A/B-Testing
A/B-Testing ist ein kontrolliertes Experiment, das zwei Versionen einer Seite oder eines Elements vergleicht, indem es den Traffic aufteilt, um zu erkennen, welche das bessere Ergebnis liefert.
Im Detail
Ein A/B-Test isoliert eine einzelne Variable, etwa eine Überschrift oder einen Button-Text, indem er zufällig aufgeteilte Hälften des Publikums gleichzeitig auf eine Kontrolle (A) und eine Variante (B) schickt. Der gleichzeitige Betrieb kontrolliert für Saisonalität und Verschiebungen der Traffic-Quellen, und der Signifikanztest zeigt, ob der beobachtete Unterschied wahrscheinlich echt oder nur Rauschen ist. Die Disziplin liegt darin, jeweils nur eine bedeutsame Sache zu ändern, damit sich jede Steigerung einer konkreten Ursache zuordnen lässt.
In einem Lead-Qualifizierungs-Workflow macht A/B-Testing aus Meinungen Belege darüber, was Quiz-Starts, Abschlüsse und Lead-Übermittlungen wirklich bewegt. Ein häufiger Fehler ist, einen Test sofort zu stoppen, sobald er nach einem Gewinner aussieht; ein vorzeitiges Ende vor Erreichen der festgelegten Stichprobengröße erzeugt falsch positive Ergebnisse, die sich nicht reproduzieren lassen. Ebenso wichtig ist es, zuerst Elemente mit großer Wirkung zu testen, da das Umstellen trivialer Details selten genug Steigerung bringt, um den verbrauchten Traffic zu rechtfertigen.
Beispiel aus der Praxis
Häufig gestellte Fragen
Wie lange sollte ein A/B-Test laufen?
Lassen Sie ihn laufen, bis Sie eine vorher festgelegte Stichprobengröße und mindestens ein bis zwei volle Geschäftszyklen erreicht haben, typischerweise eine bis vier Wochen. Ein Ende allein nach Zeit oder ein vorzeitiger Stopp bei gut aussehender Variante schwächen beide die Zuverlässigkeit.
Wie viele Variationen kann ein A/B-Test haben?
Ein reiner A/B-Test vergleicht zwei Versionen, aber in einem A/B/n-Test können Sie weitere Varianten ergänzen. Jede zusätzliche Variante teilt den Traffic weiter auf und benötigt mehr Gesamtbesucher, um Signifikanz zu erreichen.
Was ist statistische Signifikanz beim A/B-Testing?
Sie ist die Sicherheit, dass ein gemessener Unterschied zwischen Varianten echt und nicht zufällig ist, oft als 95-%-Konfidenzniveau ausgedrückt. Sie erfordert genügend Conversions, nicht nur genügend Besucher.