{"id":4677,"date":"2019-07-09T14:10:06","date_gmt":"2019-07-09T12:10:06","guid":{"rendered":"https:\/\/leap.de\/?p=4677"},"modified":"2023-11-17T09:53:32","modified_gmt":"2023-11-17T08:53:32","slug":"der-perfekte-prozess-fuer-a-b-testing-so-verkauft-dein-online-shop-besser","status":"publish","type":"post","link":"https:\/\/leap.de\/wissen\/der-perfekte-prozess-fuer-a-b-testing-so-verkauft-dein-online-shop-besser\/","title":{"rendered":"Der perfekte Prozess f\u00fcr A\/B-Testing: So verkauft dein Online-Shop besser"},"content":{"rendered":"\n

Jedes Unternehmen, das Produkte oder Dienstleistungen \u00fcber eine Internetseite verkauft, sollte\u00a0A\/B-Testing<\/strong>\u00a0betreiben.\u00a0Denn A\/B-Testing kann ein starker Treiber f\u00fcr die Conversion Rate verschieden<\/a>er Seitenziele sein\u00a0und viele Learnings \u00fcber deine Zielgruppe und das Verhalten der UserInnen auf deiner Seite bieten. Richtig durchgef\u00fchrt ist A\/B-Testing zwar komplex und zeitintensiv, f\u00fchrt aber zu positiveren Ergebnissen, als planlos und \u00fcberst\u00fcrzt die Nadel im Heuhaufen zu suchen.<\/p>\n\n\n\n

Damit deine Tests fehlerfrei laufen, erl\u00e4utern wir dir gerne unser Vorgehen bei LEAP\/<\/strong> und beantworten im Anschluss daran einige typische Fragen. So nutzen wir einen bew\u00e4hrten A\/B-Testing-Cycle<\/strong>, der sich nach sechs durchgef\u00fchrten Schritten wiederholt:<\/p>\n\n\n\n

1. Analyse<\/p>\n\n\n\n

2. Hypothese<\/p>\n\n\n\n

3. Variation<\/p>\n\n\n\n

4. A\/B-Test-Setup<\/p>\n\n\n\n

5. Test-Durchf\u00fchrung<\/p>\n\n\n\n

6. Auswertung & Implementierung<\/p>\n\n\n

\n
\"Icon<\/div><\/figure><\/div><\/div><\/div>\n\n\n
\n

Du bist mehr der visuelle Typ?<\/p>\n\n\n\n

Weiter unten findest du eine Infografik, die dir diesen Artikel \u00fcbersichtlich zusammenfasst!<\/a><\/p>\n<\/div><\/div>\n\n<\/div>\n\n

\n
\"abb.-1-so-kann-man-sich-den-ablauf-grob-vorstellen-\u00a9-leap\"<\/div><\/figure>
\u00a9 LEAP<\/figcaption><\/div><\/div><\/div><\/div>\n\n\n

So kann man sich den Ablauf grob vorstellen<\/p>\n\n<\/div>\n\n\n

1. Analyse<\/h2><\/div>\n\n\n\n

Da es beim Testen eher um kleine \u00c4nderungen und die stetige Schritt-f\u00fcr-Schritt-Verbesserung der Conversion Rate<\/strong> geht, sollte deine Website vorher von \u00dcberfl\u00fcssigem und groben Fehlern befreit werden.<\/p>\n\n\n\n

Bevor du nun testest, musst du analysieren<\/strong>. Wenn du nicht wei\u00dft, auf welcher Seite die UserInnen am h\u00e4ufigsten abspringen und wo sich die User und Userinnen generell viel aufhalten, kann nicht getestet werden.<\/p>\n\n\n\n

Es gibt zwei Phasen innerhalb der Analyse: die quantitative Analyse<\/em> und die qualitative Analyse<\/em>.<\/p>\n\n\n\n

Quantitative Analyse<\/strong>: Bei der quantitativen Analyse werden insbesondere die Zahlen deines Analytics-Tools unter die Lupe genommen. Hierbei geht es darum, jene Seiten ausfindig zu machen, die zum Beispiel viel Traffic, aber eine hohe Bounce Rate oder eine geringe Conversion Rate aufweisen.<\/p>\n\n\n\n

