une hypothèse soit vraie.

Pour la même comparaison fictive B moins A, un intervalle de Newcombe à 95 %, construit à partir des intervalles de Wilson de chaque proportion, va d'environ -3,5 à +15,5 points de pourcentage. Il inclut une baisse modeste aussi bien qu'une amélioration importante. Cette plage, calculée pour des échantillons binomiaux indépendants sans correction de continuité, rend l'incertitude plus utile que la seule hausse mise en avant. Elle ne signifie pas qu'il y a 95 % de probabilité que la différence réelle, qui est fixe, se trouve dans cet intervalle précis.

Comparez cette incertitude à l'amélioration qui compterait sur le plan commercial. Même des éléments solides en faveur d'un effet minime peuvent ne pas justifier beaucoup plus de temps de recherche par message. Avec des éléments limités, vous pouvez tout de même choisir provisoirement la version la moins coûteuse, documenter pourquoi et y revenir lorsque de nouveaux éléments utiles apparaissent.

Lisez les réponses réelles et vérifiez les oppositions avant d'adopter l'une ou l'autre version. Ici, B compte un indicateur d'opposition de plus, mais ces petits décomptes n'établissent pas de différence fiable en matière d'effets négatifs. Chaque opposition doit tout de même être respectée. L'incertitude statistique sur un taux n'est pas une incertitude sur la demande d'arrêt formulée par une personne.

09

Surveillez les effets négatifs sans tester jusqu'à ce qu'une version gagne

Surveillez les échecs de remise, les plaintes, les personnalisations erronées et les avertissements visant le compte pendant le test. Mettez immédiatement en pause toute prospection nuisible ou défaillante. Garder une expérience inchangée n'est pas une raison de continuer à envoyer une affirmation fausse ou d'ignorer une demande d'arrêt.

Pour les décisions statistiques, suivez le plan d'arrêt. Recalculer chaque jour une valeur p ordinaire à échantillon fixe et s'arrêter la première fois qu'elle franchit le seuil de 0,05 peut gonfler les faux positifs. Prolonger un résultat défavorable ou non concluant jusqu'à ce qu'il devienne favorable crée le même type de problème de sélection. Des méthodes séquentielles valides existent, mais elles doivent réellement tenir compte des consultations répétées.

Les recommandations de Microsoft en matière d'expérimentation distinguent la surveillance opérationnelle précoce des conclusions statistiques fiables. Appliquez cette distinction ici : examinez les problèmes dès maintenant, tout en réservant la désignation du gagnant à l'analyse prévue, sauf si vous disposez d'un plan séquentiel adapté.

Si vous examinez de nombreuses versions, de nombreux indicateurs ou de nombreux segments d'audience, l'un d'eux peut sembler prometteur par hasard. Décidez à l'avance de la comparaison principale. Présentez un résultat inattendu dans un sous-groupe comme exploratoire et, s'il compte, prévoyez un nouveau test correctement planifié. Ne remplacez pas discrètement la question initiale par celle qui a produit la plus petite valeur p.

10

Quel outil utiliser pour tester une campagne LinkedIn en A/B ?

Pour un petit pilote contrôlé, utilisez Google Sheets comme journal d’affectation et d’expérience. Il rend visibles l’association entre personne et variante, les versions des messages et les définitions des résultats. Réservez l’accès aux personnes qui gèrent le test ; ne partagez pas publiquement un tableau contenant l’identité des prospects.

OutreachGenie propose un test A/B natif des campagnes dans les offres Pro et Agency. Un test compare deux à quatre séquences complètes au sein d’une même campagne. La séquence A est la séquence actuelle de la campagne, et chaque séquence reçoit une part des nouveaux leads (au moins 5 %). Les nouveaux leads sont répartis au hasard selon ces parts et restent sur la séquence qui leur est attribuée. L’objectif est le taux de réponse ou le taux d’acceptation. Par défaut, la campagne passe à la séquence en tête dès que sa probabilité estimée d’être la meilleure atteint 95 % et que chaque séquence compte au moins 300 leads dont la fenêtre de réponse est close. Vous pouvez aussi choisir d’être prévenu et désigner vous-même le gagnant.

L’analyseur gratuit de réponses peut examiner un CSV fourni par l’utilisateur par variante, signaler des identités contradictoires et séparer les fenêtres incomplètes des résultats observés. Associez explicitement les champs de date d’affectation, d’envoi confirmé et de première réponse. Sa fenêtre commence à la date d’affectation et utilise des dates calendaires entières ; une autre horloge d’expérience ou une limite à l’heure exige sa propre analyse. C’est un contrôle descriptif, pas un test de significativité ni une preuve de répartition aléatoire.

Avant d’adopter un outil de test natif, vérifiez quatre points : sa méthode d’affectation, la persistance de celle-ci après les nouvelles tentatives et modifications, la population utilisée pour chaque taux et le traitement des résultats manquants ou incomplets. Un outil qui expose ces données peut réduire le travail. Un badge de gagnant inexpliqué ne les remplace pas.

