COMPARE/Markin et ta stack
+Markin + Optimizely : des expérimentations réussies à la décision de ce qui vaut la peine d'être testé
+ 17 à 35 % d'ARPU par rapport au holdoutPlage observée sur les déploiements Markin, mesurée sur les cohortes traitées.
Optimizely est une plateforme d'expérimentation et de feature-flagging : elle exécute des A/B tests et des bandits sur les variations que tu définis et rapporte quelle est la gagnante sur une métrique que tu as choisie. Markin se positionne au-dessus et décide quelle opportunité commerciale mérite d'être testée en premier lieu, évalue les revenus qu'elle représente et agit en continu sur les clients qui n'entrent jamais dans une expérimentation. L'apprentissage se fait dans Optimizely ; la décision de ce qu'il faut apprendre et sur qui agir se fait dans Markin.
En bref
- Optimizely: Which variation performs better on this metric, and how confidently? Output: A statistical read per variation: lift, confidence interval, significance.
- Markin, the decision + execution layer: Which opportunity deserves an experiment, and which action should this customer receive now? Output: A ranked, sized decision per customer, including hold, that can feed an Optimizely flag or act directly in other channels.
- Une expérimentation ne couvre que les clients qui touchent la surface signalée ; le reste de la base ne reçoit aucune décision du tout.
- It decides which revenue opportunity is worth a test, and acts on the customers a flag never reaches.
Dernière mise à jour : . Les affirmations concernant d'autres fournisseurs renvoient à la source d'où elles proviennent.
Quel est l'enjeu
Une couche de décision n'est pas une ligne budgétaire pour un outil. Elle augmente l'ARPU sur l'ensemble de la base, chaque mois.
Base installée
3.0M
customers at $22 ARPU / month
Revenu adressable
$396.0M
par an, base atteignable
Augmentation d'ARPU vérifiée
+ 17 % à + 35 % d'ARPU
sur les cohortes traitées, par rapport au holdout
Ce que cela vaut
$67.3M – $138.6M
revenu incrémental par an
Mesuré sur des cohortes traitées par rapport à un holdout randomisé, lu sur une fenêtre de mesure complète plutôt que les premières semaines. Fourchette anonymisée sur les déploiements Markin dans de grandes bases B2C ; ton propre holdout est le chiffre qui décide. Les chiffres ci-dessus appliquent cette fourchette à la part atteignable de la base sur la base des hypothèses de cette page ; ils sont arithmétiques, et non une prévision pour ton entreprise.
Applique-le à tes propres chiffresWhat your stack does today.
01
Optimizely
Une plateforme d'expérimentation et de feature-flagging qui déploie du code derrière des flags, exécute des tests A/B/n et des multi-armed bandits, et rapporte quelle variation est la plus performante sur une métrique de succès définie avec des statistiques valides.
02
Markin, la couche de decision + exécution
Une couche qui découvre et dimensionne les opportunités de revenus par client, sélectionne le traitement avec la valeur incrémentale attendue la plus élevée et attribue un groupe de contrôle, décidant ce qui vaut la peine d'être testé et sur qui agir.
Côte à côte
Les différences qui changent les résultats.
| Dimension | Optimizely | Markin, la couche de decision + exécution |
|---|---|---|
| Question à laquelle elle répond | Quelle variation fonctionne le mieux sur cette métrique, et avec quelle confiance ? | Quelle opportunité mérite une expérimentation, et quelle action ce client devrait-il recevoir maintenant ? |
| Entrée primaire | Variantes, une métrique de succès, allocation du trafic, ciblage de l'audience. | Contexte client, résultats, marges, coûts, historique des contacts, résultats des expérimentations passées. |
| Sortie primaire | Une lecture statistique par variation : lift, intervalle de confiance, significativité. | Une décision classée et dimensionnée par client, incluant le hold, qui peut alimenter un flag Optimizely ou agir directement dans d'autres canaux. |
| Propriétaire habituel | Produit, ingénierie et expérimentation. | Croissance, Data Science et direction des revenus. |
| Comment c'est mesuré | Lift sur la métrique choisie avec signification et intervalle de confiance. | Revenu incrémental et ARPU par rapport à un holdout. |
Job to be done
Le même travail, à un débit différent.