Aufschlussreich ist au\u00dferdem das Einsetzen von Segmenten nach Devices, Geschlecht, Alter, neue UserInnen, WiederkehrerInnen etc. Neben Analytics empfehlen wir die Verwendung von Trackingtools wie Mouseflow, damit du auszuwerten kannst, wie sich die Nutzer und Nutzerinnen auf deiner Seite verhalten. Wo wird beispielsweise besonders viel geklickt, obwohl der Klick nicht unbedingt gewollt oder von Vorteil ist?<\/p>\n\n\n

\n
\"der-perfekte-prozess-fuer-ab-testing-bild-1\"<\/div><\/figure>
\u00a9 http:\/\/mannheim-design.de\/301-ohne-www-auf-mit-www-htaccess\/<\/figcaption><\/div><\/div><\/div><\/div>\n\n\n

Segmentierungen sind in der Regel sehr hilfreich<\/p>\n\n<\/div>\n\n\n

Qualitative Analyse<\/strong>: In der qualitativen Analyse werden auf der Seite selbst per Draufsicht m\u00f6gliche Probleme unter Verwendung psychologischer Heuristiken, Best Practices und Quick Wins identifiziert, um daraus Hypothesen zu formulieren.<\/p>\n\n\n\n

Interessant kann auch die Analyse der Wettbewerber sein, wenn etwa bestimmte Elemente auf der Seite anders gehandhabt werden. Weitere, aber aufwendige Methoden f\u00fcr die Hypothesengenerierung sind au\u00dferdem Usability Labs und User-Befragungen.<\/p>\n\n\n\n

Empfehlung: Testing Roadmap erstellen<\/h2><\/div>\n\n\n\n

Nachdem klar ist, an welchen Stellen getestet wird und wie viele Tests es ungef\u00e4hr sein werden, empfehlen wir eine Testing Roadmap<\/strong> zu erstellen. Bei LEAP\/ nutzen wir ein System aus Backlog-Tests, die bei Bedarf in die Roadmap gezogen werden. Wir committen uns auf maximal f\u00fcnf Tests<\/strong> hintereinander.<\/p>\n\n\n

\n\n

A\/B-Testing ist kein statischer, sondern ein dynamischer und iterativer Prozess und fordert Flexibilit\u00e4t, um zum Beispiel Follow-up-Tests durchzuf\u00fchren oder auf unternehmensbedingte Gegebenheiten reagieren zu k\u00f6nnen. Um die Entscheidung zu vereinfachen, welche Tests zuerst durchgef\u00fchrt werden, priorisieren wir die Testideen nach folgenden Eigenschaften:<\/p>\n\n\n

<\/i><\/div>

Konversionspfad: Wo ist der Test positioniert? (Je weiter hinten im Funnel, desto mehr Impact-Wahrscheinlichkeit auf die Sale CR.)<\/p><\/div><\/div>

<\/i><\/div>

Kontrast: Wie hoch ist der Kontrast im Vergleich zum Original?<\/p><\/div><\/div>

<\/i><\/div>

Impact: Was f\u00fcr einen Impact kann der Test auf das Userverhalten haben?<\/p><\/div><\/div>

<\/i><\/div>

Learning: Wie gro\u00df ist das Learning, welches wir aus dem Test ziehen k\u00f6nnen?<\/p><\/div><\/div>

<\/i><\/div>

Zielgruppe: Wie gro\u00df ist die erwartete Zielgruppe?<\/p><\/div><\/div>

<\/i><\/div>

Konfidenz: Wie sicher sind wir, dass dieser Test positiv ausfallen wird?<\/p><\/div><\/div>

<\/i><\/div>

Aufwand: Wie hoch ist der Aufwand im Design und Development?<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n\n

2. Hypothese<\/h2><\/div>\n\n\n
\n\n

Die gefundenen Probleme \u2013 sowohl quantitativ als auch qualitativ \u2013 werden kombiniert und in Hypothesen formuliert. Die Formulierung sollte mit Zuhilfenahme einer Heuristik stattfinden, die die Hypothese unterst\u00fctzend belegt. Das sieht dann wie folgt aus:<\/p>\n\n\n

