Certification Spécialiste & Expert en Expérimentation CRO

Cette certification valide votre maîtrise des méthodes d’expérimentation et d’optimisation du taux de conversion (CRO). Deux niveaux reconnus : Spécialiste (80%) pour les praticiens confirmés, Expert (95%) pour les profils avancés maîtrisant les statistiques, la priorisation et l’analyse de cas complexes.

Le certificat numérique est délivré instantanément par email, vérifiable en ligne, et peut être ajouté à votre profil LinkedIn.

Questionnaire de certification officiel du programme Expérimentation FWOptimisation. 30 questions · 100 points · Score minimum 80% pour être certifié spécialiste en expérimentation et 95% pour être expert en expérimentation.

Conditions de réussite

🎓 80% Spécialiste en Expérimentation CRO

🏆 95% Expert en Expérimentation CRO

📝 42 questions
⏱ 60 min
🔁 3 tentatives

Vos informations

Prénom & Nom *

Email *

📧 Votre certificat numérique sera envoyé à cette adresse. Nous n'utilisons pas votre email à d'autres fins.

Profil LinkedIn *

🔗 Utilisé pour afficher votre profil dans le répertoire des certifiés FWO et vous permettre d'ajouter la certification à LinkedIn. Non partagé à des tiers.

Poste actuel

Entreprise

⏱ Temps restant : --:--

1 / 42

Question 1 / 42 ☑️ Choix unique

Quels sont les points à vérifier avant de travailler un test A/B ?

MDE, planning, KPIs, faisabilité technique Design, copywriting, développement, tests QA Budget, ressources RH, délais de livraison Analytics setup, tag management, cookies consent

Question 2 / 42 ☑️ Choix unique

Quelle est la meilleure définition du MDE (Minimum Detectable Effect) ?

S'assurer que le gain qui peut être validé statistiquement a du sens par rapport à la conception de la variation, estimer la durée minimale du test A/B et la part de trafic associée. Le gain minimum observé dans les données historiques nécessaire pour justifier un déploiement en production. La différence statistique entre la variation et le contrôle à un seuil de confiance de 95%. Le nombre minimum de conversions nécessaires pour valider un test A/B.

Question 3 / 42 ☑️ Choix unique

À quoi correspond un KPI de sécurité ?

L'indicateur de l'organisation qui ne doit pas régresser. Le KPI mesuré exclusivement sur les pages de paiement et tunnel d'achat. L'indicateur secondaire utilisé comme signal précoce de performance. Le KPI qui valide la robustesse technique de l'implémentation du test.

Question 4 / 42 ☑️ Choix unique

Quand utiliser le benchmark concurrentiel dans la phase de conception ?

Lors de la phase de conception pour se nourrir du marché et des conventions. Uniquement après un test A/B négatif pour identifier des alternatives. Pendant l'analyse des résultats pour contextualiser la performance. En priorité quand les données utilisateurs sont insuffisantes.

Question 5 / 42 ☑️ Choix unique

Votre test A/B affiche un score de confiance de 97% avec un gain de +3% sur le KPI principal. Cependant, le KPI secondaire (panier moyen) régresse de -8% avec un indice de confiance de 93%. Votre MDE était de +5%.

Que faire dans cette situation ?

Hypothèse invalidée et j'itère si j'ai des données complémentaires pour corriger la sous-performance. Déployer la variation car le KPI principal est statistiquement significatif à 97%. Prolonger le test jusqu'à atteindre le MDE de +5% sur le KPI principal. Segmenter les résultats par device pour identifier une meilleure population.

Question 6 / 42 ☑️ Choix unique

Taux de confiance : 89% · Gain sur KPI principal : +6% · MDE fixé : +4% · Durée du test : 14 jours · Trafic planifié atteint à 100%.

Peut-on considérer cette expérimentation comme gagnante d'après ces données ?

Non et je dois chercher d'où vient la sous-performance sur l'indicateur principal. Oui, car le gain de +6% est supérieur au MDE et le trafic planifié est atteint. Oui, 89% est suffisamment proche du seuil de 90% pour une décision commerciale. Non, la durée de 14 jours est insuffisante pour tout test en e-commerce.

Question 7 / 42 ☑️ Choix unique

Qu'est ce que vous devez faire sur un périmètre à faible trafic ?

