A/B-Testing

Die Disziplin des A/B-Testings beruht auf zwei Regeln. Ändere nur eine Variable auf einmal, damit sich eine Verbesserung einer konkreten Ursache zuordnen lässt und nicht einem Knäuel von Änderungen, das du später nicht mehr entwirren kannst. Und lass den Test eine echte Stichprobengröße erreichen, bevor du ihn auswertest, denn ein paar Dutzend Bestellungen können rein zufällig stark schwanken und dich zu einem falschen Schluss verleiten. Auch die zufällige Aufteilung ist entscheidend: Jeder Besucher muss unabhängig von allem, was du über ihn weißt, einer Version zugewiesen werden, sonst ist der Vergleich nicht mehr fair und das Ergebnis nicht mehr vertrauenswürdig.

An dieser zweiten Regel scheitern die meisten Shops. Eine Version, die nach zwei Tagen wie ein klarer Gewinner aussieht, fällt oft wieder zurück, sobald genügend Besucher sie gesehen haben. Einen Test zu früh abzubrechen, ist deshalb der häufigste Weg, eine Änderung auszuspielen, die nichts bewirkt oder still schadet. Lege die Laufzeit und die Mindestzahl an Conversions im Voraus fest und widerstehe dem Drang, zwischendurch zu prüfen und den Sieg auszurufen. Es hilft außerdem, vor dem Start zu definieren, was als Erfolg gilt, denn die Add-to-Cart-Rate zu messen und abgeschlossene Checkouts zu messen kann auf entgegengesetzte Gewinner deuten.

Nimm als Beispiel einen Shopify-Shop, der Keramik-Kochgeschirr verkauft. Das Team vermutet, dass die Produktseite die Bewertungen zu weit unten versteckt, und baut deshalb eine Variante, die die Sternebewertung und drei aktuelle Bewertungen direkt unter den Preis rückt, während die Kontrollseite unverändert bleibt. Die Besucher werden gleichmäßig aufgeteilt, der Test läuft über zwei volle Wochen, um sowohl das Verhalten unter der Woche als auch am Wochenende abzudecken, und das Team verpflichtet sich im Voraus, das Ergebnis erst nach mindestens vierhundert Checkouts zu lesen. Hebt die Variante die abgeschlossenen Bestellungen, hat sich die Änderung ihren Platz verdient. Kommt das Ergebnis flach zurück, ist auch das eine wertvolle Erkenntnis: Die Position der Bewertungen war nicht das, was die Conversions ausgebremst hat, und die Aufmerksamkeit kann stattdessen zur Preisgestaltung, zur Klarheit beim Versand oder zur Produktfotografie wandern.

A/B-Testing belohnt Geduld mehr als Raffinesse. Die meisten Tests kommen flach oder ergebnislos zurück, was selbst ein nützliches Resultat ist: Es sagt dir, dass das Element, über das du gestritten hast, die Zahl nicht bewegt, und du kannst aufhören, ihm Aufmerksamkeit zu schenken. Ehrlich betrieben wird eine Reihe kleiner Tests zu einer Aufzeichnung dessen, worauf genau deine Kundschaft tatsächlich reagiert, und das ist haltbarer als jede allgemeine Faustregel, die aus einem anderen Shop kopiert wurde.

Die Praxis hält dich außerdem in einer Zeit voller selbstbewusster Vermutungen ehrlich. Antwortmaschinen wie ChatGPT, Perplexity und Google AI Overviews fassen Conversion-Ratschläge bereitwillig so zusammen, als wären sie gesichert, und ein großer Teil dieser Ratschläge ist Folklore. A/B-Testing ist der Weg, solche Aussagen am eigenen Sortiment zu überprüfen, statt sie hinzunehmen. Wenn dir also ein KI-Tool sagt, dass ein bestimmtes Layout oder eine bestimmte Button-Farbe den Umsatz hebt, hast du eine Methode, das zu bestätigen oder still zu verwerfen, bevor du dich darauf festlegst.