Vos statistiques disent où. Elles ne peuvent pas dire pourquoi.

Ouvrez n’importe quel outil d’analyse d’audience et vous verrez toujours la même forme : un entonnoir large au départ, étroit à l’arrivée, avec une étape où la chute est plus raide que les autres. Le panier vers la livraison. L’inscription vers la confirmation. La recherche vers la fiche produit.

Ce chiffre est exact. Il est aussi la limite de ce que l’outil sait. Il enregistre qu’une session s’est arrêtée à une adresse donnée. Il ne peut pas enregistrer que le visiteur a lu les frais de port, prononcé un mot que nous n’imprimerons pas ici, et fermé l’onglet.

Le problème est documenté. Sa cause chez vous ne l’est pas.

L’ampleur du phénomène n’est plus à démontrer.

Relisez la seconde ligne. Si le taux ne bouge pas alors que tout le monde optimise, c’est que le problème n’est pas un manque d’outils de mesure. C’est que les moyennes du secteur ne disent rien de votre écran à vous.

Baymard identifie bien un motif dominant parmi les abandons corrigeables : les frais découverts trop tard, qu’il s’agisse du port, de la préparation de commande ou d’une commission de paiement. Utile comme piste, insuffisant comme diagnostic. Savoir que « les frais surprennent » ne vous dit pas si, sur votre page, c’est le seuil de franco mal formulé, le délai de livraison affiché seulement à l’étape suivante, ou une option de livraison présélectionnée que personne n’avait demandée. Trois causes distinctes, trois correctifs différents, un seul et même chiffre dans votre tableau de bord.

Pourquoi mesurer davantage ne comble pas le trou

Le réflexe habituel est d’instrumenter plus fort. Cartes de chaleur, enregistrements de session, profondeur de défilement, clics de rage. Chacun ajoute de la résolution, mais toujours à la même nature de preuve : le comportement observable.

Une carte de chaleur vous montrera que onze personnes ont cliqué sur un libellé qui n’est pas un bouton. Elle ne vous dira pas qu’elles ont cliqué dessus parce que le vrai bouton dit Valider et qu’elles ignoraient ce qui serait validé. Cette phrase n’existe que dans la tête du visiteur.

C’est là qu’est le trou, et il est structurel : ces outils produisent des hypothèses, jamais des causes. Vos chiffres sont un détecteur de fumée. Excellents pour signaler qu’il y a un incendie, muets sur ce qui brûle.

Ce qu’une personne ajoute : le raisonnement, en direct

Placez un vrai visiteur devant le même écran, donnez-lui un objectif, et demandez-lui de dire tout ce qui lui passe par la tête pendant qu’il avance. La méthode porte un nom et une littérature : le protocole de verbalisation à voix haute, formalisé par Ericsson et Simon au début des années 1980. Elle reste le pilier du test d’utilisabilité qualitatif.

En trente secondes, vous obtenez ce qu’aucun tableau de bord ne contient. Non pas l’utilisateur a hésité quatre secondes, mais je ne sais pas si la livraison est comprise dans ce montant, et je me suis déjà fait avoir.

La seconde phrase se corrige, la première jamais. Elle nomme la crainte, et le correctif en découle directement : afficher la ligne de livraison dès le panier. Un changement, un après-midi.

Une précision d’honnêteté intellectuelle, parce qu’elle change la façon de mener l’étude. Ce que les gens disent ne recouvre pas toujours ce qu’ils font. Nisbett et Wilson l’ont établi dès 1977 : nous rationalisons volontiers après coup des décisions dont nous ignorons les vraies causes. C’est précisément pourquoi on fait verbaliser pendant la tâche et non après, et pourquoi on croise toujours ce qui est dit avec ce qui est fait à l’écran. Un testeur qui affirme « c’était clair » en ayant cliqué trois fois au mauvais endroit vient de vous donner deux informations, pas une.

