Was ist A/B-Testing?

A/B-Testing ist eine Methode der Conversion-Optimierung, bei der du zwei oder mehr Varianten einer Seite, eines Elements oder einer Funktion gegeneinander testest. Die Besucher werden zufällig, aber stabil auf die Varianten verteilt – und am Ende zeigt sich datenbasiert, welche Version das gewählte Ziel besser erreicht.

Warum A/B-Testing?

Bauchgefühl ist ein schlechter Ratgeber, wenn es um Conversion geht. Eine andere Überschrift, ein klarerer Button oder ein kürzeres Formular können die Conversion-Rate spürbar verändern – in beide Richtungen. A/B-Testing ersetzt Vermutungen durch Messung: Du veränderst gezielt eine Sache und beobachtest, was passiert.

Die wichtigsten Begriffe

• Control: die unveränderte Originalvariante.
• Variante: die abgewandelte Version, die du gegen die Control testest.
• Conversion-Rate: Anteil der Besucher, die dein Ziel erreichen.
• Uplift: die relative Verbesserung gegenüber der Control.
• Signifikanz: die statistische Sicherheit, dass ein Unterschied kein Zufall ist.

Ein Experiment in fünf Schritten

1. Ziel festlegen. Was soll besser werden – Käufe, Klicks, Anmeldungen? Definiere ein klares primäres Goal.
2. Hypothese formulieren. Zum Beispiel: „Ein kontrastreicherer Button erhöht die Klickrate."
3. Variante bauen. In Splitwave per Visual Editor, Code oder Redirect – ohne Eingriff in den Quellcode.
4. Traffic verteilen. Splitwave teilt die Besucher deterministisch zu, sodass jeder stabil dieselbe Variante sieht.
5. Auswerten. Lass den Test laufen, bis genügend Daten und statistische Signifikanz vorliegen.

Typische Anfängerfehler

• Zu früh stoppen. Wer beim ersten Vorsprung abbricht, misst oft nur Rauschen. Warte auf ausreichende Stichprobengröße.
• Zu viele Änderungen gleichzeitig. Dann weißt du am Ende nicht, welche Änderung gewirkt hat.
• Kein klares Ziel. Ohne primäres Goal lässt sich „Erfolg" nicht messen.
• Saisonale Effekte ignorieren. Lass Tests über vollständige Wochenzyklen laufen.

Wie es weitergeht

Wenn du die Grundlagen verstanden hast, lohnt ein Blick auf Audience-Targeting, um die richtigen Besucher anzusprechen, und auf die Statistik hinter A/B-Tests, um Ergebnisse korrekt zu interpretieren.