Mann-Whitney U Test
Un test non paramétrique utilisé pour comparer deux échantillons indépendants afin de déterminer s'ils proviennent de la même distribution.
Test statistique non paramétrique utilisé pour comparer deux échantillons indépendants, dans le but de déterminer s’ils proviennent de la même distribution. Contrairement aux tests paramétriques (comme le test t de Student), il ne suppose aucune normalité des données, ce qui le rend particulièrement utile dans les contextes où les données sont asymétriques, bruitées, ou influencées par des valeurs extrêmes.
Application en CRO / A/B testing :
Dans une démarche de Conversion Rate Optimization, ce test est idéal pour analyser des métriques non binaires (ex. : valeur moyenne de commande (AOV), revenu par session, temps passé sur une page) lorsque :
- la distribution est fortement biaisée,
- les outliers sont fréquents (ex. : très gros paniers),
- ou les variances sont inégales entre les groupes.
Exemple :
Un test A/B vise à comparer la valeur moyenne du panier entre deux variantes. Les données montrent une distribution très asymétrique avec quelques très gros paniers qui faussent la moyenne.
➡️ Plutôt que d’utiliser un test t, le test de Mann-Whitney permet de comparer la tendance centrale réelle (position relative des valeurs) sans être biaisé par ces extrêmes.
Avantages :
- Robuste face aux distributions non normales,
- Moins sensible aux outliers,
- Approprié pour les métriques continues ou ordonnées non transformables en taux.
À noter :
Il teste les différences de distribution, pas forcément les moyennes. Il est donc utile de l’interpréter dans une analyse globale, en complément d’autres métriques et visualisations.
Autres termes : Statistiques
Voir tout le glossaire- Approche Frequentist (A/B test)Une approche statistique qui estime les paramètres du modèle en se basant uniquement sur les données observées, sans utiliser d'informations a priori.Statistiques
- Bayesian (A/B test)Une approche statistique qui utilise la probabilité pour représenter l'incertitude sur les paramètres du modèle.Statistiques
- Confiance statistiqueNiveau de certitude que l'on a dans les résultats d'un test statistique.Statistiques
- Faux NégatifsRésultats qui manquent à détecter un effet qui est réellement présent.Statistiques
- Faux PositifsRésultats indiquant à tort qu'un effet est présent alors qu'il ne l'est pas.Statistiques
- MDE (Minimum Detectable Effect)La plus petite différence qui, si elle existe, peut être détectée de manière fiable dans un test statistique.Statistiques




