A/B Test Sample Size Calculator
Calculez la taille d'échantillon nécessaire pour un test A/B statistiquement fiable. Estimez la durée du test en fonction de votre trafic quotidien.
Paramètres du test
Ex : 5% signifie 5 conversions pour 100 visiteurs
Amélioration relative attendue (5.0% → 5.5%)
Probabilité de ne pas déclarer un faux positif
Probabilité de détecter un vrai effet
Estimation de durée
Tout savoir sur le calcul de taille d'échantillon A/B test
Pourquoi calculer la taille d'échantillon avant un A/B test ?
Lancer un test A/B sans connaître la taille d'échantillon nécessaire revient à jouer aux dés : vous risquez de conclure trop tôt sur une variation gagnante ou perdante, sans que le résultat soit fiable. Ce problème, connu sous le nom de « peeking bias », est l'une des erreurs les plus courantes qui faussent les décisions produit et marketing. Les équipes growth, les product managers et les data analysts ont tous besoin d'un calcul préalable pour engager les bonnes ressources sur une durée de test appropriée. Sans cette étape, même un test bien conçu peut produire des conclusions erronées qui coûtent du temps et de l'argent. Notre calculateur résout ce problème en quelques secondes, directement dans votre navigateur.
Un calcul préalable garantit la puissance statistique du test. Vous saurez exactement combien de visiteurs répartir entre le contrôle et la variante avant de prendre une décision business.
Notre calculateur est entièrement gratuit, fonctionne dans votre navigateur et ne transmet aucune donnée. Entrez votre taux de conversion actuel, l'amélioration attendue et le niveau de confiance souhaité pour obtenir instantanément la taille d'échantillon requise.
Cas d'utilisation courants
- Growth marketers
- Planifiez vos tests A/B sur les landing pages, CTA et formulaires avec un nombre de visiteurs précis pour obtenir des résultats fiables.
- Product managers
- Estimez la durée d'un test avant de lancer un sprint. Anticipez le trafic nécessaire pour valider une hypothèse produit.
- Data analysts
- Vérifiez rapidement la faisabilité statistique d'un test avant de mobiliser les équipes de développement.
- Agences digitales
- Présentez à vos clients un planning de test réaliste, basé sur leur trafic réel et les objectifs de conversion définis.
Comment utiliser le calculateur de taille d'échantillon
Renseignez le taux de conversion actuel de votre page ou funnel (ex. 3,5 %).
Indiquez l'amélioration minimale que vous souhaitez détecter (MDE) et le niveau de confiance (généralement 95 %).
Le calculateur affiche immédiatement le nombre de visiteurs par variante et la durée estimée du test en fonction de votre trafic quotidien.
Questions fréquentes
- Qu'est-ce que la taille d'échantillon dans un test A/B ?
- La taille d'échantillon désigne le nombre minimum de visiteurs que chaque variante (contrôle et test) doit recevoir pour que le résultat soit statistiquement significatif. Elle dépend du taux de conversion de base, de l'amélioration minimale détectable et du niveau de confiance choisi.
- Quel niveau de confiance choisir pour un test A/B ?
- Le standard de l'industrie est 95 %, ce qui signifie qu'il y a seulement 5 % de chances d'obtenir un faux positif. Pour des décisions à fort impact financier, certains préfèrent 99 %. Un niveau de confiance plus élevé nécessite un échantillon plus grand.
- Combien de temps faut-il pour atteindre la signification statistique ?
- La durée dépend de votre trafic quotidien et de la taille d'échantillon requise. Par exemple, si vous avez besoin de 10 000 visiteurs par variante et recevez 1 000 visiteurs par jour, il faudra environ 20 jours (car le trafic est réparti entre les variantes).
- Peut-on arrêter un test A/B plus tôt si les résultats semblent clairs ?
- Non, c'est une erreur courante appelée « peeking problem ». Arrêter un test avant d'atteindre la taille d'échantillon calculée augmente considérablement le risque de faux positif. Attendez toujours la fin du test ou utilisez des méthodes séquentielles adaptées.
- Mes données personnelles sont-elles protégées ?
- Entièrement. Le calcul est réalisé à 100 % côté client, directement dans votre navigateur web. Aucune donnée personnelle n'est envoyée vers un serveur distant ni stockée. Toutes les informations restent sur votre appareil.
Comprendre le dimensionnement d'un test A/B
Qu'est-ce qu'un test A/B et pourquoi la taille d'échantillon est-elle importante ?
Un test A/B (ou split test) compare deux versions d'une page, d'un email ou d'un élément d'interface pour déterminer laquelle performe le mieux. La taille d'échantillon est cruciale car elle garantit que la différence observée entre les variantes est réelle et non due au hasard. Sans un échantillon suffisant, vous risquez de prendre des décisions basées sur du bruit statistique plutôt que sur un signal fiable.
Comment la puissance statistique influence-t-elle un test A/B ?
La puissance statistique (généralement fixée à 80 %) représente la probabilité de détecter une différence réelle lorsqu'elle existe. Une puissance insuffisante augmente le risque de faux négatif : conclure qu'il n'y a pas de différence alors qu'une amélioration existe réellement. Augmenter la puissance nécessite un échantillon plus grand, ce qui allonge la durée du test mais renforce la fiabilité de la conclusion.
Quelles sont les formules utilisées pour calculer la taille d'échantillon ?
Le calcul repose sur la formule classique impliquant les scores Z du niveau de confiance (α) et de la puissance (1-β), les proportions de conversion attendues (p₁ et p₂) et la variance estimée. Concrètement : n = (Zα/2 + Zβ)² × (p₁(1-p₁) + p₂(1-p₂)) / (p₁ - p₂)². Cette formule est issue de la théorie des tests d'hypothèses et s'applique aux comparaisons de proportions binomiales entre deux groupes indépendants.