Social & Performance

A/B-Test

Zwei Varianten gegeneinander testen, um die bessere zu finden.

Bei einem A/B-Test werden zwei Versionen einer Seite, eines Elements oder einer Anzeige gleichzeitig an verschiedene Besuchergruppen ausgespielt, um zu messen, welche besser abschneidet. Variante A ist meist das Original, Variante B enthält eine gezielte Änderung, etwa einen anderen Button oder eine neue Überschrift. Anhand einer klar definierten Kennzahl wie der Conversion-Rate zeigt sich datenbasiert, welche Version gewinnt. So ersetzt der A/B-Test Bauchgefühl durch belastbare Entscheidungen.

Wie ein A/B-Test funktioniert

Ein A/B-Test ist im Kern ein einfaches Experiment. Du nimmst eine bestehende Variante - das Original, oft Variante A genannt - und stellst ihr eine zweite Version gegenüber, in der du genau eine Sache änderst, etwa die Farbe eines Buttons, eine andere Überschrift oder ein neues Bild. Beide Versionen laufen zur gleichen Zeit, und die Besucher werden per Zufall auf die eine oder andere Variante verteilt. Weil beide Gruppen unter denselben Bedingungen vergleichen werden, lässt sich der Unterschied im Ergebnis sauber auf die eine geänderte Sache zurückführen. Genau das macht den A/B-Test so wertvoll: Statt zu raten, welche Variante besser ankommt, lässt du die echten Besucher abstimmen. Wichtig ist, immer nur ein Element auf einmal zu testen, denn sonst weißt du am Ende nicht, welche Änderung den Unterschied gemacht hat.

Was sich testen lässt - und was sich lohnt

Grundsätzlich lässt sich fast alles testen, was Besucher sehen: Überschriften, Buttontexte, Bilder, die Reihenfolge von Abschnitten, Preisdarstellungen, Formulare oder ganze Seitenlayouts. Auch außerhalb der Website sind A/B-Tests verbreitet, etwa bei Betreffzeilen von Newslettern oder bei Anzeigenvarianten in Google Ads. Nicht jeder Test lohnt aber gleich viel. Am meisten bringen Tests an Stellen mit viel Traffic und großer Hebelwirkung - also dort, wo schon eine kleine Verbesserung der Conversion-Rate viele zusätzliche Anfragen oder Käufe bedeutet. Die Startseite, zentrale Landingpages und der Checkout sind typische Kandidaten. Bei Seiten mit sehr wenig Traffic dagegen dauert es ewig, bis ein Ergebnis aussagekräftig ist, sodass sich der Aufwand kaum rechnet. Eine gute Faustregel: Teste dort zuerst, wo der größte Engpass im Funnel sitzt.

Statistische Signifikanz: warum Geduld zählt

Der häufigste Fehler bei A/B-Tests ist, zu früh einen Sieger auszurufen. Nach hundert Besuchern sieht eine Variante vielleicht deutlich besser aus, doch dieser Vorsprung kann reiner Zufall sein und sich mit mehr Daten in Luft auflösen. Erst wenn ein Test statistische Signifikanz erreicht, ist das Ergebnis verlässlich - das bedeutet, dass der gemessene Unterschied mit hoher Wahrscheinlichkeit echt und nicht zufällig ist. Dafür braucht es eine ausreichend große Zahl an Besuchern und Conversions in beiden Gruppen sowie eine angemessene Laufzeit, die im Regelfall mindestens eine bis zwei volle Wochen umfasst, damit auch Wochentag-Schwankungen ausgeglichen werden. Lege das Ziel und die nötige Stichprobengröße am besten vor dem Start fest und widerstehe der Versuchung, den Test abzubrechen, sobald die Zahlen kurz in eine Richtung kippen. Geduld ist hier kein Luxus, sondern Voraussetzung für ein verwertbares Ergebnis.

A/B-Tests als Teil systematischer Optimierung

Ein einzelner A/B-Test ist nett, doch seine volle Kraft entfaltet das Verfahren als laufender Prozess. Im Kern steht dabei ein Kreislauf: beobachten, eine Hypothese aufstellen, testen, auswerten und das Gelernte in den nächsten Test mitnehmen. Diese Disziplin nennt sich Conversion-Optimierung und macht aus vereinzelten Verbesserungen einen stetigen Zugewinn. Wichtig ist, auch verlorene Tests als Erkenntnis zu werten, denn sie zeigen, was nicht funktioniert, und schärfen die nächste Hypothese. Über die Zeit summieren sich viele kleine, abgesicherte Verbesserungen zu einem spürbaren Effekt auf Umsatz und Conversion-Rate. Gerade Agenturen, die Performance verantworten, arbeiten deshalb selten mit einmaligen großen Würfen, sondern mit einer geduldigen Folge von Experimenten. So wird Optimierung berechenbar und nachvollziehbar, statt von einzelnen Geistesblitzen abzuhängen - und genau das unterscheidet professionelles Vorgehen von blindem Herumprobieren.