Optimiser le tunnel de conversion avec l'IA : du problème repéré au test qui mesure le résultat

Le site attire des visites, les campagnes apportent des contacts, et pourtant les contrats n’augmentent pas. La tentation est d’ajouter quelque chose : un chatbot, une nouvelle landing page, une automatisation qui envoie trois e-mails de plus. Avant d’ajouter, il vaut mieux comprendre où le parcours s’interrompt. Un tunnel se grippe en général à quelques endroits précis, et souvent pas là où l’on regarde en premier.

La réponse courte est la suivante : un tunnel s’optimise un goulet d’étranglement à la fois, avec un cycle en six étapes. On observe où les gens s’arrêtent, on diagnostique la cause probable, on la transforme en hypothèse qui puisse être réfutée, on la teste, on mesure le résultat et on recommence avec le goulet suivant. L’intelligence artificielle accélère les étapes fastidieuses : elle lit des centaines de sessions enregistrées, signale les anomalies dans les données, regroupe les motifs de rejet des leads, propose des variantes de texte. Quel problème compte, quel risque accepter et si un test a vraiment fonctionné, c’est une personne qui connaît l’entreprise qui le décide.

Cet article parle du système qui se trouve après le clic : site, formulaires, réponse commerciale et CRM. Si vous vous intéressez à la façon dont l’IA gère les campagnes en amont, Gaetano en parle dans ce qu’il faut automatiser dans les campagnes publicitaires. Si vous voulez d’abord vérifier que les chiffres sur lesquels vous travaillez sont fiables, commencez par l’article de Milica sur la vérification des données du clic à la vente.

Qu’est-ce qu’un goulet d’étranglement dans le tunnel ?

Un goulet d’étranglement est l’endroit du parcours où l’on perd une part de personnes disproportionnée par rapport aux autres étapes, ou bien où le temps de passage s’allonge sans raison. C’est l’étape qui limite le résultat de tout le reste : si peu de monde y passe, améliorer les autres étapes ne sert pas à grand-chose.

En B2B et dans les services, les goulets les plus fréquents se situent dans cinq zones :

• la page d’atterrissage, qui promet autre chose que l’annonce ou qui est lente sur mobile ;
• le formulaire, avec trop de champs, des erreurs de validation ou un envoi sans confirmation ;
• la réponse, quand le contact arrive mais que personne ne le rappelle pendant deux jours ;
• la qualification, quand le marketing et les commerciaux n’ont pas le même critère de bon lead ;
• l’offre, quand le devis part tard ou ne répond pas à la question posée par le client.

Seules les deux premières se trouvent sur le site. Les trois autres sont dans les processus, et ce sont celles qu’une analyse limitée à Google Analytics ne voit pas.

Pourquoi ne pas automatiser un goulet d’étranglement avant de l’avoir compris ?

Parce qu’une automatisation accélère ce qui existe, erreurs comprises. Si les contacts se perdent parce que le formulaire demande des informations que le client n’a pas, une séquence d’e-mails automatiques envoie des messages à des gens qui n’ont jamais fini de le remplir. Si les leads refroidissent parce que le commercial ne sait pas de quelle campagne ils viennent, un chatbot qui en collecte davantage allonge la file d’attente.

L’automatisation vient après le diagnostic. On comprend d’abord où et pourquoi le parcours s’interrompt, puis on décide si la bonne correction est une automatisation, une modification de la page, une règle dans le CRM ou une conversation entre marketing et ventes. Nous expliquons comment mettre en place les automatisations quand elles sont utiles dans le guide sur l’automatisation des processus d’entreprise avec n8n.

Le cycle d’optimisation en six étapes

La méthode est toujours la même, qu’il s’agisse d’un e-commerce ou d’une entreprise de mécanique qui reçoit des demandes de devis. Ce sont les outils et les délais qui changent.