<\/i><\/div>

WENN etwas Bestimmtes auf der Seite ge\u00e4ndert wird,<\/p><\/div><\/div>

<\/i><\/div>

DANN f\u00fchrt das zu einem Uplift f\u00fcr ein prim\u00e4res Ziel,<\/p><\/div><\/div>

<\/i><\/div>

WEIL eine Heuristik das Verhalten des Nutzers bzw. der Nutzerin beeinflusst.<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n\n

Wir empfehlen au\u00dferdem, das Design- und Programmierungsteam miteinzubeziehen, weil hier erstens weitere gute Ideen schlummern und zweitens auch schon in einem fr\u00fchen Stadium auf m\u00f6gliche Schwierigkeiten im Design oder der Programmierung hingewiesen werden kann.\u00a0Das Programmierteam muss zudem entscheiden, wie die Tests technisch ablaufen sollen<\/a>.<\/p>\n\n\n

\n
\"der-perfekte-prozess-fuer-ab-testing-bild-2-scaled\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n\n\n

DTeam\u00fcbergreifende Arbeit ist auch bei A\/B Tests unverzichtbar<\/p>\n\n<\/div>\n\n\n

3. Variation<\/h2><\/div>\n\n\n\n

Je nachdem, wie viel Traffic auf der Testingseite vorhanden ist und ob das Testing-Setup es zul\u00e4sst, empfehlen wir, mit mehreren Varianten<\/strong> zu testen, da die Wahrscheinlichkeit erh\u00f6ht wird, zu einem positiven Ergebnis zu gelangen.<\/p>\n\n\n\n

Wenn du beispielsweise \u00fcberpr\u00fcfen m\u00f6chtest, ob ein Teaserbild mit oder ohne Testimonial besser performt, dann b\u00f6te sich eine zweite Challengervariante mit zum Beispiel einer dritten Teaseridee an (multivariates Testing<\/em>).<\/p>\n\n\n\n

Nat\u00fcrlich kommt es darauf an, ob gen\u00fcgend Traffic<\/strong> vorhanden ist und ob mehrere Ideen \u00fcberhaupt sinnvoll sind. Online gibt es verschiedene A\/B-Testing-Laufzeit-Rechner, mit denen du ausrechnen kannst, wie lang der Test in verschiedenen Set-ups laufen w\u00fcrde.<\/p>\n\n\n\n

Folgende Kennzahlen werden dazu ben\u00f6tigt:<\/p>\n\n\n\n

1. Die aktuelle Conversion Rate des Prim\u00e4rziels<\/strong> wie etwa den Klick auf das Teaserbild<\/p>\n\n\n\n

2. Die t\u00e4gliche Useranzahl<\/strong> auf der entsprechenden Seite<\/p>\n\n\n\n

3. Die erwartete Verbesserungsrate<\/strong> deiner Challengervariante (zum Beispiel die Steigerung der Klicks auf das Teaserbild um 10 Prozent). Je kleiner die erwartete Verbesserungsrate ist, desto l\u00e4nger wird die Laufzeit des Tests.<\/p>\n\n\n\n

4. Das Konfidenzniveau<\/strong>: Die vorliegende Ver\u00e4nderung ist im besten Fall signifikant und damit auf die Grundgesamtheit, also alle User und Userinnen, \u00fcbertragbar. Wir empfehlen hier mit einem Konfidenzniveau von 95 Prozent zu arbeiten, um so nur 5 Prozent Risiko eines Fehlers erster und zweiter Art zuzulassen. Ein Fehler erster Art liegt vor, wenn die Challengervariante als der Gewinner identifiziert wird, obwohl die Originalvariante der Gewinner ist. Ein Fehler zweiter Art liegt vor, wenn die Originalvariante beibehalten wird, obwohl die Challengervariante besser performt. Weitere h\u00e4ufige Fehler findest du hier.<\/p>\n\n\n\n

