Un faux positif (False Positive) est une erreur de classification dans laquelle un système — algorithme, filtre anti-spam, test statistique, modèle de scoring — identifie incorrectement un résultat comme positif alors qu'il appartient en réalité à la catégorie négative. En statistiques, c'est ce qu'on appelle une erreur de Type I (rejeter une hypothèse nulle vraie).
En marketing, les faux positifs se manifestent dans plusieurs contextes critiques : un filtre anti-spam qui classe un e-mail légitime comme spam (nuisant à la délivrabilité), un modèle de scoring de leads qui qualifie comme MQL un contact qui n'a aucune intention d'achat (surchargeant les commerciaux), un test A/B qui déclare "gagnante" une variante dont la supériorité n'est que statistiquement aléatoire (conduisant à une mauvaise décision produit), ou un algorithme de détection de fraude au clic qui bloque de vraies conversions.
La gestion du taux de faux positifs est un équilibre délicat : le réduire à zéro implique souvent d'accepter plus de faux négatifs (manquer de vrais positifs). En testing statistique, le recours systématique à des seuils de significativité (p-value < 0,05) sans ajustement pour les tests multiples augmente mécaniquement le risque de faux positifs. Les bonnes pratiques incluent l'utilisation de méthodes bayésiennes, la pré-registration des hypothèses et la validation des résultats sur des cohortes indépendantes.