Étape	Question	Outils types	Où l’IA aide	Qui décide
1. Observation	Où les gens s’arrêtent-ils ?	Exploration de l’entonnoir GA4, enregistrements et cartes de chaleur, rapports du CRM	Signale les anomalies, résume les sessions enregistrées	Ceux qui ont la vue d’ensemble : marketing et commerciaux ensemble
2. Diagnostic	Pourquoi s’arrêtent-ils justement là ?	Sessions, notes des commerciaux, motifs de rejet	Regroupe les textes libres et les récurrences	Ceux qui connaissent le produit et les clients
3. Hypothèse	Que change-t-on et qu’attend-on ?	Un document partagé	Propose des formulations et des variantes	Le responsable du tunnel
4. Test	Comment vérifier sans se faire d’illusions ?	Tests A/B, tests des plateformes, essai sur le processus	Prépare des variantes de texte et de mise en page	Celui qui valide les risques et le budget
5. Mesure	Est-ce que ça a vraiment marché ?	Données du test, CRM, chiffre d’affaires	Calculs, synthèses	Celui qui lit les données avec un esprit critique
6. Itération	Quel est le goulet suivant ?	Liste des hypothèses	Réordonne la liste	Le responsable du tunnel

Le cycle fonctionne s’il reste petit : un goulet à la fois, une hypothèse par test, une date à laquelle on regarde le résultat.

Observer : comment combiner données quantitatives et signaux qualitatifs ?

Les données quantitatives disent où les gens s’arrêtent, les données qualitatives suggèrent pourquoi. Il faut les deux, et chacune seule peut induire en erreur.

Les chiffres : entonnoirs, chemins et anomalies dans GA4

Dans Google Analytics 4, l’exploration de l’entonnoir de conversion montre les étapes que les gens franchissent pour accomplir une tâche et combien arrivent à chacune. On peut choisir un entonnoir ouvert (on entre par n’importe quelle étape) ou fermé (on part de la première) et le ventiler par appareil, source ou page d’entrée. L’exploration de chemin fait le travail inverse : elle part d’un point d’arrivée, par exemple l’envoi d’un formulaire, et montre d’où les gens y sont arrivés.

Les insights d’Analytics utilisent le machine learning pour signaler des variations inhabituelles. On peut créer jusqu’à 50 insights personnalisés par propriété, y compris avec la condition « présente des anomalies », qui laisse à Google le choix du seuil, et recevoir une alerte par e-mail. C’est le premier usage pratique de l’IA dans l’observation : un système qui regarde les données tous les jours et lève la main quand quelque chose change.

Une limite à connaître : avec le Consent Mode, pour ceux qui refusent les cookies, GA4 peut estimer le comportement par modélisation, à condition que la propriété dépasse des seuils minimaux de trafic. Une partie des chiffres du tunnel est donc estimée. Pour comparer des étapes entre elles, cela convient ; pour compter les personnes une par une, non.

Les signaux : enregistrements, clics dans le vide et notes des commerciaux

Microsoft Clarity est gratuit : il enregistre les sessions, crée des cartes de chaleur et calcule quelques signaux de frustration. Deux sont utiles pour trouver les goulets sur le site (définitions officielles) : les rage clicks, c’est-à-dire des clics répétés et rapprochés dans la même zone, et les dead clicks, des clics sur un élément qui ne réagit pas dans un délai raisonnable. Un formulaire qui accumule des rage clicks sur le bouton d’envoi a presque toujours un problème de validation ou de chargement.

Regarder cinq cents enregistrements n’est pas tenable. C’est là que l’IA fait la différence : Copilot dans Clarity résume une session, un groupe de sessions et les cartes de chaleur en quelques lignes. Microsoft prévient elle-même que l’IA générative peut mal interpréter ou produire des informations erronées : les résumés indiquent donc quelles sessions regarder, ils ne remplacent pas le visionnage.

Les signaux qualitatifs les plus précieux ne se trouvent toutefois pas sur le site : ce sont les notes des commerciaux, les motifs de rejet dans le CRM, les questions que les clients posent au téléphone. Un export des champs de texte libre des six derniers mois, confié à un modèle de langage qui les regroupe par thème, fait apparaître en une heure des schémas que personne n’avait mis bout à bout : « ils demandent toujours les délais de livraison », « le prix arrive trop tard dans la conversation », « le formulaire ne demande pas le secteur et le commercial doit rappeler ».

