Taux de conversion (CRO)

Glossaire – Métrique

Le taux de conversion est la part des visites, ou des visiteurs, qui aboutissent à l’action attendue : une commande, une demande de devis, une inscription. Le CRO (Conversion Rate Optimization, optimisation du taux de conversion) est la démarche qui cherche à l’améliorer en modifiant le site et en mesurant l’effet de chaque changement.

La formule tient en une ligne : conversions divisées par visites, multipliées par 100. Deux choses la rendent pourtant trompeuse. Le chiffre change selon ce que l’outil met au numérateur et au dénominateur, et l’amélioration qu’on croit avoir obtenue dépend de la façon dont on l’a mesurée. Pour la seconde, nous avons simulé 20 000 tests A/B entre deux versions strictement identiques : en regardant le résultat chaque jour, 28 % de ces tests désignent quand même un gagnant.

Dans cette fiche :

• Un taux, trois dénominateurs possibles
• Où se perdent les ventes d’un site marchand
• Trafic SEO et conversion : la même équation
• Le test A/B lu trop tôt
• Calculer la taille d’un test avant de le lancer
• Questions fréquentes

Mesure

Un taux, trois dénominateurs possibles

Un même site peut afficher trois taux de conversion différents le même mois, sans qu’aucun ne soit faux. Tout dépend de ce qu’on divise par quoi :

• Commandes ÷ sessions. C’est la mesure la plus courante en e-commerce. Un visiteur qui revient trois fois avant d’acheter compte pour trois sessions et une commande.
• Acheteurs ÷ visiteurs. Le même visiteur ne compte qu’une fois. Le taux obtenu est plus élevé, et plus proche de la réalité d’un achat réfléchi.
• Sessions avec « un » événement clé ÷ sessions. C’est ce que Google Analytics 4 calcule par défaut sous le nom de taux d’événements clés de session. N’importe quel événement marqué comme clé entre dans le calcul.

Fin mars 2024, Google a rebaptisé « événements clés » ce que GA4 appelait jusque-là conversions, et réservé le mot « conversion » aux actions partagées avec Google Ads. La documentation définit le taux d’événements clés de session comme le nombre de sessions où un événement clé s’est produit, divisé par le nombre total de sessions. Si l’on a marqué comme clés un début de formulaire, un clic sur le numéro de téléphone et un achat, le taux additionne les trois et ne dit plus rien des ventes. Pour suivre une boutique, le calcul fiable reste le nombre d’achats (l’événement purchase) rapporté aux sessions, sur la même période et le même périmètre.

Une fois le dénominateur fixé, le taux global cache encore des écarts de canal, d’appareil et de page d’entrée. Une page qui reçoit surtout des visiteurs venus s’informer convertira moins qu’une landing page alimentée par une campagne ciblée, sans que l’une soit mieux conçue que l’autre. C’est l’intention de recherche du visiteur qui fixe le plafond, avant la mise en page.

Panier

Où se perdent les ventes d’un site marchand

Le Baymard Institute, institut de recherche spécialisé dans l’ergonomie des sites marchands, compile les études publiées sur l’abandon de panier. Sa moyenne, mise à jour le 22 septembre 2025, s’établit à 70,22 % sur 50 études : sept paniers sur dix ne deviennent pas des commandes. Une partie de ces abandons est normale, car beaucoup d’internautes se servent du panier pour comparer ou garder un produit de côté. Baymard les met donc à part et interroge les acheteurs qui avaient l’intention de commander. Leurs raisons, chez des acheteurs américains :

• frais supplémentaires trop élevés (livraison, taxes, frais) : 40 % ;
• livraison trop lente : 20 % ;
• manque de confiance pour saisir sa carte bancaire : 19 % ;
• obligation de créer un compte : 18 % ;
• tunnel de commande trop long ou trop compliqué : 17 %, à égalité avec les erreurs ou plantages du site ;
• politique de retour insatisfaisante : 13 % ;
• coût total impossible à connaître avant la fin : 12 %.

La moitié de ces motifs touche à l’offre elle-même : prix de livraison, délai, conditions de retour. Les autres tiennent au formulaire. Dans son relevé de juin 2024, Baymard compte en moyenne 11,3 champs à remplir dans un tunnel de commande (12,7 en 2019) et 5,1 étapes du panier à la validation, alors que la plupart des boutiques pourraient se contenter de 8 champs. Le même institut estime qu’un grand site marchand moyen pourrait gagner 35,26 % de conversion en corrigeant les défauts d’ergonomie de son tunnel. C’est une projection fondée sur ses tests, pas un résultat garanti : elle indique où chercher, le gain réel dépendra de votre site.

Équation

Trafic SEO et conversion : la même équation

Le chiffre d’affaires d’un canal se décompose en trois termes multipliés entre eux : les visites, le taux de conversion et le panier moyen. Doubler le trafic à taux constant ou doubler le taux à trafic constant produit le même chiffre d’affaires. La différence tient au coût : le trafic s’achète ou se construit mois après mois, alors qu’une correction de tunnel profite à toutes les visites, quelle que soit leur source.

