La recherche quantitative est la collecte et l'analyse statistique de données numériques sur le comportement des utilisateurs, utilisées pour mesurer l'ampleur, la fréquence et la significativité de tendances au sein d'une large population d'utilisateurs, plutôt que pour expliquer des motivations individuelles. Dans un contexte d'UX et d'optimisation de la conversion, les méthodes quantitatives courantes comprennent le reporting d'analytics web, l'analyse de tunnel, les tests A/B et multivariés, le suivi des clics et du défilement agrégé sur de nombreuses sessions, et les enquêtes structurées à questions fermées qui produisent des données se prêtant à la comparaison statistique, comme les notes de Net Promoter Score ou de System Usability Scale. La caractéristique essentielle de la recherche quantitative est que ses conclusions s'expriment en termes mesurables, tels que le taux de conversion, le niveau de confiance statistique ou la taille d'effet, qui peuvent être comparés objectivement entre des périodes ou des variantes.
Cette discipline est centrale pour l'optimisation du taux de conversion, car elle fournit les preuves nécessaires pour valider si une modification proposée améliore réellement les résultats, plutôt que de simplement donner l'impression d'une amélioration à l'équipe qui la porte. Sans validation quantitative, les décisions de design et de marketing reposent sur l'opinion, la politique interne ou la préférence subjective, qui, selon les recherches, sont peu corrélées au comportement réel des utilisateurs. Le test A/B, méthode quantitative la plus courante en CRO, exige d'atteindre une taille d'échantillon pré-calculée et un niveau de confiance statistique, généralement de 95 %, avant qu'un résultat soit jugé fiable, et les tests sont généralement menés pendant au moins un à deux cycles commerciaux complets, souvent de deux à quatre semaines, pour tenir compte des variations de comportement liées au jour de la semaine et aux dates de paie qui fausseraient autrement les résultats de courte durée.
Au-delà des expériences contrôlées, la recherche quantitative comprend aussi l'analyse observationnelle de données comportementales existantes, comme la segmentation du taux de conversion par source de trafic, type d'appareil ou zone géographique pour identifier où la performance varie fortement, et l'analyse de cohortes, qui suit le comportement d'un groupe d'utilisateurs précis, par exemple tous ceux inscrits un mois donné, au cours des semaines ou des mois suivants, couramment utilisée pour mesurer les tendances de rétention et de valeur vie client. Parmi les notions statistiques centrales d'une recherche quantitative rigoureuse figurent le calcul de la taille d'échantillon, qui détermine combien d'observations sont nécessaires pour détecter un effet significatif à un niveau de confiance donné, et l'évitement du problème des comparaisons multiples, où tester simultanément de nombreux indicateurs augmente la probabilité de trouver un résultat faussement significatif par pur hasard.
Une idée reçue fréquente veut que les données quantitatives soient intrinsèquement objectives et ne nécessitent donc pas d'interprétation attentive ; en réalité, les résultats quantitatifs peuvent être trompeurs si la collecte de données sous-jacente est défaillante, par exemple lorsque du trafic de bots gonfle le nombre de visiteurs, que le code de suivi se déclenche incorrectement sur certains appareils ou qu'un test est contaminé par une campagne marketing sans rapport menée en parallèle. Un autre écueil courant, parfois appelé biais d'oubli du taux de base dans ce contexte, consiste à se concentrer sur les variations relatives en pourcentage sans tenir compte du nombre absolu de conversions concerné, car un gain annoncé de 50 % reposant sur une poignée de conversions seulement est bien moins fiable statistiquement qu'un gain de 10 % mesuré sur des milliers de conversions.
Dans le conseil en CRO et en croissance, la recherche quantitative fournit à la fois le point de départ diagnostique, en identifiant où dans un tunnel se situent les opportunités les plus importantes et les plus fiables statistiquement, et la couche finale de validation, en confirmant si une hypothèse issue de la recherche qualitative produit effectivement un résultat commercial mesurable une fois mise en œuvre. Les cabinets de conseil matures suivent généralement un indicateur de vélocité de test et de taux de réussite sur l'ensemble des expérimentations menées pour un client, en s'appuyant sur les résultats quantitatifs historiques pour affiner en continu les types d'hypothèses qui méritent d'être priorisés lors des prochains cycles d'optimisation.
À titre d'illustration concrète, supposons qu'une page de paiement convertisse actuellement à 3,2 % et qu'une équipe veuille détecter si un formulaire repensé améliore ce taux d'un gain relatif de 15 %, soit environ 3,7 %. Un calcul de taille d'échantillon standard à 95 % de confiance et 80 % de puissance statistique peut indiquer que chaque variante a besoin de dizaines de milliers de visiteurs avant que le test puisse être conclu de manière fiable. Si la page ne reçoit que quelques milliers de visiteurs par semaine, la rigueur quantitative impose à l'équipe soit d'accepter une durée de test de plusieurs semaines, soit de viser une taille d'effet attendue plus grande, soit de réorienter l'effort de test vers une page à plus fort trafic du tunnel où des résultats significatifs peuvent être atteints plus vite, plutôt que de clore prématurément un test sous-dimensionné au risque d'une fausse conclusion.