Tester un changement radicalement différent et potentiellement avoir une durée de test A/B importante. Abandonner le test A/B et prioriser des optimisations sur les pages à fort trafic. Réduire le MDE pour raccourcir la durée du test et obtenir des résultats plus vite. Combiner plusieurs segments de trafic pour atteindre la significativité statistique.

Question 8 / 42 ☑️ Choix unique

Pourquoi réaliser le bilan d'un test A/B ?

Détecter des patterns de comportements utilisateurs et des enseignements du test A/B pour les partager dans l'organisation. Formaliser le déploiement technique en production auprès de l'équipe IT. Calculer le ROI de l'expérimentation pour justifier le budget de l'année suivante. Valider rétrospectivement la qualité de l'implémentation du test.

Question 9 / 42 ☑️ Choix unique

Quelle est la définition du KPI principal d'un test A/B ?

L'indicateur qui est directement concerné par la modification du test A/B. Le KPI ayant le plus fort volume de conversions sur la période du test. L'indicateur de chiffre d'affaires ou de revenus de l'organisation. Le KPI défini dans les OKR de l'équipe produit pour le trimestre en cours.

Question 10 / 42 ☑️ Choix unique

Quel est le gain moyen d'un test A/B gagnant dans l'industrie de l'expérimentation ?

+1% à +5% +5% à +15% >15%

Question 11 / 42 ☑️ Choix unique

Comment prioriser les expérimentations ?

En fonction de la stratégie et des tactiques associées. Par ordre de complexité technique, des plus simples aux plus complexes. En se basant sur les notes ICE (Impact / Confidence / Ease) uniquement. Selon les demandes des équipes marketing et produit, par ordre d'arrivée.

Question 12 / 42 ☑️ Choix unique

Comment intégrer l'expérimentation dans le cycle de vie du développement produit ?

Pour rechercher et comprendre le potentiel d'un produit, le déployer et l'optimiser une fois en production. Uniquement en phase de validation avant le déploiement final d'une fonctionnalité. En remplacement des tests utilisateurs classiques pour réduire les coûts de recherche. Après le déploiement en production, pour mesurer l'impact des changements réalisés.

Question 13 / 42 ☑️ Choix unique

Quelle est l'importance des retours utilisateurs dans le processus d'expérimentation ?

Ils sont complémentaires aux données quantitatives. Ils sont plus fiables que les données analytiques car non biaisés par le volume. Ils servent uniquement à générer des hypothèses, pas à valider des résultats. Ils doivent être collectés après les tests A/B pour éviter les biais de confirmation.

Question 14 / 42 ☑️ Choix unique

Quelle(s) méthode(s) de recherche permet de détecter des frictions dans un parcours ?

Analytics, un test utilisateur et heatmaps et l'enregistrement de session. Les enquêtes NPS et les notes App Store uniquement. L'analyse des tickets support et des avis clients en ligne. Le test A/A préliminaire pour vérifier la qualité du tracking.

Question 15 / 42 ☑️ Choix unique

Pourquoi un test A/B est souvent neutre ?

La conception du test A/B est peu disruptive et/ou l'hypothèse a peu d'impact sur le comportement utilisateur. Le MDE est trop faible pour détecter un gain réel sur la période de test. Le trafic segmenté entre les variantes est insuffisant pour atteindre la significativité. L'outil de test A/B introduit un biais technique qui annule l'effet de la variation.

Question 16 / 42 ☑️ Choix unique

Quand arrêter un test A/B positif ?

Quand l'indice de confiance est de 95% et le gain supérieur au MDE correspondant au test A/B. Dès que l'indice de confiance atteint 90%, quel que soit le gain observé. Au bout de 4 semaines minimum, quelle que soit la significativité statistique. Quand le budget alloué à la variation est épuisé ou que l'équipe passe à la suite.

Question 17 / 42 ☑️ Choix unique

J'ai plusieurs hypothèses sur un périmètre, mais votre MDE est relativement important. Comment réagir ?

Accepter d'augmenter la durée du test A/B OU fusionner des tactiques proches pour gagner en impact OU déployer hors test A/B certaines tactiques. Réduire le MDE pour raccourcir la durée et tester plus vite chaque hypothèse séparément. Lancer toutes les hypothèses en simultané dans un test multivarié (MVT). Déployer directement les hypothèses en production sans test A/B pour gagner du temps.