Combien de personnes ? Ce que dit vraiment la règle des cinq

Vous avez déjà croisé le chiffre : cinq testeurs suffisent. Il vient de Nielsen et Landauer (1993), popularisé par l’article de Jakob Nielsen Why You Only Need to Test with 5 Users (2000).

La règle est solide, à condition de citer ses conditions, trop souvent omises.

• Cinq personnes par segment. Un outil B2B avec des administrateurs, des utilisateurs finaux et des acheteurs, c’est quinze participants, pas cinq.
• Cinq personnes pour découvrir, pas pour mesurer. Un taux de réussite ou un score comparable demande 20 à 40 participants. Ce n’est pas le même exercice.
• La moyenne cache une dispersion réelle. Les travaux de réplication de Faulkner (2003) confirment la moyenne d’environ 85 %, mais montrent que certains groupes de cinq descendent nettement en dessous. Les problèmes rares échappent aux petits échantillons.
• Mieux vaut trois vagues de cinq qu’une vague de quinze. Vous corrigez entre les tours, et vous testez le correctif au lieu de le supposer.

Autrement dit : cinq personnes sur un parcours précis et un public homogène, c’est le meilleur rapport signal-coût qui existe en recherche utilisateur. Ce n’est pas un chiffre magique valable partout.

Les deux, dans le bon ordre

Rien de tout cela ne dévalue vos statistiques. Cela en fait une première étape plutôt qu’une méthode complète.

1. Regardez l’entonnoir, trouvez la pire étape. Dix minutes, aucun coût.
2. Envoyez cinq personnes traverser exactement cette étape, en verbalisant. Écoutez.
3. Corrigez, puis remesurez sur le même entonnoir.

Les chiffres disent où pointer l’étude, l’étude dit quoi changer, les chiffres disent si ça a marché. Faire l’inverse revient à tester un écran qui n’a jamais été le problème.

Sources

Toutes les données chiffrées ci-dessus proviennent du Baymard Institute, de travaux académiques évalués par les pairs, ou d’une norme officielle. Aucun agrégateur de statistiques, aucun blog de prestataire. Baymard est un organisme de recherche indépendant spécialisé dans l’utilisabilité du commerce en ligne, fondé en 2009 ; ses conclusions reposent sur des tests d’utilisabilité modérés en tête-à-tête et sur une base de référence de sites évalués manuellement.

Recherche primaire en utilisabilité e-commerce

• Cart Abandonment Rate Statistics. Le taux de 70,22 % et sa stabilité sur dix ans.
• How to Reduce Cart Abandonment. Les frais découverts trop tard comme premier motif corrigeable.

Travaux académiques évalués par les pairs

• Nielsen, J. et Landauer, T. K., « A mathematical model of the finding of usability problems », Proceedings of ACM INTERCHI’93, Amsterdam, 1993, p. 206-213. Le modèle des 31 % et des 85 %.
• Faulkner, L., « Beyond the five-user assumption: Benefits of increased sample sizes in usability testing », Behavior Research Methods, Instruments & Computers, 35(3), 2003, p. 379-383. La dispersion autour de cette moyenne.
• Ericsson, K. A. et Simon, H. A., Protocol Analysis: Verbal Reports as Data, MIT Press, 1984. Le protocole de verbalisation à voix haute.
• Nisbett, R. E. et Wilson, T. D., « Telling more than we can know: Verbal reports on mental processes », Psychological Review, 84(3), 1977, p. 231-259. La rationalisation a posteriori.

Pour aller plus loin

• Nielsen, J., Why You Only Need to Test with 5 Users, Nielsen Norman Group, 2000. La vulgarisation de Nielsen et Landauer, pas la source elle-même, mais la porte d’entrée lisible.

Chiffres vérifiés en août 2026. Les pourcentages de motifs d’abandon proviennent d’enquêtes quantitatives menées auprès d’acheteurs américains, calculés après exclusion des répondants déclarant « je regardais seulement ». Ils sont à lire comme des ordres de grandeur sectoriels, non comme des valeurs applicables telles quelles à un site donné.