Rien de ce qui suit ne nécessite un outil qui n'existe pas. Il faut que le travail soit effectué en continu au lieu d'une fois par trimestre, et qu'il soit prouvé par rapport à un holdout au lieu d'être débattu.
| Job to be done | With Optimizely alone | Avec Markin |
|---|---|---|
| Remarquez que le chiffre d'affaires par client dérive dans un segment | Quelqu'un le remarque lors d'une revue de tableau de bord, des semaines après son démarrage. | Détecté comme un signal le jour où la dérive efface le bruit, avec le segment déjà dimensionné. |
| Expliquez pourquoi cela se produit | Un analyste est retiré de la roadmap pour une enquête de deux semaines. | Une investigation est exécutée automatiquement et renvoie les facteurs déterminants avec leurs preuves. |
| Élabore des hypothèses qui méritent d'être testées | Un atelier produit la poignée d'idées auxquelles la salle a pu penser. | Les hypothèses sont écrites en continu à travers le marketing, le produit, la tarification et la santé technique. |
| Décide quelles hypothèses méritent un budget | Priorisé par ancienneté et intuition, sans évaluation de l'impact. | Chacun est dimensionné en revenus et classé avant que quoi que ce soit ne soit construit. |
| Choisissez la Next Best Action pour un client | Les règles et les calendriers de campagnes Segment décident, mis à jour quand quelqu'un a le temps. | Choisi par client, par moment, par rapport à tout le reste en compétition pour ce client. |
| Lancez-le réellement | Un ticket pour l'équipe du cycle de vie, puis un créneau dans le calendrier du mois prochain. | Exécuté dans les systèmes que tu utilises déjà, sans nouveau canal à adopter. |
| Prouver que cela a généré du chiffre d'affaires | Rapporté par rapport aux non-qualifiants ou à un holdout global, le cas échéant. | Chaque décision comporte un groupe de contrôle randomisé ; l'uplift est lu par rapport à celui-ci. |
| Éliminer ce qui ne fonctionne pas | Les programmes survivent parce que personne n'est chargé de les retirer. | Ne pas battre le contrôle met fin au programme automatiquement. |
| Refaites tout la semaine prochaine | Capacité limitée : quatre à huit tests par trimestre. | Des centaines d'hypothèses en cours en parallèle, en continu. |
La partie non résolue
Ce qui reste non résolu quand l'expérimentation fonctionne bien
Une configuration Optimizely mature teste tout ce que l'équipe y écrit, à la cadence que l'équipe peut maintenir. Le débit d'expérimentation est limité par les hypothèses qu'un humain décide de formaliser, et les clients auxquels un flag est connecté, plutôt que par ce que les données signalent à travers la base.
- Une expérimentation ne couvre que les clients qui touchent la surface signalée ; le reste de la base ne reçoit aucune décision du tout.
- Stats Accelerator trouve la meilleure variation au sein d'un test ; il ne décide pas si le test lui-même est l'utilisation la plus précieuse de ce contact.
- Chaque expérimentation rend compte d'une seule métrique. Rien ne totalise l'effet de chaque expérimentation qu'un client a vue en un seul chiffre de revenus.
- Le carnet d'hypothèses arrive à la vitesse à laquelle l'équipe peut rédiger les spécifications, pas à la vitesse à laquelle les données changent.
La différence réelle
Markin n'est pas un autre moteur de décision.
Markin n'est pas un moteur de decisioning. Un moteur de decisioning classe les actions qu'un humain a déjà définies. Markin fonctionne comme une équipe data science et growth : il formule ses propres hypothèses sur les raisons pour lesquelles l'ARPU est bloqué (marketing, produit, tarification ou technique), les dimensionne, les exécute dans les systèmes que tu utilises déjà, et analyse chacune par rapport à un holdout.
