Bayesian

Approche statistique qui repose sur l’utilisation de la probabilité pour modéliser l’incertitude autour des paramètres d’un modèle. Contrairement à l’approche fréquentiste, elle intègre à la fois les données observées et, lorsque disponible, des informations a priori (appelées priors) pour mettre à jour la probabilité d’une hypothèse à mesure que de nouvelles données sont collectées.

En contexte CRO / A/B testing :

L’approche bayésienne permet de répondre à des questions concrètes comme :

“Quelle est la probabilité que la variation B soit meilleure que la variation A ?”

Plutôt que de rejeter ou non une hypothèse nulle, elle fournit une probabilité directe et actionnable, bien plus intuitive pour les équipes métier.

Avantages pour le CRO :

• Donne des résultats exploitables en continu, sans attendre une taille d’échantillon prédéfinie,
• S’adapte dynamiquement à l’évolution du test,
• Fournit des estimations probabilistes claires : par exemple, “il y a 92 % de chances que la variation B soit meilleure que A”,
• Facilite la prise de décision rapide et progressive,
• Moins exposée aux biais liés à l’arrêt anticipé (peeking),
• Compatible avec des contextes de personnalisation avancée ou de tests multi-variantes.

Outils qui utilisent l’approche bayésienne :

• Optimizely (Stats Engine)
• VWO (Bayesian Engine)
• AB Tasty (option Bayésienne)
• Convert.com, Google Ads (Expériences), etc.

Points de vigilance :

• Le choix et l’interprétation des priors peuvent influencer les résultats si mal calibrés,
• Moins familière pour les équipes purement data/scientifiques habituées aux tests traditionnels.

‍