Expériences Google Ads : tester proprement sans dupliquer vos campagnes

Pourquoi une campagne dupliquée fragilise-t-elle l’inférence ?

Pour évaluer les outils et automatismes Google Ads, le réflexe paraît logique : dupliquer la campagne d’origine, modifier le texte d’annonce, la stratégie d’enchères ou la page de destination, puis comparer. Le problème n’est pas la copie elle-même, mais l’absence de randomisation entre les deux campagnes.

Chaque campagne concourt avec son historique, son éligibilité et ses propres décisions d’enchères. Des déséquilibres d’horaires, d’appareils ou de segments peuvent apparaître. Ce sont des facteurs de confusion possibles, pas la preuve que chaque résultat obtenu serait faux.

Vous comparez alors deux diffusions indépendantes. L’écart observé peut venir du changement étudié, des conditions de mise aux enchères ou des deux à la fois.

Quand un test natif est éligible et répond à la question posée, sa randomisation rend l’inférence causale plus défendable. Sinon, assumez une analyse observationnelle et ses limites au lieu de lui donner l’étiquette d’un test.

Brouillon et expérience : préparation puis test A/B

Dans l’interface Google Ads de 2026, vous partez de la page Tests, choisissez la campagne d’origine et laissez Google créer la campagne test. Vous préparez ensuite la modification dans cette campagne test avant de planifier sa diffusion.

Les brouillons subsistent dans l’API Google Ads comme couche virtuelle de préparation. Ils agrègent des changements sans diffuser d’annonces, puis peuvent être appliqués à la campagne d’origine. Ce flux API ne décrit plus le parcours courant de l’interface.

L’expérience met en regard un groupe de contrôle et un groupe de traitement. Son intérêt tient à trois propriétés précises :

1. Répartition randomisée. Google répartit les mises aux enchères éligibles avant l’application du ciblage. À 50/50, les groupes participent au même nombre de mises aux enchères éligibles, sans promesse d’impressions, de coûts ou de conversions égaux.
2. Lecture statistique documentée. La méthode générale utilise un rééchantillonnage jackknife, un test bilatéral et un intervalle de confiance à 95 %. Elle quantifie l’incertitude ; elle ne prend pas la décision commerciale à votre place.
3. Périmètre mesurable. Le critère de réussite met une métrique en avant. Les actions de conversion incluses, leur modèle d’attribution et les objectifs utilisés par les enchères restent trois réglages distincts à consigner.

Le test natif est donc préférable lorsqu’il randomise bien l’exposition qui vous intéresse et que la campagne est éligible. Vérifiez néanmoins le type de test, la métrique et les limites du dispositif avant de le lancer.

Cookies ou recherches : quel mode de répartition choisir ?

Pour un test personnalisé sur le Réseau de Recherche, le mode choisi fixe l’unité de randomisation. Ce choix se fait à la création et répond à un compromis d’exposition, de contamination et de puissance.

Répartition basée sur les cookies : Google affecte l’utilisateur reconnu à un seul groupe. La continuité vaut tant que l’identification tient. Consentement refusé, suppression des cookies, navigateurs ou appareils multiples peuvent rompre cette continuité ; l’absence de contamination n’est donc pas absolue.

Répartition basée sur les recherches : Google affecte chaque recherche au contrôle ou au traitement. Un même utilisateur peut voir les deux versions. Google indique que ce mode peut produire un résultat pertinent plus vite, mais il ne crée ni recherches, ni clics, ni conversions supplémentaires.

Il n’existe pas de recette universelle. Choisissez selon la question causale, le risque d’exposition croisée, l’effet minimal utile, le volume attendu et le délai de conversion. Calculez la puissance au lieu de déduire la vitesse du seul mode de répartition.

Quel dispositif selon le type de campagne ?

Au 17 juillet 2026, la page Tests distingue plusieurs dispositifs. Les aides Google ne regroupent pas encore partout Demand Gen, le réseau Display, la vidéo et les annonces d’hôtel sous les mêmes libellés. Contrôlez donc les cartes proposées dans votre compte avant de bâtir le protocole.

Ne transposez pas la mécanique d’un test à un autre. Certains répartissent le budget, d’autres la participation aux enchères, d’autres encore comparent des campagnes déjà créées. Le groupe de contrôle et le groupe de traitement doivent correspondre au dispositif réellement affiché.

Dans les tests personnalisés, plusieurs fonctions restent limitées : rapports de calendrier, informations sur les enchères, simulations d’enchères, catégories et termes de recherche, placements du réseau Display, diagnostic des mots clés, rapports automatiques par e-mail et budgets partagés. Revérifiez cette liste selon le type de test.

Une comparaison avant-après reste une analyse observationnelle. Une période de référence, un changement isolé et un contrôle saisonnier améliorent sa lecture, mais la demande, la concurrence et les enchères peuvent évoluer. Elle ne démontre donc pas à elle seule un effet causal.

Quelles règles respecter pour qu'un test A/B Google Ads soit valide ?

La randomisation native est un point de départ. L’hypothèse, l’implémentation et la règle de décision restent sous votre responsabilité.

Test d’une composante ou d’un ensemble. Si vous voulez isoler l’effet d’un texte, d’une page de destination ou d’une stratégie d’enchères, ne changez que cette composante. Un ensemble cohérent et défini à l’avance peut aussi être testé, mais son résultat mesure l’effet global, pas chaque contribution.

Traitez les deux groupes de manière symétrique et consignez les changements inévitables. Vous ne pouvez pas figer la concurrence, la saisonnalité ou les mises aux enchères. Une correction de sécurité nécessaire doit être appliquée aux deux groupes ou documentée comme une rupture du protocole.