Sobald die Varianten konzipiert sind und berechnet wurde, ob der Test m\u00f6glich ist oder gegebenenfalls ver\u00e4ndert werden muss, werden die Varianten vom Design erstellt und durch Qualit\u00e4tskontrollen und Feedbackschleifen feingeschliffen.<\/p>\n\n\n\n

4. A\/B-Test-Setup<\/h2><\/div>\n\n\n\n

Beim Test-Setup wird der Test ins Development gegeben und programmiert. Au\u00dferdem gilt es,\u00a0die genauen Targeting- und Conversionziele<\/a>\u00a0im Testingtool festzulegen. Neben dem\u00a0Prim\u00e4rziel<\/strong>\u00a0werden\u00a0Sekund\u00e4rziele<\/strong>\u00a0definiert, die ebenfalls getestet werden sollen. Wir empfehlen jeden Weg und wichtigen Klick, den der Nutzer oder die Nutzerin w\u00e4hrend des Tests gehen oder t\u00e4tigen k\u00f6nnte, mit aufzunehmen. Nimm dir hier ausreichend Zeit und \u00fcberlege insbesondere, welche Interaktion wichtig ist.<\/p>\n\n\n\n

Wenn du zum Beispiel die Suche im Test ausklappen m\u00f6chtest, dann muss hier jede Interaktion ins Targeting: Nutzung der Suche gesamt, Klick auf Lupe, Klick auf Eingabe, Klick auf Liste mit Suchergebnissen (falls vorhanden). In diesem Beispiel ist nicht nur interessant, wie die UserInnen generell auf die ausgeklappte Suche reagieren und ob es sich positiv auf den Sale oder Add to Cart auswirkt, sondern auch wie die User und Userinnen agieren, nachdem sie die Suche genutzt haben. F\u00fcr diese Betrachtung kann im Testingtool ein Action Tracking eingestellt werden. Das Action Tracking ist allerdings nur m\u00f6glich, wenn die Nutzung der Suche vorher als Ziel definiert wurde. Daher \u00fcberlege dir vorher genau, was wichtig ist und welches Action Tracking du gegebenenfalls f\u00fcr die Auswertung ben\u00f6tigst.<\/p>\n\n\n

\n
\"der-perfekte-prozess-fuer-ab-testing-bild-3-\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n\n\n

Die Suche kann sehr variabel ausfallen<\/p>\n\n<\/div>\n\n

\n\n

Hier ist eine Liste mit Zielen, die wir immer ins Targeting aufnehmen, wenn der Test vor dem Check-out stattfindet:<\/p>\n\n\n

<\/i><\/div>

Add to Cart<\/p><\/div><\/div>

<\/i><\/div>

Aufruf Warenkorb<\/p><\/div><\/div>

<\/i><\/div>

Aufruf Anmeldung<\/p><\/div><\/div>

<\/i><\/div>

Aufruf Adressseite<\/p><\/div><\/div>

<\/i><\/div>

Aufruf Zahlungsartenseite<\/p><\/div><\/div>

<\/i><\/div>

Aufruf Bestell\u00fcbersicht<\/p><\/div><\/div>

<\/i><\/div>

Sale\/Transaktion<\/p><\/div><\/div>

<\/i><\/div>

Durchschnittlicher Warenkorbwert<\/p><\/div><\/div>

<\/i><\/div>

Gesamtumsatz<\/p><\/div><\/div>

<\/i><\/div>

Bounce Rate bei Testansicht<\/p><\/div><\/div>

<\/i><\/div>

Revisits<\/p><\/div><\/div>

<\/i><\/div>

Relevante Klickziele<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n\n

Wenn der Test programmiert und alle Ziele ins Targeting aufgenommen wurden, sollte vor der Liveschaltung eine ausf\u00fchrliche Pr\u00fcfung der Funktionalit\u00e4t auf den g\u00e4ngigen Browsern und Ger\u00e4ten erfolgen. So lassen sich m\u00f6gliche Fehler vorher identifizieren und beheben.<\/p>\n\n\n\n