Diagnostiquer : comment passer d’une anomalie à une cause probable ?

Une anomalie est un symptôme. Un taux d’envoi du formulaire qui baisse de 30 % en une semaine peut venir d’une erreur introduite lors de la dernière mise à jour du site, d’un changement dans la composition du trafic (une nouvelle campagne qui amène des personnes moins intéressées), d’un problème de suivi ou d’un effet saisonnier. Le diagnostic consiste à réduire le nombre d’explications possibles.

Trois questions aident :

1. Est-ce un problème de données ou de tunnel ? Avant de chercher des causes commerciales, vérifiez que la balise fonctionne, que l’événement s’enregistre toujours et que le consentement n’a pas changé. Dans le livre de Kohavi, Tang et Xu sur les expériences en ligne, un chapitre entier est consacré à la loi de Twyman : toute donnée qui semble intéressante ou inhabituelle est probablement fausse. Cela vaut aussi pour les baisses.
2. Cela concerne-t-il tout le monde ou un segment ? Ventilez par appareil, source, page d’entrée et visiteur nouveau ou connu. Si la baisse est entièrement sur mobile à partir d’une certaine date, la cause est technique ; si elle est entièrement sur une campagne, c’est une question de public ou de message.
3. Que disent les personnes qui se sont arrêtées ? Les enregistrements de ce segment et les notes des commerciaux confirment ou infirment la piste.

L’IA aide à parcourir les combinaisons et à rassembler les sources, et il vaut mieux l’utiliser ici comme un collègue qui pose des questions : « donne-moi cinq explications alternatives à cette baisse et les données qu’il faudrait pour les écarter ». Le choix de la piste à suivre revient à celui qui connaît le contexte : un salon professionnel, une grille tarifaire modifiée, un commercial en congé.

Comment rédiger une hypothèse vérifiable ?

Une hypothèse vérifiable dit ce que vous changez, ce que vous attendez, pourquoi, comment vous le mesurez et dans quel délai. Si aucun résultat ne peut la réfuter, ce n’est pas une hypothèse.

Le format que nous utilisons :

Si [modification], alors [indicateur] passera de [valeur actuelle] à [valeur attendue] parce que [cause observée], nous le mesurons avec [source] d’ici [date ou volume].

Un exemple hypothétique, avec des chiffres inventés pour l’exemple : « Si nous retirons du formulaire de demande de devis les champs numéro de TVA et adresse, que le commercial recueille de toute façon au premier appel, alors le taux d’envoi sur mobile passera de 18 % à au moins 24 %, parce que les enregistrements montrent des abandons sur le champ numéro de TVA. Nous le mesurons avec l’événement d’envoi dans GA4 et le nombre de demandes dans le CRM, après 400 visites par variante. »

Deux détails font la différence. Le premier : l’indicateur de contrôle dans le CRM, car un formulaire plus court peut apporter plus de contacts, mais de moins bonne qualité. Le second : le seuil minimal fixé à l’avance, pour que personne ne soit tenté de clore le test quand le résultat lui plaît.

Ici, l’IA est utile pour élargir l’éventail : on peut lui demander dix hypothèses différentes pour le même symptôme, ou cinq variantes du texte du bouton. Choisir laquelle tester et quelle valeur attendre est une décision de celui qui assume la responsabilité du résultat.

Que corriger sans tester ?

Tout ne se teste pas. Un test sert quand il existe deux options raisonnables et qu’on ne sait pas laquelle fonctionne le mieux. Quand quelque chose est cassé, on le répare.

