Hoe werkt A/B-testen? (met voorbeeld!)

Wat is A/B-testen?

Een A/B-test is een vorm van een vergelijkingstest waarin twee varianten van bijvoorbeeld een pagina of advertentie tegen elkaar worden getest met als doel de conversieratio te verhogen. Variant A en variant B worden afwisselend getoond aan de bezoekers, 50% van de bezoekers ziet variant A en de andere 50% ziet variant B. In beide gevallen worden de belangrijkste KPI's gemeten en zo kun je zien welke variant het beste werkt voor jouw doelgroep.

Let op!

Het is belangrijk dat je bij het testen maximaal één verandering per test doorvoert. Wijzig bijvoorbeeld alleen de kleur van de button of pas het beeld, de headline, de prijs of de tekst aan. Als je meerdere veranderingen tegelijk doorvoert, zul je nooit weten waar het verschil in resultaat aan ligt.

Je kunt A/B-testen toepassen in je e-mailmarketing campagnes, bij het optimaliseren van websites en webshops en bij jouw advertenties op Facebook en Instagram. In alle gevallen is het doel om erachter te komen wat voor jouw doelgroep of websitebezoeker het beste werkt.

Waarom is A/B-testen belangrijk?

Met behulp van A/B-testen kun je met zekerheid aannemen of iets wel of niet goed werkt en kun je verschillende optimalisaties toepassen op basis van betrouwbare data. De A/B-testen zijn erg makkelijk te meten, zeker wanneer je maar één wijziging per keer doorvoert. De waarde van het resultaat van deze testen is groot. Je wilt het (advertentie)budget natuurlijk zo efficiënt mogelijk kunnen inzetten. Door te testen verspil je géén kosten aan advertenties, website functionaliteiten of andere campagnes die niet werken.

Hoe doe je een A/B-test?

A/B-testen doe je doeltreffend door gebruik te maken van een framework. Je kunt zelf een test uitvoeren met Google Optimize (in het geval van websites) of Meta Experimenten (bij advertenties binnen Meta). Dit zijn handige tools die je gratis kunt gebruiken. Je krijgt inzicht in belangrijke statistieken die je eenvoudig kunt bijhouden, zoals de interacties per versie en het aantal vertoningen aan het publiek. Het onderstaande framework helpt je op weg wanneer je zelf een A/B- test wilt uitvoeren.

1. Verzamelen van data

Het is verstandig om te beginnen met het verzamelen van gegevens. Bijvoorbeeld van pagina’s die wel veel verkeer ontvangen maar waarvan het conversiepercentage verbeterd kan worden of van advertenties waar de doorklikratio nog laag is.

2. Bepalen van doelen

Wat is de reden voor het doen van je A/B-test? Dit kan het verbeteren van de conversieratio zijn, maar je kunt natuurlijk ook meer leads, klikken, aanmeldingen of sales willen genereren.

3. Creëren van een hypothese

Nadat je voor jezelf een doel hebt bepaald, moet je gaan nadenken hoe je dit doel denkt te kunnen bereiken met behulp van de A/B-test. Stel voor jezelf een plan op waarom je denkt dat een specifieke formule voor verbetering zal zorgen. Hier komt uiteindelijk een hypothese uit: jouw voorspelling van het verloop van de A/B-test.

4. Maken van verschillende varianten

Om te kunnen zien of je opgestelde hypothese klopt, moet je verschillende varianten tegen elkaar gaan testen. Deze varianten verschillen bijvoorbeeld in tekst, kleur, knoppen of lay-out.

5. Uitvoeren van de A/B-test

Het is tijd om te gaan testen: lanceer de verschillende varianten! Nu is het wachten alleen nog op bezoekers. In de volgende stap ga je op basis van de verkregen data analyseren welke variant het beste presteert. Google Optimize of Meta Experimenten houden dit zelf bij en geven aan wanneer het verschil significant genoeg is.

6. Analyseren van de A/B-test

Door het meten van de interacties bouw je data op van de verschillende varianten. Zo kun je op een eenvoudige manier bepalen welke versie het beste presteert om vervolgens optimalisaties uit te voeren.

Voorbeeld

Bij Brainpink voeren we regelmatig A/B-testen uit. Zo hebben we in een recente campagne getest op welke manier de primaire tekst van een advertentie waarin we een whitepaper promootten de resultaten van de campagne beïnvloedde. Variant A, waarbij we benadrukten dat de whitepaper gratis te verkrijgen is, leverde ons een lagere cost per click op dan variant B, met de advertentietekst waarin dit niet werd uitgelicht. In deze A/B-test ligt de focus dan ook alleen op het testen van de primaire tekst. De video, headers en andere teksten bleven exact gelijk.

Deze test leverde ons de volgende resultaten op:

Verder gaf Meta Experimenten aan dat er een kans is van 84% dat dezelfde winnaar naar voren komt wanneer we de test opnieuw zouden uitvoeren. Hieruit kunnen we met redelijke zekerheid zeggen dat de variant met de tekst waarin de nadruk wordt gelegd op gratis betere resultaten zal behalen.