5. Test-Durchf\u00fchrung<\/h2><\/div>\n\n\n\n

Endlich ist es soweit \u2013 der Test ist live! Doch damit ist die Arbeit nicht getan. Vielmehr solltest du den Test jeden Tag im Testingtool monitoren, um Verl\u00e4ufe zu beobachten und Fehler w\u00e4hrend des Tests direkt beheben zu k\u00f6nnen. Au\u00dferdem k\u00f6nnen Varianten umgeleitet oder der Test abgestellt werden, wenn eine negative Performance auftritt.<\/p>\n\n\n\n

6. Auswertung & Implementierung<\/h2><\/div>\n\n\n
\n\n

Wann der Test abgestellt werden kann, entscheidet einer dieser drei Gr\u00fcnde:<\/p>\n\n\n

<\/i><\/div>

Die Ergebnisse sind positiv und signifikant<\/p><\/div><\/div>

<\/i><\/div>

Die Ergebnisse sind negativ und signifikant<\/p><\/div><\/div>

<\/i><\/div>

Die Ergebnisse werden auch nach einer langen Laufzeit nicht signifikant<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n

\n
\"der-perfekte-prozess-fuer-ab-testing-bild-4\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n\n\n

Es gibt nur 3 m\u00f6gliche Outcomes bei einem A\/B Test<\/p>\n\n<\/div>\n\n\n

Im Fall 1 und 2 k\u00f6nnen die Ergebnisse ausgewertet und gegebenenfalls Follow-up-Tests aus den Learnings generiert werden. Hierbei ist es wichtig, nicht nur die Gesamtergebnisse zu evaluieren, sondern zus\u00e4tzlich zu segmentieren, da sie aufschlussreiche Erkenntnisse \u00fcber die Zielgruppe, die Nutzung und das Verhalten enthalten k\u00f6nnen. Eine Segmentierung kann beispielsweise Klickziele, bestimmte Seitenaufrufe, Devices, Browser etc. beinhalten.<\/p>\n\n\n\n

Fall 3 tritt tats\u00e4chlich am h\u00e4ufigsten auf, und irgendwann musst du die Entscheidung treffen, den Test trotz niedrigen Signifikanzniveaus abzuschalten. Auch wenn nicht alle Ziele die gew\u00fcnschte Signifikanz aufweisen gibt es meist trotzdem Ergebnisse, die ausgewertet werden k\u00f6nnen \u2013 etwa durch eine Segmentierung.<\/p>\n\n\n\n

Wie geht man mit unterschiedlichen Ergebnissen nach einer Segmentierung vor?<\/h2><\/div>\n\n\n\n

Du hast segmentiert und stehst nun vor dem Dilemma, dass zum Beispiel eine Ver\u00e4nderung im Chrome-Browser positiv und im Safari-Browser negativ<\/strong> performt. Alles in allem sind solche F\u00e4lle normal und geben dir wichtige Learnings \u00fcber die Zielgruppe und die Performance der einzelnen Segmente.<\/p>\n\n\n\n

Die Segmentierung hat jedoch nur einen begrenzten Einfluss auf die Entscheidung, ob Challengervarianten umgesetzt werden oder das Original beibehalten wird. Beeinflusst die Ver\u00e4nderung das Prim\u00e4rziel, den Sale oder Umsatz negativ, muss pro \u201egro\u00dfem Ganzen\u201c agiert werden, auch wenn signifikante Uplifts an anderer Stelle vorhanden sind.<\/p>\n\n\n\n

Dennoch lassen sich die positiven und signifikanten Ergebnisse nutzen, indem du anhand der Learnings\u00a0personalisierst<\/strong>. Das Thema der Personalisierung wird hier behandelt: \u201ePersonalisiere deine Website \u2013 Tipps und Tricks aus der Psychologie\u201c.<\/a><\/p>\n\n\n\n

Ist es ungew\u00f6hnlich, dass nicht jeder Test erfolgreich ist?<\/h2><\/div>\n\n\n\n

Nein, ist es nicht. Viele Seiten im Internet sind fortgeschritten optimiert und die meisten \u201eLow Hanging Fruits\u201c bereits gepfl\u00fcckt, was zur Folge hat, dass insgesamt weniger positive Tests gemacht werden. Eine anf\u00e4ngliche Idee kann zum Beispiel durch einen Misserfolg zu einem positiven Ergebnis f\u00fchren, weil aus den Learnings Follow-up-Tests konzipiert werden.<\/p>\n\n\n\n