Entrent dans cette catégorie :

• les formulaires qui ne s’envoient pas sur certains navigateurs, les champs obligatoires qui ne devraient pas l’être, les messages d’erreur incompréhensibles ;
• les pages lentes : les Core Web Vitals ont des seuils publics et mesurables, à savoir un LCP de 2,5 secondes maximum, un INP de 200 millisecondes maximum et un CLS de 0,1 maximum, évalués sur le 75e centile des visites (web.dev) ;
• les liens cassés, les numéros de téléphone non cliquables sur mobile, les confirmations d’envoi qui n’arrivent pas ;
• les leads qui restent sans propriétaire dans le CRM.

Sur ces points, l’IA est utile pour les trouver vite (un contrôle automatique des formulaires, une lecture des journaux d’erreurs), et la correction se vérifie par un contrôle avant et après, sans groupe témoin.

Tester : quels types de tests peut-on faire ?

Cela dépend de ce que vous changez et du trafic dont vous disposez. Il existe trois familles.

Tests A/B sur le site

On montre deux versions d’une page à deux groupes de visiteurs tirés au hasard et on compare l’indicateur visé. Google Optimize, l’outil gratuit que beaucoup utilisaient, n’est plus disponible depuis le 30 septembre 2023 ; Google cite comme alternatives des outils tiers intégrés à Analytics, comme AB Tasty, Optimizely et VWO.

La vraie limite est statistique. Pour voir une petite différence, il faut beaucoup de monde : la règle pratique d’Evan Miller estime l’échantillon par variante à 16 × p(1−p) / δ², où p est le taux de conversion actuel et δ la différence minimale que vous voulez détecter (How Not To Run an A/B Test). Avec un taux de 5 % et une différence à détecter d’un point de pourcentage, il faut environ 7 600 visites par variante. Beaucoup de sites B2B ne les atteignent pas dans des délais raisonnables.

Le même article explique l’erreur la plus courante : regarder le test tous les jours et l’arrêter dès qu’il devient significatif. En procédant ainsi à chaque nouvelle observation, un test paramétré à 5 % de faux positifs en produit 26,1 %. La taille de l’échantillon se décide à l’avance et se respecte.

Tests des plateformes publicitaires

Quand le goulet d’étranglement est le message ou la page de destination des campagnes, on peut utiliser les outils natifs. Les tests personnalisés de Google Ads créent une campagne d’essai à partir d’une campagne existante et répartissent le trafic et le budget, avec une répartition fondée sur les cookies où chaque personne ne voit qu’une version. Le test A/B de Meta divise le public en groupes qui ne se chevauchent pas et compare une variable à la fois.

Essais sur le processus

Beaucoup de goulets ne se testent pas avec un logiciel, parce qu’ils sont dans la façon de travailler. Le délai de réponse aux leads en est l’exemple classique. Une étude publiée dans la Harvard Business Review en 2011, The Short Life of Online Sales Leads, a analysé 1,25 million de leads de 42 entreprises américaines : celles qui contactaient le client potentiel dans l’heure avaient une probabilité de le qualifier presque sept fois plus élevée que celles qui attendaient ne serait-ce qu’une heure de plus. C’est une donnée vieille de quinze ans et issue d’un autre marché, à prendre donc comme une indication, pas comme une prévision.

L’essai se fait ainsi : pendant un mois, toutes les demandes arrivées aux heures de bureau reçoivent un appel dans l’heure, avec une alerte automatique au commercial et une règle de réattribution si personne ne répond. On compare le taux d’opportunités avec celui des mois précédents, en gardant un œil sur la saisonnalité et la composition des campagnes. Ce n’est pas une expérience contrôlée, et il faut le dire : c’est un essai avant/après qui donne une indication, à répéter si le résultat est incertain.

À ce stade, les bonnes automatisations sont celles qui pérennisent la correction : l’alerte au commercial, la réattribution, le score qui classe les leads par priorité.

Mesurer : comment savoir si le test a fonctionné ?

Un test est réussi quand l’indicateur visé s’est amélioré, que les indicateurs de contrôle ne se sont pas dégradés et que le résultat tient au-delà de la période du test.