Les deux leviers se gênent pourtant souvent. Une catégorie peut gagner des positions sur une requête d’information et voir son taux s’effondrer, parce qu’elle attire des lecteurs qui ne sont pas prêts à acheter ; nous avons détaillé ce cas dans l’article pourquoi une catégorie peut faire du trafic et aucune vente. À l’inverse, alléger une page pour la rendre plus vendeuse peut lui retirer le texte qui la faisait classer. Avant de juger une page, croisez donc les requêtes qui l’alimentent dans la Search Console avec ses ventes dans l’outil d’analyse. La vitesse joue aussi : Google fixe à 2,5 secondes le seuil d’un bon affichage du contenu principal, l’un des Core Web Vitals, et c’est sur la fiche produit qu’il faut le mesurer, pas seulement sur l’accueil.

Simulation

Le test A/B lu trop tôt

Un test A/B montre au hasard la version A ou la version B d’une page à chaque visiteur, puis compare leurs taux de conversion. Les outils affichent un indice de confiance, souvent fixé à 95 %, qui promet de ne se tromper qu’une fois sur vingt. Cette promesse ne tient qu’à une condition : lire le résultat une seule fois, à la date prévue. Evan Miller, auteur d’outils de calcul pour les tests A/B très utilisés, l’a montré dès 2010 dans « How Not To Run an A/B Test » : en arrêtant un test dès qu’il paraît significatif, le taux de faux gagnants de son exemple monte à 26,1 %.

Nous avons reproduit l’expérience le 19 octobre 2026 sur 20 000 tests A/A, c’est-à-dire des tests où les deux versions sont identiques et où tout gagnant est donc une erreur. Chaque test reçoit 500 visiteurs par version et par jour pendant quatre semaines, avec un taux réel de 2 % des deux côtés.

Deux versions identiques, et pourtant un « gagnant »

20 000 tests A/A simulés : les deux versions ont exactement le même taux de conversion (2 %). Part des tests où au moins une lecture affiche un écart « significatif à 95 % », selon la fréquence à laquelle on regarde le résultat.

• Une seule lectureà la date prévue, jour 28

  4,9 %

• Une lecture par semainejours 7, 14, 21 et 28

  12,5 %

• À partir du jour 7, chaque jour22 lectures

  18,6 %

• Chaque jour dès le lancement28 lectures

  28,0 %

Trait noir : les 5 % de faux positifs que promet un seuil de confiance de 95 %. Échelle de 0 à 30 %.

Jour du premier faux gagnant, en lecture quotidienne

Jour 1Jour 7Jour 14Jour 21Jour 28

61 % des faux gagnants apparaissent dès la première semaine (barres claires), quand l’échantillon est encore petit et que le hasard pèse le plus. Le jour 1 seul en produit 4,9 %.

Lire une fois par semaine multiplie déjà le risque par deux et demi. Attendre la fin de la première semaine avant de regarder ne suffit pas non plus : 18,6 % de faux gagnants si l’on consulte ensuite le tableau de bord chaque jour. Le biais naît de la décision d’arrêter au moment où l’écart plaît. Avec un indice de confiance classique, la seule protection est de fixer la durée avant le lancement, et de s’y tenir.

Calculateur

Calculer la taille d’un test avant de le lancer

La durée d’un test ne se choisit pas au calendrier, elle découle de trois chiffres : le taux de conversion actuel, l’amélioration que vous voulez pouvoir détecter et le trafic de la page. Evan Miller donne une règle simple : il faut environ 16 × p × (1 − p) ÷ δ² visiteurs par version, où p est le taux de départ et δ l’écart à détecter. Le calculateur ci-dessous l’applique à votre page.

Combien de visiteurs pour qu’un test A/B veuille dire quelque chose ?

Visiteurs nécessaires dans chaque version pour détecter une amélioration donnée, avec 5 % de risque de faux gagnant et 80 % de chances de voir un effet réel. Plus le taux de départ est bas et l’effet cherché petit, plus il faut de trafic.

Taux de conversion actuel de la page

2 %

Amélioration que vous voulez pouvoir détecter

+15 %

Visiteurs par jour sur la page testée

par jour

Visiteurs par version34 845

Visiteurs au total69 690

Durée minimale70 jours

Au-delà de huit semaines, le test devient fragile.

Repères : visiteurs par version

• Taux de départ

  effet +10 %

  +20 %

  +30 %

• 1 %

  158 400

  39 600

  17 600

• 2 %

  78 400

  19 600

  8 712

• 5 %

  30 400

  7 600

  3 378

Exemple : une fiche produit qui convertit à 2 % et 1 000 visiteurs par jour. Pour prouver un gain de 10 % (de 2 % à 2,2 %), il faut 78 400 visiteurs par version, soit 157 jours. Pour un gain de 30 %, 18 jours suffisent.