Question 18 / 42 ☑️ Choix unique

Quel est le rôle des données qualitatives et quantitatives dans l'évaluation des résultats d'un test A/B ?

Une combinaison des deux est essentielle pour une compréhension complète. Les données quantitatives prime toujours car elles sont statistiquement valides. Les données qualitatives servent uniquement à générer de nouvelles hypothèses. Les deux doivent être collectées, mais analysées séparément pour éviter les biais.

Question 19 / 42 ☑️ Choix unique

Vous avez identifié trois types de problèmes : des problèmes de motivation utilisateur, des problèmes d\\\'utilisation (UX, ergonomie), et des problèmes de crédibilité (confiance, réassurance).

Quel est l'ordre le plus adapté pour traiter ces problèmes rencontrés dans un parcours ?

Problème de crédibilité > utilisation > motivation Problème de motivation > crédibilité > utilisation Problème d'utilisation > motivation > crédibilité Tous les problèmes ont la même priorité et doivent être traités en parallèle.

Question 20 / 42 ☑️ Choix unique

Peut-on affirmer comme gagnant un test A/B qui ferait baisser le taux de conversion du site, mais qui réduirait le taux de retour produits ?

Oui, c'est un test de non infériorité avec une marge. Non, tout test réduisant le taux de conversion est automatiquement perdant. Oui, mais uniquement si la réduction du taux de retour compense financièrement. Non, il faut toujours choisir le KPI principal avant le lancement et s'y tenir.

Question 21 / 42 ☑️ Choix unique

Quels sont les objectifs de l'expérimentation pour une organisation ?

Maîtriser la prise de risque, guider la stratégie de l'entreprise et créer de la croissance. Remplacer les décisions des équipes produit et marketing par des données statistiques. Optimiser le taux de conversion des pages clés du parcours d'achat. Démontrer l'efficacité des équipes UX et design auprès du management.

Question 22 / 42 ☑️ Choix unique

Un changement sur la homepage du site peut-il impacter le taux de conversion/souscription final ?

Oui. Non, la homepage est trop éloignée du tunnel de conversion pour avoir un impact direct. Seulement si le test inclut également des modifications dans le tunnel de commande. Cela dépend du secteur : oui pour le e-commerce, non pour les services.

Question 23 / 42 ☑️ Choix unique

Quand développer un test A/B en surcouche avec votre outil de testing plutôt qu'avec l'IT ?

Quand c'est plus rapide qu'un développement fait par l'IT, avec peu de modifications et qu'il n'y a pas de modification back-office. Toujours, pour conserver l'indépendance de l'équipe CRO vis-à-vis de l'IT. Quand le budget IT est indisponible ou que les sprints sont complets. Uniquement pour les tests visuels (couleurs, textes) sans impact sur le code.

Question 24 / 42 ☑️ Choix unique

Quel est le taux de réussite moyen des tests A/B sur le marché ?

5% 50% 20%

Question 25 / 42 ☑️ Choix unique

Comment gérer un échec rencontré lors d'une expérimentation ?

Analyser les comportements utilisateurs pour apprendre et itérer. Documenter l'échec et passer à la prochaine expérimentation priorisée. Réviser le MDE à la hausse pour filtrer les hypothèses trop ambitieuses. Présenter les résultats au management uniquement si le test est significatif.

Question 26 / 42 ☑️ Choix unique

Est-il intéressant de lancer une expérimentation sans données pour l'argumenter ?

Oui, pour apprendre ou innover avec un smoke test par exemple. Non, toute expérimentation doit reposer sur une hypothèse validée par des données. Oui, mais uniquement pour des tests de performance technique (vitesse, fluidité). Non, le budget expérimentation doit être alloué aux hypothèses à fort potentiel ROI.

Question 27 / 42 ☑️ Choix unique

Quelle est l'hypothèse est la plus pertinente ?

Hypothèse A Hypothèse B Les 2 hypothèses sont équivalentes — tester les 2 en parallèle.

Question 28 / 42 ☑️ Choix unique

Pourquoi est-il essentiel de partager les résultats des expérimentations au sein de l'organisation ?

Pour transmettre des enseignements aux autres équipes et favoriser l'innovation. Pour justifier le budget de l'équipe CRO et démontrer le ROI des tests. Pour que le management valide les prochaines expérimentations à lancer. Pour éviter que d'autres équipes reproduisent des tests déjà effectués.