Entsprechend hei\u00dft es im Handbuch \u201eA\/B-Testing 1\u00d71 \u2013 Wie Sie Ihr Unternehmen mit A\/B-Testing ganz nach vorne bringen\u201c<\/a> von AB Tasty: \u201eA\/B-Testing ist ein\u00a0fortlaufender<\/em>\u00a0Optimierungsprozess.\u00a0Am Ende eines jeden Tests stehen Erkenntnisse, aus denen neue Testhypothesen hervorgehen.<\/strong>\u00a0Diese helfen wiederum dabei, die Roadmap auszubauen. Zudem werden die Bem\u00fchungen nur langfristig Fr\u00fcchte tragen: Die ersten Tests werden mit Sicherheit nicht die erhofften Ergebnisse liefern, denn eine fundierte Analyse nimmt Zeit in Anspruch.\u201c<\/p>\n\n\n\n

Wie funktioniert die Statistik bei einem A\/B-Test?<\/h2><\/div>\n\n\n\n

Es werden Werte einer Stichprobe gesammelt, woraus sich bei Vorhandensein ausreichend vieler Daten eine Gau\u00dfsche Glockenkurve<\/em> oder auch Normalverteilung<\/em> bilden l\u00e4sst (s. Beispiel 1). Hier essen beispielsweise 25 Befragte f\u00fcnf Tafeln Schokolade im Jahr.<\/p>\n\n\n

\n
\"abb.-2-so-kann-eine-gausssche-glockenkurve-bzw.-normalverteilung-aussehen\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n\n\n

So kann eine Gau\u00dfsche Glockenkurve bzw. Normalverteilung aussehen<\/p>\n\n<\/div>\n\n\n

Wenn wir mehrere Varianten<\/strong> haben (z. B. Vollmilch, Zartbitter und Haselnuss), werden entsprechend viele Kurven gebildet.<\/p>\n\n\n

\n
\"abb.-3-die-kurven-im-vergleich\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n\n\n

Die Kurven im Vergleich<\/p>\n\n<\/div>\n\n

\n\n

Die blaue Kurve hat die geringste Standardabweichung, d. h. die Daten streuen weniger stark um den Mittelwert.<\/p>\n\n\n

<\/i><\/div>

Die blaue und die gr\u00fcne Kurve haben denselben Mittelwert<\/p><\/div><\/div>

<\/i><\/div>

Das Ergebnis der blauen Kurve hat eine h\u00f6here Signifikanz als das der roten Kurve<\/p><\/div><\/div>

<\/i><\/div>

Die rote und die gr\u00fcne Kurve haben dieselbe Standardabweichung<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n\n

Bei einem t-Test werden die Mittelwerte miteinander verglichen, um einen Mittelwertunterschied herauszufinden (s. Beispiel 3). Dieser Unterschied muss hinsichtlich seiner Signifikanz \u00fcberpr\u00fcft werden. Die Signifikanz ist die Wahrscheinlichkeit, dass ein gefundener Unterschied nicht auf rein zuf\u00e4llige Schwankungen zur\u00fcckzuf\u00fchren ist und wird mit dem Chi-Quadrat-Test berechnet.<\/p>\n\n\n

\n
\"abb.-4-die-differenz\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n\n\n

Die KuDie Differenz<\/p>\n\n<\/div>\n\n\n

Wie funktioniert die Statistik bei einem A\/B-Test?<\/h2><\/div>\n\n\n
\n\n

A\/B-Tests k\u00f6nnen insbesondere aus drei Gr\u00fcnden nicht signifikant sein:<\/p>\n\n\n

<\/i><\/div>

Die Ver\u00e4nderungen in der Challengervariante waren zu kontrastarm: Gro\u00dfe Mittelwertunterschiede sind eher signifikant als kleine Unterschiede.<\/p><\/div><\/div>

<\/i><\/div>

Es gab nicht genug Traffic in dem Test: Bei einer gr\u00f6\u00dferen Stichprobe kann es eher zu einem signifikanten Ergebnis kommen, weil mehr Daten daf\u00fcr sorgen, dass die Kurve schmaler wird. Dann streuen die Daten streuen weniger.<\/p><\/div><\/div>