Pour l’évaluer, il faut trois lectures :

• l’indicateur visé, lu uniquement une fois l’échantillon prévu atteint ;
• les indicateurs de contrôle en aval : leads qualifiés, opportunités, contrats dans le CRM. Une hausse des formulaires envoyés qui n’arrive pas dans le pipeline n’est pas un succès ;
• la durée : les nouvelles variantes attirent parfois l’attention simplement parce qu’elles sont nouvelles. Revérifier après quelques semaines évite de prendre la nouveauté pour une amélioration.

Si les indicateurs de contrôle dépendent du CRM, il faut avant tout savoir que ses données sont fiables et reliées aux campagnes : nous expliquons comment faire dans du lead au contrat.

Ce que l’IA peut faire et ce qui demande une décision humaine

L’IA est intéressante là où il y a beaucoup de matière à lire et peu de jugement à exercer. Les décisions qui comportent un risque pour l’entreprise restent à une personne.

Activité	L’IA peut	Il faut une personne pour
Surveiller les données	Signaler chaque jour les anomalies et les changements de tendance	Savoir si l’anomalie est réelle ou un problème de suivi
Lire les sessions enregistrées	Résumer des groupes de sessions et indiquer celles à regarder	Regarder les sessions signalées et confirmer le problème
Analyser le CRM	Regrouper par thème les motifs de rejet et les notes libres	Interpréter les thèmes à la lumière du produit, des prix et des clients
Formuler des hypothèses	Proposer des explications alternatives et des variantes	Choisir quelle hypothèse tester et quel effet attendre
Préparer le test	Rédiger des variantes de texte, calculer l’échantillon	Valider les messages, les promesses commerciales et les risques
Lire le résultat	Faire les calculs, préparer une synthèse	Décider d’appliquer, de répéter ou d’abandonner
Pérenniser la correction	Gérer les alertes, les réattributions, les séquences	Fixer les règles, les exceptions et les responsabilités

Une règle simple : tout ce que le client voit ou entend, c’est-à-dire textes, prix, promesses et délais, passe par une validation humaine avant d’être mis en ligne.

Comment choisir par où commencer ?

Quand il y a dix hypothèses et du temps pour deux, il faut des critères explicites. Les grilles les plus connues sont ICE (impact, confiance, facilité), popularisée par Sean Ellis, et PIE (potentiel, importance, facilité), proposée par Chris Goward (une synthèse de la méthode PIE). Nous ajoutons un quatrième critère qui pèse lourd sur les sites B2B : le risque.

Critère	Question	Exemple de note élevée
Impact	Combien de personnes et quelle valeur passent par ce point ?	Le formulaire d’où arrivent toutes les demandes de devis
Confiance	Combien de sources indépendantes confirment le problème ?	GA4, les enregistrements et les commerciaux disent la même chose
Effort	Combien coûtent la modification et le test ?	Une modification de texte publiée en une heure
Risque	Que se passe-t-il si la variante aggrave les choses ?	Faible : on revient en arrière en un clic, aucun engagement envers les clients

Les notes servent à discuter, pas à calculer. Deux personnes qui notent différemment la même hypothèse disposent d’informations différentes, et c’est justement cette conversation qu’il faut avoir.

Comment traiter les données personnelles quand on les confie à une IA ?

Les enregistrements de sessions, les exports du CRM et les notes des commerciaux contiennent des données personnelles. Le RGPD exige que les données soient « adéquates, pertinentes et limitées à ce qui est nécessaire » au regard des finalités (article 5 du règlement (UE) 2016/679). En pratique : avant de charger un export dans un outil d’IA, retirez les noms, e-mails, téléphones et raisons sociales, et utilisez des outils dont le contrat exclut l’entraînement sur vos données. Les outils d’enregistrement doivent être configurés pour masquer les champs des formulaires. Si vous voulez savoir comment encadrer l’usage de l’IA dans l’entreprise avec des règles claires, nous en parlons sur la page consacrée à la formation AI Act.

Les erreurs à éviter

Partir de l’outil. « Mettons un chatbot » n’est pas un diagnostic. D’abord le goulet d’étranglement, ensuite la solution.