Le calcul explique pourquoi les grands sites testent et les petits sites hésitent. En décembre 2007, l’équipe de campagne de Barack Obama a testé 24 combinaisons de bouton et de visuel sur sa page d’inscription, devant 310 382 visiteurs, soit environ 13 000 par combinaison. Le taux est passé de 8,26 % à 11,6 % pour la meilleure, et la vidéo préférée de l’équipe a perdu face à une simple photo. Avec un écart aussi large, la règle demandait environ 1 100 visiteurs par version : l’échantillon était dix fois suffisant. Une boutique à 2 % qui cherche un gain de 10 % n’a pas cette marge.

Il faut aussi accepter que la plupart des idées échouent. Ronny Kohavi et Stefan Thomke, dans la Harvard Business Review de septembre 2017, rapportent qu’environ 10 à 20 % des expériences menées chez Google et Bing donnent un résultat positif, et qu’un tiers seulement réussit chez Microsoft ; un autre tiers est neutre, le dernier dégrade les résultats. Ils citent aussi l’inverse : en 2012, une variante de titre d’annonce sur Bing a augmenté le revenu de 12 %, plus de 100 millions de dollars par an aux États-Unis. Aucune des deux issues ne se devine à l’avance, c’est la raison d’être du test.

Quand le trafic ne suffit pas, le test A/B n’est pas le bon outil. Jakob Nielsen le rappelait en 2005 : un test A/B dit quelle version gagne, jamais pourquoi, et ne mesure que l’élément testé. Quelques séances où des clients commandent devant vous révèlent plus vite un frais caché ou un champ incompréhensible qu’un test de trois mois sur 300 visites par jour.

Questions fréquentes

Quel est un bon taux de conversion ?
Il n’existe pas de moyenne universelle exploitable. Les chiffres publiés mélangent des secteurs, des paniers moyens et surtout des dénominateurs différents (sessions, visiteurs, événements clés). Un site de mobilier haut de gamme et un site de consommables ne peuvent pas viser le même taux. La comparaison qui a du sens est celle de votre site avec lui-même, à périmètre constant : même page, même canal, même période de l’année.

Combien de temps doit durer un test A/B ?
Le temps qu’il faut pour atteindre l’échantillon calculé avant le lancement, et jamais moins d’une semaine complète, pour que chaque jour soit représenté. Une page à 2 % de conversion et 1 000 visiteurs par jour demande environ 70 jours pour détecter un gain de 15 %. Si le calcul dépasse deux mois, cherchez un changement plus ambitieux ou une page plus fréquentée.

Où trouver le taux de conversion dans GA4 ?
GA4 affiche par défaut le taux d’événements clés de session et le taux d’événements clés par utilisateur, qui comptent n’importe quel événement marqué comme clé. Pour une boutique, ajoutez la métrique des achats (événement purchase) à un rapport par page de destination ou par canal, et rapportez-la vous-même aux sessions. Le mot « conversion » désigne depuis 2024 les actions importées dans Google Ads, où le ROAS et le CPA se calculent sur d’autres règles d’attribution.

Le CRO peut-il nuire au référencement ?
Il peut, quand une modification retire le texte qui faisait classer la page. Le test lui-même ne pose pas de problème s’il respecte les consignes de Google : montrer à Googlebot ce que voient les visiteurs, faire pointer les variantes sur l’URL d’origine par une balise canonique, utiliser une redirection temporaire (302) et non permanente, et retirer le dispositif dès la conclusion. Google prévient qu’un test prolongé sans nécessité peut être traité comme une tentative de tromper le moteur. Toute modification d’une page qui reçoit du trafic organique se juge ensuite sur les deux tableaux, positions et ventes.

Sources citées

1. Baymard Institute – Cart Abandonment Rate Statistics, 50 études compilées (mise à jour le 22 septembre 2025)
2. Baymard Institute – Checkout Optimization: Minimize Form Fields (26 juin 2024)
3. Aide Google Analytics – Événements et événements clés
4. Aide Google Analytics – Dimensions et métriques GA4 (taux d’événements clés de session et par utilisateur)
5. PPC Land – Google Analytics renomme les conversions en événements clés (30 mars 2024)
6. Evan Miller – How Not To Run an A/B Test (18 avril 2010)
7. Optimizely – Dan Siroker, How Obama raised $60 million by running a simple experiment (29 novembre 2010)
8. Harvard Business Review – Ron Kohavi et Stefan Thomke, The Surprising Power of Online Experiments (septembre-octobre 2017)
9. Nielsen Norman Group – Jakob Nielsen, Putting A/B Testing in Its Place (14 août 2005)
10. Google Search Central – Minimiser l’impact des tests A/B sur la recherche Google (mis à jour le 10 décembre 2025)
11. web.dev – Largest Contentful Paint (LCP), seuil de 2,5 secondes

Simulation des tests A/A et tableau des tailles d’échantillon : calculs B-Strong du 19 octobre 2026. Fiche mise à jour le 19 octobre 2026.