Question 29 / 42 ☑️ Choix unique

Par quoi l'utilisateur peut-il être influencé ?

L'ergonomie, l'accessibilité, les biais cognitifs et les principes de persuasion. Exclusivement par les biais cognitifs et les heuristiques comportementales. Les prix, les promotions et la réputation de la marque uniquement. La vitesse de chargement des pages et les performances techniques du site.

Question 30 / 42 ☑️ Choix unique

Qu'est ce que le biais de confirmation ?

Avoir un avis sur un sujet et rechercher uniquement les données pour confirmer votre première idée. Surestimer systématiquement les gains d'un test A/B par rapport aux résultats réels. Attribuer le succès d'un test A/B à l'hypothèse principale plutôt qu'à des facteurs externes. La tendance à stopper un test prématurément quand les premiers résultats sont positifs.

Question 31 / 42 ☑️ Choix unique

Laquelle de ces affirmations sur la p-value dans un test A/B est correcte ?

Une p-value < 0.05 signifie qu'il y a moins de 5% de chances d'observer cet écart (ou plus extrême) si H0 est vraie — pas que la variante fonctionne Vérifier la p-value quotidiennement augmente la puissance statistique du test Une p-value de 0.01 indique un effet deux fois plus fiable qu'une p-value de 0.02 Si p < 0.05 après 3 jours, stopper le test est acceptable si l'uplift est supérieur à 10%

Question 32 / 42 ☑️☑️ Choix multiples

Vous constatez un SRM (Sample Ratio Mismatch) sur votre test. Quelle(s) affirmation(s) est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

Un SRM invalide les résultats même si la p-value est < 0.01 Une cause fréquente est un bug de redirection qui exclut certains navigateurs d'une variante Un SRM mineur (51/49 au lieu de 50/50) est toujours ignorable si l'échantillon est > 100 000 Rééquilibrer manuellement les groupes après détection corrige le biais

Question 33 / 42 ☑️☑️ Choix multiples

Votre test A/B global est non significatif (-0.3%, p=0.41). En segmentant post-hoc par device, vous trouvez mobile +8% (p=0.03). Quelle(s) affirmation(s) décrit/décrivent correctement la situation ?

Sélectionnez toutes les réponses correctes.

Ce résultat est une hypothèse pour un futur test, pas une décision de déploiement Le seuil de significativité effectif pour ce sous-groupe est plus élevé que 0.05 car vous avez effectué plusieurs comparaisons (problème du data dredging) Déployer sur mobile est justifié car p < 0.05 sur un segment réel Le résultat global non significatif annule automatiquement tous les sous-groupes significatifs

Question 34 / 42 ☑️☑️ Choix multiples

Votre programme CRO affiche 78% de tests gagnants sur 25 tests. Quelle(s) affirmation(s) est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

Un taux > 70% est un signal d'alerte : il suggère probablement du HARKing, un seuil de significativité mal calibré, ou un biais de confirmation dans la sélection des tests Un taux "normal" pour un programme mature avec bonne recherche préalable se situe entre 25% et 50% Un taux élevé prouve que le processus de priorisation est efficace Ce taux est élevé parce que l'équipe teste uniquement des idées validées par la recherche utilisateur

Question 35 / 42 ☑️☑️ Choix multiples

Quelle(s) affirmation(s) sur l'effet de nouveauté est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

L'effet de nouveauté gonfle artificiellement les métriques de la variante dans les premiers jours pour les visiteurs récurrents Un test incluant principalement des nouveaux visiteurs (ex: page de destination SEA) est moins exposé à l'effet de nouveauté Allonger la durée du test de 2 semaines supprime systématiquement l'effet de nouveauté L'effet de nouveauté affecte toujours négativement la variante de contrôle

Question 36 / 42 ☑️ Choix unique

Vous planifiez un test avec CR baseline 3%, uplift minimum détectable de 10% relatif (soit 3.3% absolu), alpha=0.05, puissance=80%. Laquelle de ces affirmations est correcte ?

