Mit A/B-Testing schrittweise eine höhere Conversion Rate erzielen

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print

Mit A/B-Testing schrittweise eine höhere Conversion Rate erzielen

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
E-Commerce und A/B-Testing gehören fest zusammen. Durch die Testings erhalten Anbieter nicht nur wertvolle Erkenntnisse über die User und deren Verhalten. Sie können auch die Conversion Rate schrittweise erhöhen. Welche Strategie bei Testkampagnen zum Erfolg führt, erklärt Gastautor Thomas Gruhle von Leap.
A/B-Testing

Quelle: Olivier Le Moal/shutterstock

A/B-Testreihen können komplex und zeitintensiv sein – ein planvolles Vorgehen mit der passenden Strategie und dem richtigen Mindset zahlt sich deswegen aus. Dabei gibt es nicht eine „One-Size-Fits-all-Lösung“: Erfolgreiches A/B-Testing hängt von zahlreichen Faktoren ab. Es hilft der Blick auf die Details und auf die Fragen, wann ein Testing erfolgreich war und vor allem warum.

Conversion-Rate-Optimierung durch A/B-Testing verfolgt primäre und sekundäre Ziele. Das Hauptziel ist der Grund für die Tests, zum Beispiel mehr Verkäufe, ein höherer Warenkorbwert oder mehr Registrierungen für den Newsletter. Unter die sekundären Ziele fallen weitere Informationen über das Nutzerverhalten sowie die Auswirkungen des Tests, aus denen die Ergebnisse besser bewertet und Folgetests generiert werden können.

A/B-Testing: Die richtigen Ziele und Metriken bestimmen

Die primären Ziele sollten sich auf eindeutig interpretierbare und sinnvolle Metriken beziehen. Wichtig ist außerdem, dass sie sich nicht selbst kannibalisieren. Das passiert schneller als gedacht, da eine starke Performance auf der einen Seite eine andere schwächt: Mehr Neuregistrierungen im Newsletter können zum Beispiel zu weniger Verkäufen führen. Das kann zum Beispiel daran liegen, dass die neu angemeldeten Nutzer auf künftige Rabatte spekulieren. Unternehmen müssen also nicht nur die richtigen, das heißt für sie relevanten Ziele festlegen, sondern dazu auch eine passende Hypothese aufstellen. Diese wird dann vom definierten, möglichst umfangreichen Tracking bestätigt oder widerlegt.

Werden Tests durchgeführt, um als Entscheidungsbasis zu dienen, müssen sie sauber aufgesetzt werden, so dass die Kausalitäten stimmen und es einen Zusammenhang zwischen einer Veränderung, einer Testvariante, und einer Auswirkung gibt. Damit er nachgewiesen werden kann, darf nur ein Faktor in der Variante geändert werden. Mehrere Anpassungen lassen eine klare Interpretation der Auswirkungen nicht mehr zu.

Erfolgreich sind A/B-Tests dann, wenn sie zu verwertbaren, aufschlussreichen Ergebnissen kommen. Es kann auch passieren, dass ein Test trotzdem nicht auf die gewünschten Vorgaben einzahlt: Wurde etwa das Ziel, die Anzahl der Verkäufe zu erhöhen, erreicht, aber parallel sank der Warenkorbwert, so kann es sein, dass der Umsatz sich insgesamt nicht erhöht.  Doch auch ein solcher Test ist nicht nutzlos, sondern bildet die Basis für neue Hypothesen, weitere Tests und tiefergehende Learnings.

Umsatz als einer der wichtigen Erfolgsindikatoren

Umsatz ist nicht gleich Umsatz. Er geht zurück auf drei Faktoren: die Warenkorbwerte, die Anzahl der Verkäufe und den Traffic auf der Seite allgemein. Alle drei werden unterschiedlich gemessen und können ihrerseits wiederum verschiedenen Einflüssen unterliegen. Dabei spielt auch der Zufall eine Rolle. Deswegen sollten A/B-Tests den Umsatz nicht als alleinigen Indikator für Erfolg wählen. Der Zusammenhang von Ursache und Wirkung ist komplex und der Testaufbau kann das nicht immer abbilden.