| Un moteur de decisioning | Markin | |
|---|---|---|
| D'où vient l'hypothèse | Un humain en est l'auteur. Le moteur choisit parmi des options que quelqu'un a déjà approuvées. | Markin les élabore. Il lit la base, identifie les fuites ou les opportunités de revenus inexploitées, et rédige l'hypothèse lui-même. |
| Ce qu'il est autorisé à remettre en question | Message, offre, canal, moment, à l'intérieur de la surface de campagne qui lui a été attribuée. | Tout ce qui fait varier l'ARPU : la friction à l'onboarding, les prix et les forfaits, une fonctionnalité que personne n'adopte, un pic d'échecs de paiement, un lien profond brisé. |
| Qui réalise l'analyse | Tes analystes, avant et après. Le moteur optimise ; il n'enquête pas. | Markin effectue l'analyse. Le dimensionnement, la définition des segments, la conception et l'interprétation des experiments sont automatisés de bout en bout. |
| Où il s'arrête | À la recommandation. Quelqu'un doit encore le construire et le lancer. | Il se lance. Markin s'exécute au sein de tes plateformes et interfaces produit existantes, puis boucle la boucle sur le résultat. |
| Throughput | Autant d'hypothèses que ta feuille de route peut en contenir, généralement une poignée par trimestre. | Des centaines en parallèle, chacun avec un control group. |
| Ce qui se passe quand c'est faux | Le programme continue de s'exécuter jusqu'à ce que quelqu'un le révise. | Il est retiré automatiquement. Ne pas réussir à battre le contrôle est un résultat normal et peu coûteux. |
Un moteur de decisioning choisit la meilleure action à partir d'une liste que tu as écrite. Markin écrit la liste et l'exécute dans ta stack.
Espace d'hypothèses
Tout ce qu'un spécialiste de la croissance humaine examinerait.
La plupart des problèmes de croissance ne sont pas des problèmes de message. Markin ne se limite pas à la surface de la campagne : si quelque chose freine l'ARPU, c'est dans le périmètre et c'est testé de la même manière.
Marketing
La surface classique, mais choisie par client plutôt que par segment, et toujours contre un holdout.
- Quelle offre ce client spécifique vaut la peine d'être faite
- Channel et timing choisis par personne, non par campagne
- Pression de contact et fatigue arbitrées sur chaque programme
- Économie de reconquête : qui vaut un rabais et qui ne le vaut pas
Produit
Là où le client fait réellement l'expérience de la valeur, et là où la plupart des pertes de revenus silencieuses se produisent.
- Étapes d'Onboarding qui font perdre des clients avant la première valeur
- Une fonctionnalité avec une forte corrélation de rétention que la moitié de la base ne découvre jamais.
- Placement du Paywall et des incitations à la mise à niveau
- Surfaces intégrées au produit utilisées comme bras de traitement, pas seulement l'email et les notifications push
Commercial
La tarification, le packaging et la forme de l'offre elle-même, testés plutôt que débattus.
- Structure du plan et du forfait par cohorte
- Profondeur de remise par rapport à la marge, pas uniquement par rapport à la conversion
- Cadrage annuel versus mensuel par client
- Séquences de recouvrement de créances et de churn involontaire
Santé technique
Anomalies que personne n'a demandé de rechercher. C'est la catégorie qu'aucun moteur de décision ne couvre.
- Un taux d'erreur de paiement qui a augmenté sur un appareil et une région
- Défaillances de paiement concentrées sur un seul émetteur ou mode de paiement
- Un lien profond cassé qui tue silencieusement un parcours de grande valeur
- Dégradation de la latence ou de la livraison nuisant à la conversion avant même tout message
Pense à Markin comme à une équipe data science et growth qui ne dort jamais : elle enquête, formule des hypothèses, les déploie dans ta propre stack et prouve chacune d'elles par rapport à un groupe de contrôle, à un volume qu'aucune équipe humaine ne peut atteindre.
Leur couche de decisioning
Quoi Optimizely décide, et où ça s'arrête.
Optimizely est une plateforme d'expérimentation et de feature-flagging. Elle déploie du code derrière des flags, exécute des A/B tests et des bandits sur les variations que tu définis, et prouve quelle variation l'emporte sur une métrique de succès que tu as choisie. Elle ne décide pas quelle opportunité commerciale mérite d'être testée, n'évalue pas les revenus qu'elle représente, et n'agit pas sur les clients qui n'entrent jamais dans une expérimentation.
Produits référencés : Optimizely Feature Experimentation, Optimizely Web Experimentation, Optimizely Personalization, Stats Engine, Stats Accelerator
Ce qu'il optimise
Optimizely Feature Experimentation est documenté comme une plateforme de feature-flagging et d'expérimentation pour déployer du code derrière des flags, exécuter des tests A/B et des déploiements ciblés sur le web, le mobile et les appareils connectés.