Un uplift de 10% relatif sur un CR de 3% correspond à détecter une différence de 0.3 point de pourcentage, ce qui nécessite un échantillon important Doubler la puissance de 80% à 90% divise par deux la taille d'échantillon nécessaire Réduire l'alpha de 0.05 à 0.01 réduit la taille d'échantillon nécessaire Si vous doublez le trafic alloué au test, vous pouvez diviser la durée par deux sans affecter la validité

Question 37 / 42 ☑️☑️ Choix multiples

Quelle(s) affirmation(s) sur les tests séquentiels (sequential testing) est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

Les tests séquentiels permettent de vérifier les résultats en cours de test sans augmenter le taux de faux positifs, contrairement au NHST classique L'approche bayésienne peut être utilisée comme alternative au NHST pour éviter le peek problem Le NHST classique avec alpha=0.05 autorise implicitement 5 vérifications intermédiaires sans correction Le test séquentiel nécessite de définir a priori un nombre fixe de tests intermédiaires

Question 38 / 42 ☑️☑️ Choix multiples

Quelle(s) affirmation(s) sur les tests multivariés (MVT) est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

Le MVT permet de mesurer les interactions entre éléments — une headline et un CTA peuvent avoir un effet combiné différent de leur effet individuel Un MVT complet sur 4 éléments avec 2 variantes chacun nécessite 16 combinaisons, ce qui multiplie le trafic nécessaire par 16 vs un A/B simple Le MVT est toujours plus efficace qu'une série de tests A/B séquentiels pour le même budget trafic Le MVT est préférable quand le trafic est limité car il teste plusieurs choses simultanément

Question 39 / 42 ☑️☑️ Choix multiples

Vous avez deux tests A/B actifs simultanément sur le même périmètre : Test X sur le header de la page produit, Test Y sur le bouton d'ajout au panier. Quelle(s) affirmation(s) est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

Si les deux tests touchent des utilisateurs qui ont vu les deux variantes, un effet d\'interaction peut fausser les résultats des deux tests La solution la plus rigoureuse est la mutual exclusion : s'assurer qu'un utilisateur ne peut être exposé qu'à un seul test à la fois sur ce périmètre Deux tests sur des éléments visuellement distincts (header vs bouton) ne peuvent pas interagir car ils modifient des éléments différents Lancer les deux tests simultanément est toujours préférable à les séquencer, car cela réduit la durée totale d'expérimentation

Question 40 / 42 ☑️☑️ Choix multiples

Quelle(s) affirmation(s) sur CUPED (Controlled-experiment Using Pre-Experiment Data) est/sont correcte(s) ?

Sélectionnez toutes les réponses correctes.

CUPED réduit la variance de la métrique cible en utilisant le comportement pré-expérience des utilisateurs comme covariable CUPED permet d'atteindre la significativité statistique plus rapidement pour le même trafic, sans modifier le niveau alpha CUPED ne fonctionne que sur les métriques de revenus, pas sur les taux de conversion CUPED remplace le calcul de taille d'échantillon pré-expérience

Question 41 / 42 ☑️☑️ Choix multiples

Après un test A/B concluant (+6% CR), vous observez que le taux de retour produit a augmenté de 12% dans la variante. Quelle(s) affirmation(s) est/sont correctes ?

Sélectionnez toutes les réponses correctes.

C'est un signal d'alerte : la guardrail metric (retours) suggère que l'optimisation de conversion s'est faite au détriment de la qualité perçue Déployer la variante sans investigation approfondie exposerait l'entreprise à un impact négatif net sur le revenu réel L'augmentation des retours est acceptable si le gain de conversion compense en volume La guardrail metric n'est pertinente que si elle atteint la significativité statistique

Question 42 / 42 ☑️☑️ Choix multiples

Un test A/B sur une page produit affiche : CR +4.2% (significatif, p=0.03), temps sur page -18% (significatif), taux de retour produit stable, AOV stable. La durée était de 8 jours. Quelle(s) affirmation(s) décrit/décrivent correctement la décision à prendre ?

Sélectionnez toutes les réponses correctes.

La baisse du temps sur page peut être positive (décision d'achat plus rapide, friction réduite) — elle ne contredit pas nécessairement le gain de CR 8 jours peut être insuffisant pour couvrir un cycle hebdomadaire complet et éliminer les biais de saisonnalité Le résultat est clair : CR +4.2% significatif = déployer La baisse du temps sur page invalide le test car elle indique une dégradation de l'expérience

Évaluation en coursâ¦