Zufällige Ausspielungen von Testvarianten können zum Beispiel das Ergebnis verzerren, wenn eine Variante mehr Nutzer zugelost bekommt als die andere und sich daraus das Umsatzplus ergibt. Auch Extrem-Werte in den Warenkörben verzerren den durchschnittlichen Warenkorbwert – für die Statistik müssten diese Werte neutralisiert werden. Das Generieren von mehr Umsatz geht übrigens nicht ohne (zusätzlichen) Fokus auf die Traffic-Optimierung: Mehr Traffic bei gleicher Conversion-Rate bedeutet ein Umsatzplus.

A/B-Testing – erste konkrete Schritte zum Erfolg

Die Online-Marketing Agentur Leap/ setzt auf einen iterativen Test-Zyklus aus sechs Schritten, der sich in der Praxis bewährt hat. Diese drei Schritte lauten Analyse, Hypothese, Variation, A/B-Test-Setup, Test-Durchführung sowie Auswertung und Implementierung.

1. Analyse und Hypothese

Die Basis der Testings stellen die quantitative und qualitative Analyse der zu optimierenden Plattform dar. Bei ersterer werden die Zahlen der Analytics-Tools ausgewertet mit dem Ziel, die Probleme der Seite ausfindig zu machen – etwa eine hohe Bounce Rate oder eine geringe Conversion Rate. Wer Tracking-Tools wie Heatmaps im Einsatz hat, kann außerdem das Verhalten der User genauer untersuchen: Wo wird viel geklickt oder worüber wird schnell hinweggescrollt? Die qualitative Analyse – auch der Wettbewerber – wendet dann psychologische Heuristiken, Quick Wins und Best Practices an, um weitere mögliche Probleme und Potenziale zu entdecken.

Eine Testing-Roadmap hilft dabei zu entscheiden, an welchen Stellen getestet werden soll und in welcher Anzahl. Ideen sollten priorisiert werden, um eine Testreihenfolge festzulegen. Entscheidungskriterien sind unter anderem wo der Test im Funnel positioniert werden soll, wie stark sich die Varianten vom Original abheben, wie stark der Einfluss auf das Userverhalten sein wird oder wie groß das erwartete Learning ist.

Die durch die Analysen festgestellten Probleme werden in Hypothesen formuliert. Hier hilft die Gliederung in „Wenn-dann-weil“-Aussagen: Wenn etwas Bestimmtes auf der Seite geändert wird, dann führt das zu einem Uplift für ein primäres Ziel, weil eine Heuristik das Verhalten des Users beeinflusst.

2. Variation und Setup

Wenn möglich, sollte mit mehreren Testvariationen gearbeitet werden, da sie die Wahrscheinlichkeit eines aussagekräftigen Ergebnisses erhöhen. Mit einem Laufzeit-Rechner kann dann die Dauer der verschiedenen Setups auf Basis von Kennzahlen ermittelt werden. Dazu gehören die aktuelle Conversion Rate des Primärziels, die Nutzerzahl auf der Zielseite, die erwartete Verbesserungsrate und das Confidence-Niveau: Es besagt, dass die angestrebte Veränderung signifikant und damit auf alle User übertragbar sein wird. Danach werden die Varianten konzipiert, berechnet und vom Design erstellt.

Nun wird der Test ins Development gegeben und programmiert und die Targeting- und Conversion-Ziele im Testing-Tool festgelegt. Bei den sekundären Zielen ist es sinnvoll, jeden Weg und wichtigen Klick der User aufzunehmen. Folgende Ziele gehören unter anderem ins Targeting, wenn der Test vor dem Checkout stattfindet: Add to Cart, Aufruf Warenkorb und Bestellübersicht, Sale/Transaktion, durchschnittlicher Warenkorbwert, Gesamtumsatz oder Bounce Rate bei der Testansicht. Vor der Live-Schaltung sollte die Funktionalität des Setups in den gängigen Browsern und Geräten geprüft werden.

3. Test-Durchführung und Auswertung

Der Test sollte nach dem Go-Live jeden Tag im Tool überwacht werden, um Fehler direkt beheben zu können. So können Verläufe beobachtet, Varianten umgeleitet oder der Test abgebrochen werden, sollte die Performance zu deutlich negativ ausfallen.