Documents du fournisseurDocumentation Optimizely, Introduction à l'Expérimentation de FonctionnalitésOptimizely propose des méthodes statistiques fréquentistes (horizon fixe), bayésiennes et séquentielles (Stats Engine), avec des tests séquentiels qui maintiennent la validité des résultats quel que soit le moment où ils sont consultés et mettent fin aux expérimentations plus tôt en moyenne avec moins d'observations.
Documents du fournisseurSupport Optimizely, Aperçu des méthodes d'analyse statistiqueStats Accelerator est documenté comme un algorithme de bandit manchot qui manipule l'allocation du trafic pour raccourcir le temps nécessaire à la signification statistique et optimiser les récompenses pendant un test.
Documents du fournisseurSupport Optimizely, Aperçu de Stats Accelerator
Limites documentées
L'unité d'optimisation documentée est la variation sur une métrique de succès définie, avec un trafic réparti sur les variations. Le choix de ce qu'il faut tester et de la métrique qui définit le succès reste une décision humaine en dehors de la plateforme.
Documents du fournisseurSupport Optimizely, Méthodes de distribution d'ExpérimentationStats Accelerator et les multi-armed bandits allouent le trafic au sein des variations d'une seule expérimentation ; ils n'arbitrent pas laquelle des nombreuses opportunités commerciales possibles à travers la base mérite attention.
Documents du fournisseurSupport Optimizely, Méthodes de distribution d'Expérimentation
Ce que les preuves disent réellement
Les allégations de performance documentées d'Optimizely concernent la validité statistique et la rapidité d'obtention de la signification (Stats Engine, Stats Accelerator), et non l'incrément de revenu vérifié. Aucune référence indépendante de l'impact d'Optimizely sur l'ARPU ou le revenu n'est publiée.
Documents du fournisseurSupport Optimizely, Aperçu des méthodes d'analyse statistique
Où Markin est différent.
Décide quoi tester, pas quelle variation gagne
Optimizely répond à la question « quelle variation est la plus performante sur cette métrique ». Markin répond à la question « sur quelle opportunité vaut-il la peine de lancer une expérimentation », et met en lumière celles que personne n'avait pensé à tester.
Optimise le revenu sur l'ensemble de la base, et non une seule métrique sur un seul test
Stats Accelerator réalloue le trafic à l'intérieur d'une expérimentation. Markin réalloue le contact et le traitement sur l'ensemble du portefeuille client, en fonction des revenus incrémentaux attendus nets de la marge et des coûts.
Holds sur l'ensemble de l'entreprise, par défaut
Un holdout Optimizely est une répartition du trafic au sein d'une expérimentation. Markin associe un groupe de contrôle à chaque décision, de sorte que le chiffre rapporté est l'ARPU incrémental par rapport au holdout plutôt qu'une lecture de signification sur un drapeau.
Architecture
Comment les deux fonctionnent ensemble
Contexte en
Markin lit le contexte client là où il se trouve déjà : entrepôt de données, CDP, systèmes de produits et de facturation, ainsi que l'historique des résultats. Les résultats d'expériences Optimizely et l'exposition aux flags peuvent faire partie de ce contexte, afin que l'apprentissage nourrisse la décision suivante.
Décision
Markin génère et mesure les opportunités de revenus, les classe par client, choisit un traitement et assigne un control group. Certaines décisions deviennent des expérimentations Optimizely ; la plupart deviennent des actions directes dans d'autres canaux.
Activation vers Optimizely
Là où une hypothèse nécessite un test contrôlé, la décision est réécrite comme ciblage de drapeau ou critères d'audience afin qu'Optimizely l'exécute avec son propre moteur statistique. La logique de drapeau, le code de variation et le rapport de significativité restent dans Optimizely.
La dernière étape est l'exécution, pas un transfert. Markin n'envoie pas de recommandation par e-mail à quelqu'un qui doit ensuite la construire : il lance le traitement à l'intérieur Optimizely et tes surfaces produit directement, avec le holdout attaché, et lit le résultat lui-même.
La boucle
L'exécution est une étape de la boucle, pas un transfert.
- 01
Observer
Markin lit le signal comportemental, transactionnel et produit que tu collectes déjà, en continu.
- 02
Formuler une hypothèse
Il rédige l'hypothèse elle-même, marketing, produit, commerciale ou technique, et indique la direction attendue.