11

Enregistrez la décision, même non concluante

Tenez une fiche d'expérience concise comprenant l'hypothèse, l'audience éligible, les versions figées, la méthode d'attribution, le plan d'échantillonnage, la grille de classement des réponses, les fenêtres, les règles d'arrêt, les résultats et les limites. Ajoutez la décision opérationnelle et sa raison. « Nous avons gardé A parce que le résultat n'était pas concluant et que B exigeait plus de recherche » est une trace utile. « B a gagné de 60 % » sans les décomptes ne l'est pas.

Dans OutreachGenie, l’onglet Test A/B affiche pour chaque séquence ses leads, ses taux de réponse et d’acceptation et sa probabilité d’être la meilleure, et le tableau des leads peut être filtré par séquence. Le passage à la séquence gagnante peut être annulé pendant sept jours, et un test sans gagnant net s’arrête au plus tard après 60 jours. Tenez votre propre registre de l’hypothèse, des versions des messages et de la décision. Le taux de réponse compte toutes les réponses : classez vous-même les réponses positives et négatives.

Après avoir adopté une version, continuez à vérifier la remise et la qualité des conversations. Considérez une nouvelle audience, une nouvelle offre ou une nouvelle politique d'envoi comme un contexte modifié. Le résultat vaut pour la population et les conditions testées ; ce n'est pas un classement définitif de deux phrases.

Des questions qui se posent dans la pratique

Questions courantes

De combien de prospects LinkedIn ai-je besoin pour un test A/B ?

Il n'existe pas de minimum universel qui permette d'établir un gagnant fiable. Planifiez en fonction du taux de résultat de référence, du plus petit changement utile, de la puissance, du seuil d'erreur, de la répartition et des hypothèses d'indépendance. Utilisez un calcul adapté à votre plan réel. Si l'ensemble éligible est trop petit, menez un pilote clairement présenté comme tel au lieu de traiter un nombre d'envois arbitraire comme une preuve.

Combien de temps doit durer un test de messages LinkedIn ?

Laissez se terminer la période d'inclusion prévue et une fenêtre de réponse identique pour tous. Un test de deux semaines sur le calendrier ne donne pas à chaque destinataire deux semaines pour répondre. Fixez une fenêtre pour chaque occasion de contact attribuée, notez les retards d'envoi et attendez que la fenêtre de la dernière personne se ferme. La durée appropriée dépend du résultat mesuré et de votre contexte opérationnel.

Puis-je faire un test A/B de messages manuellement ?

Oui. Utilisez une liste éligible figée, une attribution aléatoire, des versions de message enregistrées, un calendrier d'envoi comparable et un registre des résultats. Un tableur peut contenir le plan, mais les formules aléatoires actives doivent être figées pour que les attributions ne changent pas. L'envoi manuel ne dispense pas d'une analyse adaptée ni de pratiques de contact respectueuses.

Dois-je ne modifier qu'une seule partie du message ?

Modifiez un seul élément lorsque vous voulez comprendre l'effet de cet élément. Comparer deux messages complets est aussi possible, mais le résultat s'applique à l'ensemble, pas à une phrase isolée. Dans les deux cas, la répartition et l'exposition doivent permettre la comparaison ; modifier une seule variable ne suffit pas à établir un lien de causalité.

Et si aucun message ne l'emporte ?

Présentez le résultat comme non concluant, sauf si une analyse adaptée permet une conclusion plus précise. Ne le présentez pas comme la preuve d'une égalité. Gardez la version la plus claire ou la moins coûteuse comme choix opérationnel provisoire si c'est pertinent, corrigez les problèmes d'exécution et ne planifiez un nouveau test que si l'information probable en vaut la peine.

Le test A/B de LinkedIn Ads équivaut-il à un test de messages de prospection ?

Non. Les campagnes payantes disposent de leurs propres systèmes de diffusion, de ciblage et de rapports. Un paramètre de rotation des publicités ou une discussion sur le chevauchement d'audiences ne suffit pas à établir un test valable de messages directs. Définissez séparément l'audience de prospection ordinaire, l'attribution, la politique de messages et les résultats par personne.

OutreachGenie propose-t-il un test A/B natif des campagnes ?

Oui, dans les offres Pro et Agency. Un test A/B de campagne compare deux à quatre séquences complètes, leur répartit les nouveaux leads au hasard selon leur part et mesure le taux de réponse ou d’acceptation. Il peut passer automatiquement à la séquence gagnante ou vous laisser la choisir. La méthode manuelle de ce guide reste utile avec l’offre gratuite et pour garder un registre indépendant.

Quel outil permet de suivre un test A/B LinkedIn manuel ?

Google Sheets peut conserver une affectation fixe entre personne et variante, les versions des messages et les résultats. OutreachGenie permet d’organiser les listes et campagnes correspondantes. L’analyseur de réponses fournit un contrôle descriptif du CSV ; il ne démontre ni répartition aléatoire ni significativité statistique.

Recherche utilisée pour ce guide

Ouvrez l'espace de travail et essayez-le avec une petite liste révisée.

Essayez le flux de travail