Das A/B-Testing kann aus drei Gründen beendet werden:

  • Die Ergebnisse sind positiv und signifikant.
  • Die Ergebnisse sind negativ und signifikant.
  • Die Ergebnisse werden auch nach einer langen Laufzeit nicht signifikant.

In den ersten beiden Fällen werden die Ergebnisse ausgewertet sowie Folgetests und Learnings generiert. Dabei ist nicht nur der Blick auf die Gesamtergebnisse hilfreich, sondern auch eine Segmentierung. Sie erlaubt Erkenntnisse über die Zielgruppe und ihr Verhalten. Der dritte Fall ist der häufigste – auch hier hilft eine Segmentierung, zu besseren Insights zu gelangen.

Caveat: Nicht jeder Test ist erfolgreich

Viele Webseiten sind bereits optimiert und daher schnelle Ergebnisse auch mit A/B-Testing eher unwahrscheinlich. Deswegen ist es wichtig, sich darüber im Klaren zu sein, dass A/B-Testing ein fortlaufender Optimierungsprozess ist, der langfristig Früchte trägt: Aussagekräftige Ergebnisse ermöglicht erst eine fundierte Analyse, aus der neue Hypothesen und Folgetests entwickelt werden. Umso wichtiger ist es, bei erfolgreichen Tests sofort handeln zu können und die Gewinnervariante direkt live zu stellen. Dabei kann das neuartige A/B-Testing-Plus-Prinzip von Leap/ helfen.

Diese drei Hauptgründe führen zu nicht signifikante A/B-Tests:

  1. Die Veränderungen waren zu kontrastarm.
  2. Es gab nicht genug Traffic.
  3. Der Test lief nicht lang genug.

A/B-Testing als Bestandteil von Online-Marketing

Es ist übrigens meist nicht sinnvoll, mehrere Tests gleichzeitig laufen zu lassen, in der Hoffnung, Zeit zu sparen und zu schnelleren Ergebnissen zu gelangen. Parallele Testings können zu fehlerhaften Anzeigen auf der Seite führen und die User primen, so dass am Ende nicht mehr klar ist, welcher der Tests das Ergebnis beeinflusst hat und welcher nicht. Mehrere Tests parallel sind nur sinnvoll, wenn eine Aufteilung nach Devices vorgenommen wird.

A/B-Testings sind ein wertvolles Online-Marketing-Tool, um gezielt Probleme auf Seiten zu beheben, für die es verschiedene Lösungen geben kann. Wichtig ist, die Probleme genau zu analysieren, denn nur so können passende Hypothesen als Lösung definiert werden. Eine Roadmap erlaubt es dann, über Folgetests die Probleme einzukreisen und wichtige Learnings zu generieren. A/B-Testing ist kein statischer, sondern ein dynamischer und iterativer Prozess und erfordert Flexibilität.

Leoap Thomas Gruhle

Über den Autor: Thomas Gruhle ist Gründer und CEO von Leap/. Die Online-Marketing-Agentur ist aus dem Zusammenschluss der Agenturen Barketing und ConversionLift entstanden und zeichnet sich durch die passgenaue Verbindung von Suchmaschinenoptimierung, Paid Advertising und Conversion-Optimierung aus. (sg)

Lesen Sie auch: SEO-Trends für 2020: So stellen Website-Betreiber User und Google zufrieden

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken

Ihre Meinung zum Artikel

Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments

Andere Leser haben sich auch für die folgenden Artikel interessiert

Werbung
Werbung

Redaktionsbrief

Tragen Sie sich zu unserem Redaktionsbrief ein, um auf dem Laufenden zu bleiben.

Wir wollen immer besser werden!

Deshalb fragen wir SIE, was Sie wollen!

Nehmen Sie an unserer Umfrage teil, und helfen Sie uns noch besser zu werden!

zur Umfrage
Werbung

Aktuelle Ausgabe

Topthema: „Die Maschine ist in keinster Form intelligent“

Interview mit Prof. Dr. Katharina Zweig

Mehr erfahren

Tragen Sie sich jetzt kostenlos und unverbindlich ein, um keinen Artikel mehr zu verpassen!

* Jederzeit kündbar

Entdecken Sie weitere Magazine

Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.