- 03
Évaluer
Chaque opportunité est classée par valeur attendue, de sorte que la file d'attente est ordonnée par l'argent plutôt que par l'opinion.
- 04
Conception
Segment, traitement, garde-fous et un holdout randomisé sont définis avant tout déploiement.
- 05
Exécuter
Il se lance à l'intérieur des systèmes que tu utilises déjà, ta plateforme d'engagement, tes interfaces produit, tes API. Rien n'attend dans une file d'attente de construction.
- 06
Lire
Les résultats sont mesurés par rapport au holdout sur une fenêtre complète, afin que la nouveauté ne soit pas confondue avec l'effet.
- 07
Échelle ou retrait
Ce qui surpasse le contrôle est appliqué à l'ensemble de la base. Ce qui ne l'est pas est automatiquement désactivé.
Où Markin s'intègre
Pas un remplacement. Une équipe de growth-science en plus.
Markin n'exécute pas d'expérimentations et ne remplace pas les flags. Il décide quelle opportunité de revenus mérite un test, et agit sur les clients qu'un flag n'atteint jamais. L'expérimentation conserve son moteur statistique, ses bandits et sa sécurité de publication ; ce qui change est l'input qui décide de ce qui est testé et de qui est ciblé.
La file d'attente d'expérimentation devient une décision, et non un backlog
Au lieu d'une feuille de route produit de tests, les hypothèses à la plus haute valeur sont mises en évidence et dimensionnées à partir des données, de sorte que la capacité d'expérimentation est dépensée là où se trouvent les revenus.
La couverture s'étend au-delà de la surface signalée
Les clients qui n'entrent jamais dans une expérimentation reçoivent quand même une décision, une sauvegarde, un attachement, un maintien, mesurés par rapport au contrôle dans les canaux qu'ils utilisent.
L'apprentissage et l'action partagent un seul enregistrement
Les résultats d'Optimizely alimentent Markin, et le holdout de Markin rétroagit, de sorte que le cycle suivant d'hypothèses s'améliore sur des chiffres prouvés plutôt que de dériver.
Pourquoi Markin gagne
Plus puissant que tout ce qui est sur cette page.
Chaque outil auquel Markin est comparé a été conçu pour un travail qui s'arrête avant que les revenus ne bougent : délivrer le message, unifier les données, scorer le lead. Markin a été conçu pour un seul résultat, faire croître l'ARPU, et il possède la boucle complète qui y mène : investiguer, émettre des hypothèses, lancer, mesurer et mettre à l'échelle, à travers le marketing, le produit, la tarification et la santé technique.
Apprentissage ultra-rapide, par conception
Markin Growth Science exécute le cycle complet d'observation, d'hypothèse, d'expérimentation et de lecture en quelques jours, avec des centaines d'expérimentations soutenues par un holdout en parallèle. Le système multiplie l'apprentissage à un rythme qu'aucune équipe humaine, et aucun outil de campagne, ne peut égaler.
growth operations, rendues efficaces
Le dimensionnement, la conception de segments, la construction, le lancement et la mesure étaient auparavant quatre équipes et un sprint. Chez Markin, ils constituent un seul système, de sorte que la même growth operation génère plus d'actions à revenus avec une fraction des coûts de coordination.
Un résultat : ARPU
Chaque hypothèse est dimensionnée en revenus attendus par client, chaque action est jugée par rapport à un holdout randomisé, et tout ce qui bat le contrôle est automatiquement mis à l'échelle sur l'ensemble de la base. Rien d'autre sur cette page n'est mesuré de cette façon.
Si l'objectif est d'accroître l'ARPU par un apprentissage ultra-rapide et d'exécuter les growth operations plus efficacement, le choix est Markin.
Modèle d'exploitation
La contrainte n'est pas les idées. C'est combien tu peux en tester.