Séparez statistique et décision. Dans sa méthode générale, Google utilise un test bilatéral et un intervalle de confiance à 95 %. Fixez aussi l’effet minimal utile au métier : franchir un seuil statistique ne suffit pas si l’ampleur ne couvre ni le risque ni le coût du changement.

Combien de temps laisser tourner une expérience Google Ads avant de conclure ?

Avant le lancement, estimez les observations et conversions attendues par groupe, leur variance, l’effet minimal utile, la répartition et la puissance. Utilisez l’indicateur d’efficacité du test lorsqu’il est disponible, puis couvrez au moins le cycle de conversion complet.

Ajoutez le temps de stabilisation du groupe de traitement et le délai avant conversion. La recommandation Google de quatre à six semaines pour certains dispositifs est un repère opérationnel, pas un calcul de taille valable pour tous les comptes.

Il n’existe donc pas de seuil universel de conversions. Si le volume attendu ne permet pas de détecter l’effet utile dans la durée acceptable, choisissez une campagne plus alimentée, revoyez la question ou renoncez au test. Le calendrier ne répare pas un protocole sous-dimensionné.

Consulter un résultat intermédiaire ne crée pas, à lui seul, un faux positif. Le risque vient de l’arrêt ou de la décision non planifiés après une lecture favorable. Fixez la durée, la métrique et la règle d’arrêt avant le départ, sauf garde de sécurité explicite.

Une absence de différence significative signifie que le test n’a pas mis en évidence l’effet recherché avec sa puissance et dans son contexte. Elle ne prouve ni l’absence d’effet ni l’équivalence. Une répartition 70/30 réduit l’exposition au traitement, mais ne protège pas la performance et diminue généralement la puissance.

Ce que calcule Google dans vos résultats d'expérience, et les limites du recalcul

Google répartit les observations en 20 classes par groupe, puis applique le rééchantillonnage jackknife pour estimer la variance de la variation en pourcentage. Le test bilatéral s’appuie ensuite sur un intervalle de confiance à 95 %.

Ce que cela implique concrètement :

• utilisez le statut statistique de Google comme référence pour la métrique et la méthode qu’il couvre ;
• n’espérez pas le reproduire exactement depuis un export agrégé : les classes d’utilisateurs nécessaires au jackknife ne sont pas exportées ;
• contrôlez en parallèle l’implémentation, la qualité des conversions, leur attribution, la marge et les effets différés.

La confiance accordée au résultat vient de la méthode expérimentale documentée, pas du niveau d’automatisation des enchères. Un résultat significatif ne corrige ni une contamination du protocole ni une métrique mal choisie. Un contrôle complémentaire peut donc confirmer la validité métier sans prétendre reconstruire le jackknife.

Conditions préalables à remplir avant de lancer une expérience

Un bon test commence par une campagne éligible, une question interprétable et une mesure capable de répondre. La randomisation ne compense ni une erreur de suivi ni un manque de données anticipable.

1. Campagne d’origine active et éligible. Suivez les contrôles de l’interface. Une phase d’apprentissage n’est pas un interdit général, mais évitez une restructuration planifiée pendant le test et laissez le traitement se stabiliser.
2. Puissance plausible. Estimez conversions, dépense, variance, effet minimal et durée. L’indicateur d’efficacité Google, lorsqu’il existe, aide au dimensionnement sans remplacer votre seuil d’utilité métier.
3. Hypothèse écrite. Dites si vous mesurez une composante ou un ensemble. Notez la métrique principale, les actions de conversion incluses, leur attribution et les changements autorisés.
4. Calendrier et décision prévus. Intégrez la stabilisation, le délai avant conversion et la date de lecture. Définissez à l’avance les conditions d’arrêt, de prolongation, d’application ou d’abandon.
5. Répartition assumée. Le 50/50 maximise généralement la puissance. Une part minoritaire réduit l’exposition au traitement, mais ne garantit ni la dépense ni la performance. Vérifiez que chaque groupe peut accumuler assez de données.

Décider : appliquer, prolonger ou abandonner

Utilisez le test natif lorsqu’il répond à la question. Pendant sa diffusion, cantonnez les scripts et règles automatisées aux alertes. Toute correction nécessaire doit toucher les deux groupes de façon symétrique ou être consignée comme une limite d’interprétation.

À la fin, examinez l’intervalle, l’ampleur de l’effet, la qualité, la marge et les conversions tardives. Appliquez le traitement seulement si le gain statistique et métier tient, puis surveillez le déploiement. Sinon, prolongez selon la règle prévue, abandonnez ou formulez une nouvelle hypothèse.

Sources officielles et primaires vérifiées le 17 juillet 2026 : Google Ads documente la page Tests et ses dispositifs, les tests personnalisés, leur configuration et leurs répartitions, la méthode jackknife à 95 %, la lecture des résultats, l’efficacité d’un test et les durées et répartitions selon les formats. Google Ads couvre aussi les tests Demand Gen, les tests Performance Max, les tests de composants Application, la comparaison Shopping et Performance Max, le délai avant conversion, les actions de conversion principales et secondaires et les modèles d’attribution. La documentation Google Ads API décrit les brouillons de campagne et les flux de tests. La prépublication de Johari, Pekelis et Walsh encadre l’inférence lors de consultations répétées, et la directive ICH E9 distingue l’équivalence du simple non-rejet.

Questions fréquentes

Vincent Duquesne

Expert Google Ads Certifié depuis 2011 : j’ai audité et restructuré des centaines de comptes dans des dizaines de thématiques différentes. +20M€ gérés.

Google Partner Premier 2026