> ## Documentation Index > Fetch the complete documentation index at: https://docs.kameleoon.com/llms.txt > Use this file to discover all available pages before exploring further. # Choisir la bonne méthode statistique pour l'A/B testing > Comparez les approches Frequentist, Bayesian et Sequential testing pour sélectionner la méthode statistique qui correspond le mieux aux objectifs d'expérimentation et à la tolérance au risque de votre équipe. ## Introduction L'A/B testing consiste à prendre des décisions avec un niveau de risque maîtrisé. Kameleoon prend en charge trois approches statistiques pour interpréter vos résultats : Frequentist, Bayesian et le Sequential testing. Ce guide compare les trois approches afin que vous puissiez choisir celle qui correspond le mieux aux objectifs d'expérimentation et à la tolérance au risque de votre équipe. ## Approches disponibles Chaque approche présente ses propres avantages et inconvénients, et repose sur une méthodologie distincte. ### Fixed sample Frequentist La méthode Fixed sample Frequentist vous oblige à définir votre hypothèse et la taille de votre échantillon avant de lancer un test. Si vous respectez ce plan sans le modifier en fonction des résultats intermédiaires, vous obtenez un contrôle optimal du risque statistique. #### Avantages * Offre une puissance statistique maximale. * Constitue la méthode la plus répandue pour les essais contrôlés randomisés. #### Inconvénients * Nécessite une taille d'échantillon et une durée de test rigides, définies à l'avance. #### Idéal pour * Les équipes d'expérimentation matures qui comprennent le risque associé à tout écart par rapport à la méthode. ### Bayesian La méthode Bayesian offre plus de flexibilité en intégrant les connaissances existantes à l'analyse via des probabilités a priori. Cette approche est la meilleure lorsque suffisamment de données antérieures sont disponibles pour calculer une probabilité a posteriori. #### Avantages * Vous permet de tirer parti de vos connaissances. * Vous donne accès à des données clés basées sur la distribution estimée. #### Inconvénients * Peut vous orienter dans la mauvaise direction si les données a priori sont incorrectes. #### Idéal pour * Les équipes d'expérimentation qui maîtrisent les méthodes Bayesian et les distributions de probabilité. ### Sequential Le Sequential testing résout le problème de la terminaison prématurée d'une expérience causée par des résultats intermédiaires qui s'écartent des attentes. Contrairement aux tests à taille d'échantillon fixe, le Sequential testing vous permet de prendre des décisions de manière dynamique à mesure que les données s'accumulent. Cette flexibilité peut vous aider à parvenir plus rapidement à des conclusions, mais elle peut aussi produire une estimation moins précise de la taille de l'effet. #### Avantages * S'adapte aux données à mesure qu'elles s'accumulent, sans vous obliger à estimer une taille d'échantillon à l'avance. * Fournit un intervalle de confiance valide à tout moment pendant la durée de l'expérience. #### Inconvénients * Offre une puissance statistique inférieure à celle des méthodes à échantillon fixe. #### Idéal pour * Les équipes qui avancent rapidement, recherchent plus de flexibilité que ne le permet le cadre à échantillon fixe et acceptent d'échanger une partie de la puissance statistique contre cette flexibilité. Pour bénéficier des avantages des deux approches, combinez les méthodologies Sequential testing et à taille d'échantillon fixe. Utilisez le Sequential testing pour arrêter le test dès que les résultats deviennent significatifs, et appuyez-vous sur un échantillon fixe pour garantir la rigueur statistique de vos conclusions. Définir des seuils d'arrêt anticipé et valider vos conclusions avec la méthode à échantillon fixe vous permet d'accélérer vos insights sans compromettre la fiabilité. ## Techniques complémentaires ### Multiple testing correction Tester plusieurs variations simultanément accélère le rythme global de l'expérimentation. Cependant, pour préserver l'intégrité statistique lorsque vous procédez ainsi, appliquez des méthodes de correction qui réduisent le risque de résultats faux positifs. ### CUPED CUPED réduit la taille d'échantillon nécessaire à une expérience en exploitant les données antérieures à l'expérience, ce qui améliore la puissance statistique et accélère l'expérimentation. Combinez CUPED avec une méthodologie à taille d'échantillon fixe pour détecter des résultats significatifs plus tôt tout en maintenant la puissance statistique. CUPED est le plus efficace lorsque : * Votre expérience inclut des visiteurs récurrents. * Vous avez exécuté de nombreuses expériences dans Kameleoon. * Les conversions d'objectif avant le début de l'expérience sont corrélées aux conversions pendant l'expérience en cours. ## Pour aller plus loin Pour plus de détails sur le fonctionnement du moteur statistique de Kameleoon, consultez le [document statistique Kameleoon](https://storage.googleapis.com/kameleoon-storage-documentation/user-manual/pdf/statistics-at-kameleoon.pdf).