Optimiser la mauvaise étape. Améliorer le taux de clics d’une landing page quand le problème est que personne ne rappelle les contacts ne fait qu’allonger la file.

Arrêter les tests quand le résultat plaît. La taille de l’échantillon se décide à l’avance. Regarder tous les jours multiplie les faux positifs.

Ne mesurer que la première étape. Un formulaire plus court qui apporte de moins bons leads n’est pas une amélioration. Les indicateurs de contrôle sont dans le CRM.

Prendre pour argent comptant le résumé de l’IA. Un résumé indique où regarder. La confirmation vient en regardant.

Tout tester. Les erreurs, les pages lentes et les formulaires cassés se corrigent sans test.

La checklist du premier cycle

• Dessinez le tunnel complet, du clic au contrat, avec un responsable pour chaque étape.
• Vérifiez que les principaux événements s’enregistrent dans GA4 et que les demandes arrivent dans le CRM avec la source renseignée.
• Construisez une exploration de l’entonnoir dans GA4 et ventilez-la par appareil et par source.
• Activez les enregistrements et les cartes de chaleur avec masquage des champs, et regardez les sessions avec rage clicks et dead clicks sur les pages clés.
• Exportez les motifs de rejet et les notes du CRM, retirez les données personnelles et faites regrouper les thèmes.
• Choisissez un goulet d’étranglement et rédigez l’hypothèse au format « si, alors, parce que, nous le mesurons avec, d’ici ».
• Corrigez tout de suite ce qui est cassé ; pour le reste, décidez du type de test, de l’échantillon minimal et des indicateurs de contrôle.
• Fixez la date de lecture du résultat et la personne qui décidera de la suite.

Vous voulez savoir où se bloque votre tunnel ?

Nous analysons le parcours complet, des campagnes au contrat : données GA4, comportement sur le site, formulaires, délais de réponse et CRM. À la fin, vous recevez la carte des goulets d’étranglement, les trois premières hypothèses à vérifier et un plan de tests proportionné à votre trafic. Nous travaillons sur l’analyse des données, sur les sites web et sur l’automatisation marketing qui pérennise les corrections.

Vous pouvez réserver un appel avec Federico ou nous écrire via le formulaire de contact. Si le goulet d’étranglement n’est pas là où vous le pensiez, nous vous le dirons.

Questions fréquentes

Combien de trafic faut-il pour un test A/B ?

Cela dépend du taux de conversion actuel et de la différence que vous voulez détecter. Avec un taux de 5 % et une différence d’un point de pourcentage, il faut environ 7 600 visites par variante. Avec moins de trafic, mieux vaut tester des changements plus importants, faire des essais avant/après ou travailler sur les goulets du processus commercial.

Quels outils faut-il pour commencer ?

Pour démarrer, il suffit de Google Analytics 4 avec les principaux événements configurés, d’un outil gratuit d’enregistrement des sessions comme Microsoft Clarity et d’un CRM où chaque demande a une source, un statut et un motif de rejet. Un outil de test A/B ne sert que lorsque le trafic le permet.

L’IA peut-elle optimiser le tunnel toute seule ?

Non. Elle peut signaler des anomalies, résumer des sessions, regrouper des retours et proposer des variantes. Choisir le problème à traiter, valider ce que voit le client et décider si un test a fonctionné demande une personne qui connaît l’entreprise et en assume la responsabilité.

À quelle fréquence répéter le cycle d’optimisation ?

Le cycle se termine quand un test atteint l’échantillon fixé. Avec le trafic de beaucoup de sites B2B, il faut deux à six semaines par cycle. La surveillance des anomalies, elle, est continue.

Quelle différence entre CRO et optimisation du tunnel ?

Le CRO (conversion rate optimization) se concentre en général sur les pages du site. L’optimisation du tunnel couvre aussi ce qui se passe après l’envoi du formulaire : réponse, qualification, offre et signature. En B2B, les goulets d’étranglement les plus coûteux se trouvent souvent dans cette seconde partie.