| Today, with Optimizely | Avec Markin en plus | |
|---|---|---|
| Hypothèses de revenus testées par trimestre | 4 à 8, selon la place disponible dans la feuille de route | Des centaines, générées et exécutées en parallèle |
| Ce sur quoi on peut formuler une hypothèse | Messages, offres et audiences, la surface de campagne | Marketing, produit, tarification et santé technique |
| De la décision au direct sur le canal | Un ticket, une file d'attente de build, une fenêtre de release | Markin le lance dans tes plateformes existantes |
| Délai entre l'idée et un résultat fiable | 6 à 10 semaines d'analyse, de construction et de rapport | Jours, car la dimension et la conception sont automatisées |
| Part des décisions avec un groupe de contrôle | Les programmes phares, quand il y a du temps | Chaque décision, par défaut |
| Couverture de la base | Les segments principaux et les clients concernés par une règle | Une décision par client, sur l'ensemble de la base |
| Coût de tester la 500e hypothèse | Un autre analyste, un autre trimestre | Effectivement zéro |
| À quoi l'équipe consacre son temps | Extraire des données, créer des listes, rapprocher des rapports | Jugement : contraintes, économie, ce qu'il faut faire évoluer |
Markin ne remplace pas ton équipe data science. Il supprime le plafond de l'étendue de la base sur laquelle cette équipe peut agir, et de la vitesse à laquelle elle découvre si cela a fonctionné.
Ce que Markin ne remplace pas.
Pour être explicite sur le périmètre, car les achats le demanderont :
- Markin n'exécute pas de tests A/B, de feature flags ou de bandits. L'Experimentation reste dans Optimizely.
- Markin ne remplace pas Stats Engine, Stats Accelerator ni les rapports statistiques d'Optimizely.
- Markin n'est pas un outil d'analyse ou de gestion des versions ; il décide ce qui vaut la peine d'être testé et sur qui agir.
- Markin ne gère pas le code de variation, les déploiements ou les environnements de flag.
- Markin ne s'assied pas à côté Optimizely formule des suggestions. C'est lui qui le pilote, l'action est lancée là, dans le système que ton équipe connaît déjà, et le résultat revient dans la boucle.
Standard de preuve
La plupart des éléments de cette catégorie rapportent leur propre lift.
Aucun des principaux fournisseurs d'engagement, de CDP ou de personnalisation ne publie un chiffre d'uplift vérifié de manière indépendante pour son produit de décision. Lorsque des chiffres existent, ils proviennent d'études commanditées par les fournisseurs ou d'études de cas à client unique sans méthodologie de holdout divulguée. La recherche publique la plus rigoureuse dans cette catégorie n'est flatteuse pour personne, y compris nous, et c'est précisément pourquoi nous nous basons dessus.
BCG rapporte que lorsque les organisations adoptent des tests d'incrémentalité rigoureux, elles constatent généralement que 20 % à 40 % de leurs programmes Next Best Action actifs génèrent un gain marginal, voire négatif.
Recherche indépendanteBCG, How Measurement Is Evolving in Next-Best Action (2026)La même recherche signale des effets de nouveauté, les nouveaux programmes affichent des résultats initiaux gonflés, et recommande 8 à 12 semaines avant de tirer des conclusions.
Recherche indépendanteBCG, How Measurement Is Evolving in Next-Best Action (2026)Les mesures de ROI au niveau du programme et des holdout mondiaux surestiment souvent l'impact par des effets de halo, des effets d'anticipation et la contamination des experiments.
Recherche indépendanteBCG, How Measurement Is Evolving in Next-Best Action (2026)
Comment Markin s'y tient
- Chaque décision prise par Markin comporte un groupe de contrôle. L'uplift est rapporté par rapport à ce holdout, et non par rapport aux clients qui ne se sont pas qualifiés.
- Les résultats sont lus sur une fenêtre de mesure complète plutôt que dans les premières semaines, afin que la nouveauté ne soit pas confondue avec l'effet.
- Les programmes qui ne parviennent pas à surpasser le groupe de contrôle sont automatiquement retirés. Mettre fin aux décisions non rentables fait partie de la boucle, et non d'un examen annuel.
- Le seul chiffre que nous citons à notre sujet est une fourchette, pas une moyenne : de +17 % à +35 % d'ARPU sur les cohortes traitées par rapport à un holdout randomisé, sur les déploiements Markin dans de grandes bases B2C. Nous ne publions aucune référence sectorielle, car nous n'avons pas pu en trouver une que nous serions prêts à défendre. Ton holdout est le chiffre qui compte.
Dimensionne-le toi-même
Dimensionne la couche de decisioning au-dessus de ton programme Optimizely
Préchargé pour une entreprise d'abonnements de consommation qui exécute Optimizely à l'échelle : feature-flagging et A/B testing matures, une équipe produit qui livre de nombreuses expérimentations. Optimizely prouve quelle variation l'emporte sur la métrique que tu as choisie. Le chiffre ci-dessous est la marge incrémentale disponible en décidant ce qui vaut la peine d'être testé en premier lieu, et en agissant sur chaque client en continu plutôt que seulement là où un flag est câblé, mesuré par rapport à un holdout plutôt qu'une lecture de signification par expérimentation.
