Trotz liebevoller Gestaltung und Optimierung, kann es vorkommen, dass Websites und Apps von Unternehmen, nicht die erwarteten Ergebnisse liefern. Zum Beispiel erstellt eine Agentur eine gesonderte Landingpage für einen Produktlaunch, jedoch verlassen die durch teure und aufwendige Werbekampagnen gelockten User unverhofft schnell wieder die Seite. Was läuft da schief?

In solchen und ähnlichen Fällen bietet sich A/B-Testing als eine Lösung an. Hierdurch kann herausgefunden, wo der Schuh drückt und letztendlich zum Beispiel die Conversion Rate gesteigert werden.

Was ist A/B-Testing?

A/B-Testing (Split-Testing) ist ein Begriff aus dem Online-Marketing und beinhaltet das Testen von zwei Varianten (A und B) von Webinhalten, Apps oder Newslettern. Es werden zwei Testgruppen erstellt, wobei jede Gruppe eine Variante erhält. Durch die Analyse der Interaktionen und Nutzerdaten kann bestimmt werden, welche Variante effektiver ist.

A/B-Testing Illustration

Vorgehensweise beim A/B-Testing

Um aussagekräftige Ergebnisse von AB-Tests zu erhalten, ist ein strukturiertes und systematisches Vorgehen notwendig. Die folgenden 7 Schritte beschreiben einen exemplarischen Ablauf.

    1. Problemerkennung und Optimierungsmöglichkeiten
      Zunächst ist es wichtig, Problemstellen zu identifizieren und festzustellen, wo Optimierungspotenziale liegen. Dazu können Nutzerdaten aus verschiedenen Quellen wie Webanalysen, Umfragen oder Eye-Tracking-Tools herangezogen werden.
    2. Auswahl der Testgruppe
      Abhängig von der Zielsetzung des Tests und der Größe des Nutzerkreises, wird eine geeignete Testgruppe gewählt. Bestimmte Nutzergruppen können ausgeschlossen werden, wenn sie für das Testziel nicht relevant sind.
    3. Hypothesenbildung
      Für jedes identifizierte Problem wird eine Hypothese formuliert, die angibt, welche Änderungen vorgenommen werden sollen und welche Ergebnisse erwartet werden.
    4. Durchführung des Tests
      Der Test wird unter Beachtung der Gruppengröße und Laufzeit durchgeführt. Wichtig ist, externe Einflüsse zu minimieren und eine hohe Zuverlässigkeitsrate anzustreben.
    5. Auswertung des Tests
      Die Ergebnisse des Tests werden im Hinblick auf die formulierten Hypothesen analysiert. Abweichungen von den Erwartungen sollten kritisch hinterfragt werden.
    6. Implementierung und Überwachung
      Erfolgreiche Testergebnisse führen zu Änderungen, deren Auswirkungen weiterhin beobachtet werden sollten, um sicherzustellen, dass sie langfristig positive Effekte haben.
    7. Fortsetzung des Testprozesses
      Nach Abschluss eines Testzyklus wird mit neuen Hypothesen ein weiterer Testzyklus gestartet.

Zwei Tipps

  • Stichprobengröße: Mit diesem Rechner kann die benötigte Stichprobengröße für AB-Tests ermittelt werden.
  • Signifikanz: Um die Signifikanz und das Ergebnis der Tests zu bewerten, kann dieser Rechner verwendet werden.

A/B-Testing Tools

Es gibt eine Vielzahl von Tools für A/B-Tests, von einfachen bis hin zu komplexen Systemen, die sich sowohl für kleine und mittelständische Unternehmen als auch für große Konzerne eignen. Die Auswahl des passenden Tools hängt letztendlich von den spezifischen Anforderungen ab:

  • Optimizely: Das Experiment genannte Feature bietet ein benutzerfreundliches System mit einem WYSIWYG-Editor und Echtzeitergebnissen. Preise werden erst auf Anfrage erteilt.
  • Ryte: Ermöglicht intuitive und schnelle A/B-Tests speziell für SEO in der kostenpflichtigen Version. Dies erleichtert SEO-Experten die Arbeit, indem es das übliche “Trial & Error”-Verfahren ersetzt und direkte Maßnahmenableitungen aus den Testergebnissen ermöglicht.
  • Kameleoon: Einfache Installation innerhalb weniger Minuten und intuitive Bedienung dank WYSIWYG-Editor. Das Tool bietet schnelle Ladezeiten und verschiedene Pakete entsprechend der Besucherzahlen.
  • VWO Testing: Der Visual Website Optimizer ist ein einfach zu bedienendes Tool mit WYSIWYG-Editor und zahlreichen Zusatzfunktionen wie Heat- und Clickmaps. Eine 30-tägige kostenfreie Testphase wird angeboten, gefolgt von mehreren Paketen für unterschiedliche Besucherzahlen und Preisstaffelungen.
  • AB Tasty: All-In-One-Anbieter für Conversion-Optimierung. A/B- und Multivariates-Testing, Personalisierung, einen Marketplace mit Plugins und Widgets zur Steigerung des Nutzerengagements, Session Recording, Heatmaps, Reporting und App-Optimierung.
  • Google Optimize: Wurde im September 2023 eingestellt. Kunden werden aufgrund fehlender Features daher an Drittanbieter verwiesen.
  • Für größere Unterfangen bieten sich zudem Lösungen wie Adobe Target oder Sitespect an, welche auf speziellere Anforderungen zugeschnitten sind.

AB-Testing-Veranschaulichung

Anwendungsbereiche und Beispiele

  • Rotes vs grünes Button: Der berühmte rote vs grüne Button-Test verdeutlichst eindrucksvoll, wie einflussreich die Anpassung einer Variable sein kann. Der rote Button verbuchte in einem von Hubspot durchgeführten Experiment eine 21% höhere Klickrate als die grüne Variante. Das heißt jetzt nicht sämtliche Buttons auf Rot zu stellen. Nach wie vor bestimmt die eigene Audience und z.B. das Gesamtbild der Seite was gut ankommt oder das Corporate Design schiebt Farbänderungen einen Riegel vor.
  • A/B-Testing kann in verschiedenen Bereichen angewendet werden, wie etwa beim Testen von Produktbeschreibungen in einem Onlineshop. Ein konkretes Beispiel wäre das Testen unterschiedlicher Beschreibungen für Schuhe, um zu sehen, welche Beschreibung das Kaufverhalten stärker beeinflusst. Zum Beispiel könnten unterschiedliche Produktbilder, CTAs und Textänderungen vorgenommen werden.
  • Weiterführend könnten spezifische Anzeigen für selektive Audiences vorgenommen werden. Ein Beispiel hierfür wäre die Optimierung auf das Geschlecht oder die jeweilige Werbeplattform.
  • Auch der Aufbau einer Webseite kann Auswirkungen auf das Kaufverhalten haben. Es könnte zum Beispiel getestet werden ob der Abschnitt welches die Features aufzeigt, weiter oben bzw. unten platziert werden soll.

Fazit

A/B-Testing ist ein essenzielles Werkzeug im digitalen Marketing. Es ermöglicht detaillierte Einblicke in Kundenpräferenzen durch die Optimierung einzelner Variablen. Anstatt zu raten, bedient man sich einer auf Daten basierenden Entscheidungsgrundlage. Selbst kleine Änderungen können zu einer signifikanten Steigerung der Kundenzufriedenheit und Conversion-Rate führen.