Affecter les variantes depuis une Datasource

Utilisez une Datasource CRM pour choisir la variante de chaque client dans une expérimentation, au lieu d’un tirage aléatoire. Un Groupe témoin global (qui garde un groupe Témoin sans personnalisation) ou un Test A/B continu (qui compare plusieurs variantes) peut utiliser cette méthode.

​

Quand l’utiliser

Choisissez Depuis une source de données si votre CRM répartit déjà les clients en groupes aléatoires, par exemple un groupe témoin partagé entre plusieurs canaux. Sinon, choisissez Répartition aléatoire (recommandée). Elle attribue les variantes au hasard et constitue la méthode standard pour mesurer leur impact. Si d’autres canaux utilisent aussi ce champ, les résultats mesurent l’effet combiné de tout ce qui diffère entre les groupes. Cette mesure n’est valable que si les autres canaux ne modifient pas les clients qui accèdent à ce Workflow.

​

Configuration

1. Créez une expérimentation ou modifiez un brouillon ou une expérimentation prête, puis allez dans Variantes et répartition.
2. Gardez l’Unité de randomisation sur Par client : une Datasource ne fonctionne pas avec Par affichage.
3. Dans Affectation des variantes, choisissez Depuis une source de données.
4. Sous Source de données, choisissez une Datasource CRM publiée qui contient l’identifiant client utilisé par votre Workflow. Cela crée une condition par variante. La changer ensuite efface les règles de toutes les conditions.
5. Sous Qui reçoit chaque variante, ajoutez au moins une règle (champ, opérateur, valeur) à la condition de chaque variante. Combinez les règles avec ET/OU.

​

Qui reçoit chaque variante

Les conditions sont vérifiées dans l’ordre, et chaque client reçoit la variante de la première condition qu’il remplit. Si un client peut remplir plusieurs conditions, faites glisser les conditions pour choisir celle qui passe en premier. La répartition de chaque variante devient une Répartition attendue. C’est seulement une estimation : la Datasource décide quelle variante reçoit chaque client. Un client est non classé s’il ne remplit aucune condition, n’a aucune ligne dans la Datasource, est anonyme ou si sa ligne ne peut pas être lue. Il n’existe pas de condition fourre-tout : écrivez une condition pour chaque groupe à classer. Les clients non classés reçoivent une variante de repli et ne sont pas comptés dans les résultats. Le Node Expérimentation lit lui-même la ligne CRM du client (sa ligne dans la Datasource) : aucun Data Node n’est nécessaire dans le Workflow.

​

Exemple

Votre CRM contient un champ holdout_group dont la valeur est control ou treatment, attribuée au hasard. Vous créez un Groupe témoin global et attendez 10 % de clients dans le Témoin. Un client dont le champ holdout_group est vide ne remplit aucune condition. Il reçoit le Traitement et n’est pas compté dans les résultats. Les 10 % saisis sont seulement une estimation. La valeur de holdout_group décide de la variante reçue par chaque client.

​

Garder des résultats fiables

• Utilisez un champ dont les valeurs ont été attribuées au hasard et ne changent pas pendant l’expérimentation.
• Faites provenir chaque groupe du même tirage aléatoire.
• Si vous ajoutez une autre règle, ajoutez-la à chaque condition avec ET. Par exemple, ajouter country = FR uniquement à la condition du Témoin fausse la comparaison.
• Évitez de déplacer les clients classés vers une autre variante après le lancement.

​

Modifier une expérimentation en cours

La Datasource, les conditions et leur ordre restent modifiables jusqu’à la conclusion de l’expérimentation. Les modifications s’appliquent au nouveau trafic en une minute environ. La variante d’un client change si vous modifiez les conditions ou si ses valeurs CRM changent. Dans Data Exploration, ce client apparaît sous chaque variante reçue, ce qui brouille la différence entre les variantes. Ces changements faussent aussi les résultats s’ils dépendent de la variante reçue. Le mode d’affectation ne peut pas être changé après le lancement.

​

Lire les résultats

Les résultats décrivent uniquement les clients classés. Ils utilisent le nombre de clients réellement observés dans chaque variante, pas la répartition attendue. Quand la significativité statistique est affichée, un Témoin de petite taille met plus de temps à l’atteindre. Le Node Expérimentation affiche les mêmes branches qu’avec la répartition aléatoire. Une fois l’expérimentation lancée, ses pourcentages indiquent la répartition attendue, pas la répartition réelle.

​

Et ensuite ?