Ta base
Comptes ayant généré des revenus au cours des 30 derniers jours. Pas des utilisateurs enregistrés.
Revenus récurrents plus non récurrents divisés par les clients actifs.
Marge sur la prochaine unité vendue, et non la marge globale de l'entreprise.
Ton programme aujourd'hui
Consentant, non fatigué, joignable sur au moins un canal.
Revenus perdus en raison des annulations chaque mois, en part de la base.
Le pari
Licences, données, incitations et les personnes qui les gèrent.
Avant toute réduction d'incrémentalité. 2 à 4 % est une hypothèse de planification défendable.
Impact annuel vérifié
$4.0M
Marge brute incrémentale nette dans le cas central, après le coût du programme et après la part des programmes de décision que des recherches indépendantes estiment ne pas générer de réel lift.
ARPU incrémental (uplift) rapporté
$11.9M
What a before/after dashboard would claim, with no control group.
Augmentation vérifiée
$8.3M
What survives a holdout in the central case.
Rentabilité du coût du programme
5.0×
Remboursement
3 mo
Si 20 à 40 % de celui-ci ne donne rien
Ce qu'il faut pour le prouver
Pour détecter une 3 % d'uplift sur les revenus par client, il te faut environ 40K clients du bras de contrôle, environ 2.7 % de ta base adressable, lue sur au moins 8 weeks, afin que la nouveauté ne soit pas confondue avec l'effet.
Base adressable
1.5M
Revenus menacés par le churn
$214.7M
Annualised, at the current monthly rate.
Délai de rentabilisation
90 jours pour obtenir un chiffre ayant survécu à un holdout.
Pas de refonte de la plateforme, pas de migration de données, pas de reconstruction des canaux que tu utilises déjà. Si les premières cohortes ne dépassent pas le contrôle, rien ne se développe et tu as perdu un trimestre, pas une feuille de route.
Semaines 0–2
Lis le contexte que tu as déjà
Markin se connecte aux données et aux canaux que tu utilises aujourd'hui, Optimizely inclus. Pas de migration, pas de replatform, pas de nouvelle source de vérité.
Semaines 3–6
Premières opportunités chiffrées en test
Les Opportunités sont classées par valeur attendue, les traitements sont choisis par client, et les premières cohortes sont mises en ligne avec un holdout randomisé attaché.
Semaines 7–12
Premier revenu incrémental vérifié
Les résultats sont lus sur une fenêtre de mesure complète. Ce qui surpasse le contrôle est mis à l'échelle ; ce qui ne le fait pas est retiré. Rien n'est mis à l'échelle sur un chiffre qui n'a pas survécu à un holdout.
Quand tu n'as pas besoin de Markin.
- Tu mènes une poignée d'expérimentations par trimestre et l'équipe peut encore raisonner sur laquelle prioriser lors d'une réunion.
- Chaque décision client transite déjà par une surface balisée, il n'y a donc pas de base non adressée sur laquelle agir.
- Ta métrique de succès ne peut pas être liée aux revenus, donc ni les expérimentations ni les décisions ne peuvent être valorisées.
Le voir dans le produit
Voyez-le décider, expérimenter et exécuter, avant de parler à qui que ce soit.
Une visite guidée du workspace Markin sur un client de démonstration, sans appel commercial, sans configuration.
Questions que les acheteurs posent.
Optimizely ne prend-il pas déjà des décisions avec des bandits ?
Stats Accelerator et les multi-armed bandits réallouent le trafic entre les variations à l'intérieur d'une expérimentation pour atteindre la significativité plus rapidement ou maximiser la récompense pendant le test. Ils optimisent le test que tu as déjà écrit ; ils ne décident pas quelle opportunité vaut la peine d'être testée, ne dimensionnent pas les revenus qui en découlent, ni n'agissent sur les clients qui n'entrent jamais dans l'expérimentation.
Devons-nous remplacer Optimizely ?
