Skip to main content
Cet article explique comment fonctionnent les groupes mutuellement exclusifs pour les expériences de feature, pourquoi ils sont essentiels pour une analyse fiable et comment les configurer dans Kameleoon.
Pour en savoir plus sur l’utilisation des groupes mutuellement exclusifs pour la web experimentation, consultez ce help doc.
L’exécution simultanée de plusieurs expériences de feature peut entraîner des effets superposés, en particulier lorsque différentes équipes testent des modifications qui affectent les mêmes zones de votre produit.

​
Configuration des groupes mutuellement exclusifs

  1. Définissez le groupe d’expériences : Déterminez quels feature flags (et leurs expériences) doivent être mutuellement exclusifs. Par exemple, toutes les expériences modifiant le flow de checkout peuvent être regroupées.
  2. Taguez l’expérience : Utilisez la convention de nommage “ME-GROUP-{NOM DU GROUPE}” pour taguer chaque expérience du groupe, par exemple ME-GROUP-A. Cela indique à Kameleoon d’appliquer l’exclusion mutuelle au sein du groupe.
  3. Vous pouvez taguer les flags lors de leur création, ou en cliquant sur le menu à trois points d’un flag existant et en sélectionnant Manage tags.
Une fois cela fait, chaque visiteur ne sera exposé qu’à une seule expérience de chaque groupe mutuellement exclusif, garantissant des résultats précis et non superposés.

​
Exemple de groupe mutuellement exclusif

Imaginez que vous testez différentes variations de votre expérience de checkout :
  • Groupe A : Expérience 1 (nouveau flow de checkout) et Expérience 2 (checkout en un clic)
  • Groupe B : Expérience 3 (recommandations d’up-sell) et Expérience 4 (placement de bannière de réduction)
Avec une configuration mutuellement exclusive :
  • Un visiteur verra soit l’Expérience 1, soit l’Expérience 2 du Groupe A, mais pas les deux.
  • Le même visiteur peut voir soit l’Expérience 3, soit l’Expérience 4 du Groupe B, mais pas les deux.
Cette configuration garantit que les visiteurs ne subissent pas plusieurs modifications conflictuelles au sein de chaque groupe, ce qui permet une mesure plus précise de l’impact de chaque expérience. Pour maintenir la cohérence, si un visiteur a été précédemment affecté à une expérience d’un groupe, il restera affecté à cette expérience. S’il est nouveau dans le groupe, l’affectation sera aléatoire, garantissant une distribution équilibrée. Cette configuration ne nécessite aucune condition de ciblage supplémentaire, ce qui facilite sa mise en œuvre pour les flags contenant des règles d’expérience et vous aide à maintenir l’intégrité de vos expériences de feature, conduisant à des données plus propres et à une prise de décision plus confiante.

​
Interaction entre les pourcentages d’exposition et un MEG

Les pourcentages d’exposition définis sur les expériences individuelles ne sont pas appliqués indépendamment à l’intégralité du trafic de chaque expérience lorsque ces expériences appartiennent au même groupe mutuellement exclusif. Le MEG détermine d’abord à quelle expérience unique un visiteur est éligible au sein du groupe, et le pourcentage d’exposition propre à l’expérience est ensuite appliqué à cette allocation. Chaque expérience d’un MEG reçoit environ une part égale de la population éligible du groupe (par exemple, un tiers si le groupe contient trois expériences), indépendamment des paramètres d’exposition individuels.

​
Exemple

Imaginez trois expériences dans le même MEG, chacune s’exécutant sur une page différente recevant 200 000 requêtes : Le résultat n’est pas 20k / 60k / 120k. Ce résultat supposerait que chaque expérience reçoit la totalité du trafic de sa page avant que le pourcentage d’exposition ne soit appliqué, ce qui n’est pas le fonctionnement d’un MEG.
Étant donné qu’un MEG répartit le trafic éligible entre les expériences du groupe avant que l’exposition ne soit appliquée, les MEG conviennent mieux aux expériences susceptibles de se chevaucher et devant être rendues mutuellement exclusives — généralement des expériences s’exécutant sur la même page ou la même surface.