Non. Optimizely reste la couche d'expérimentation et de feature-flagging. Markin décide quelle hypothèse mérite un test et transmet cette décision à Optimizely comme ciblage de flag, tout en agissant sur le reste de la base directement dans d'autres canaux.
Comment la décision atteint-elle Optimizely ?
Comme des règles de ciblage de flag ou des critères d'audience sur un flag, pour qu'une expérimentation existante le prenne en compte. La surface d'intégration est la même que celle que ton équipe utilise déjà pour tout autre signal amont.
Exécuter des expérimentations tout le temps n'est-ce pas la même chose que le decisioning ?
Non. L'expérimentation teste quelques hypothèses à cadence humaine sur les surfaces que tu as signalées. Le decisioning continu agit sur chaque client, à chaque cycle, avec un groupe de contrôle par défaut, y compris sur les clients qu'aucune expérimentation n'atteint. Les expérimentations prouvent ce qui fonctionne ; le decisioning décide qui le reçoit et qui est mis en holdout.
Qui est propriétaire du résultat, le produit ou la croissance ?
Les deux. Le produit et l'ingénierie possèdent les expérimentations et les flags ; la growth et la data science possèdent la décision de revenus. La couche de decisioning est le contrat partagé entre eux.
À quoi ressemblent les quatre-vingt-dix premiers jours ?
Un thème de revenus, un canal, un véritable holdout. L'objectif du premier trimestre est un chiffre incrémental défendable, pas une couverture complète du backlog d'expérimentations.
En quoi Markin est-il différent du decisioning ou de l'IA déjà présents dans Optimizely ?
Un moteur de decisioning classe les actions qu'un humain a déjà définies, à l'intérieur de la surface de campagne qui lui a été donnée. Markin formule lui-même les hypothèses (marketing, produit, prix ou anomalie technique freinant la growth), les quantifie, les exécute à l'intérieur de Optimizely et de tes surfaces produit, et lit chacune d'elles par rapport à un holdout randomisé. Il se comporte comme une équipe data science et growth, pas comme un optimiseur.
Markin teste-t-il uniquement les messages et les offres ?
Non. Tout ce qu'un growth scientist humain investiguerait est inclus : la friction à l'onboarding, l'adoption de fonctionnalités, la tarification et le packaging, le recouvrement, et les problèmes de santé technique tels qu'un taux d'erreur de paiement ou un deeplink cassé qui tue silencieusement la conversion. Le marketing est l'un des quatre domaines d'hypothèse, pas la limite.
Qu'est-ce que the business case for adding Markin on top of Optimizely ?
On the assumptions preloaded above, 3.0M customers at 22 a month, une petite variation de l'ARPU représente un chiffre important en valeur absolue, car elle s'applique à l'ensemble de la base installée chaque mois plutôt qu'à une campagne. Sur l'ensemble des déploiements Markin, la fourchette vérifiée sur les cohortes traitées est de +17 % à +35 % ARPU par rapport à un holdout randomisé. L'objectif n'est pas d'envoyer plus de messages : il s'agit de trouver l'action à plus forte valeur par client, de la lancer et de la prouver par rapport à un groupe de contrôle avant de la généraliser.
Combien de temps avant qu'il ne soit rentable ?
Les premières opportunités dimensionnées sont en test dans les six semaines et le premier résultat vérifié par holdout arrive en moins de 90 jours. Le retour sur investissement dépend de ta base, de ta marge et du coût du programme. Le calculateur sur cette page le calcule à partir de tes propres chiffres, après application de la réduction de 20 % à 40 % que BCG constate lorsque les programmes Next Best Action sont testés en termes d'incrémentalité.
Lis la suite
Lecture approfondie sur le fonctionnement du next best action decisioning, à partir des guides qui ont inspiré cette comparaison.
Next best action marketing : ce que c'est et comment ça marche en 2026
Next best action marketing expliqué : comment ça marche, exemples B2C réels, comment ça diffère des campagnes par segments et du marketing automation, et ce que ça vaut sur une base de 2M.
Les CMO sur le passage du volume créatif au volume de décision
Quatre conversations de CMO sur ce qui change lorsque la contrainte passe de la production de supports créatifs au routage du bon support vers le bon client.
Flux d'opportunités, maintenant avec la provenance des hypothèses
Chaque action candidate dans le fil d'opportunités Markin contient désormais le signal, le segment et l'expérimentation précédente dont elle découle. Un clic pour auditer ou déployer.