<\/i><\/div>

Der Test lief nicht lang genug: Gerade bei kleinen Mittelwertunterschieden muss der Test l\u00e4nger laufen, damit die Stichprobe gro\u00df genug ist, um zu einem signifikanten Ergebnis zu f\u00fchren.<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n\n

Warum macht man nicht einfach eine Vielzahl an Tests gleichzeitig?<\/h2><\/div>\n\n\n\n

Es w\u00e4re nat\u00fcrlich sehr praktisch, wenn wir vier Tests gleichzeitig auf der Seite laufen lassen. Dieses Vorgehen spart Zeit und f\u00fchrt zudem zu schnelleren Ergebnissen. Wir raten allerdings dringend davon ab, mehrere Tests gleichzeitig durchzuf\u00fchren!<\/strong><\/p>\n\n\n

\n\n

Hier sind die Gr\u00fcnde:<\/p>\n\n\n

<\/i><\/div>

Es kann zu fehlerhaften Anzeigen auf der Seite selbst kommen, wenn an mehreren Stellen Tests laufen<\/p><\/div><\/div>

<\/i><\/div>

Wenn zum Beispiel auf der Produktseite und im Check-out getestet wird, werden UserInnen vom Test auf der Produktseite geprimt, ehe sie den Check-out aufrufen. Die unterschiedlich beeinflussten NutzerInnen werden zwar gleichm\u00e4\u00dfig und randomisiert in den zweiten Test im Checkout-Bereich geleitet, aber sie sind immer noch geprimt vom Test auf der Produktseite, und es ist nicht klar, welcher Test zu dem vorliegenden Ergebnis f\u00fchrt.<\/p><\/div><\/div><\/div><\/div>\n<\/div>\n\n\n

Mehrere Tests gleichzeitig laufen zu lassen, ist jedoch dann m\u00f6glich bzw. sinnvoll, wenn beispielsweise eine Aufteilung nach Devices<\/strong> vorgenommen wird (Desktop und Mobile).<\/p>\n\n\n\n

Fazit<\/h2><\/div>\n\n\n\n

Mit diesem A\/B-Testing-Wissen bist du nun in der Lage, A\/B-Tests auf deiner Seite durchzuf\u00fchren. Genauso wie wir es hier bei LEAP\/ machen. Wenn du unserer Anleitung folgst, wird sich deine Conversion Rate sowie die User Experience auf deiner Seite nach und nach verbessern. Nimm vor allem den ersten Schritt der Analyse sehr ernst! Denn die Tests sind immer nur so gut, wie die Analyse detailliert ist.<\/p>\n\n\n\n

Viel Erfolg beim Testen!<\/p>\n\n\n

\n
\"6\"<\/div><\/figure><\/div><\/div><\/div><\/div>\n<\/div>\n\n
<\/div>","protected":false},"excerpt":{"rendered":"

Dein Erfolg im E-Commerce h\u00e4ngt auch von effizienten A\/B-Tests deiner Website ab. Dabei hilft dir der A\/B-Testing-Cycle von LEAP\/. Plus FAQs.<\/p>\n","protected":false},"author":10,"featured_media":4678,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pgc_meta":"","tpgb_global_settings":"","_gspb_post_css":"","_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[9],"tags":[13],"beitrag-mit-bild":[],"class_list":["post-4677","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-wissen","tag-cro"],"acf":[],"tpgb_featured_images":{"full":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"tp-image-grid":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047-700x700.png",700,700,true],"thumbnail":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047-150x150.png",150,150,true],"medium":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047-300x197.png",300,197,true],"medium_large":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"large":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"default":"https:\/\/leap.de\/wp-content\/plugins\/the-plus-addons-for-block-editor\/assets\/images\/tpgb-placeholder.jpg"},"tpgb_post_meta_info":{"get_date":"09.07.2019","get_modified_date":"17.11.2023","category_list":{"category":[{"term_id":9,"name":"Wissen","slug":"wissen","term_group":0,"term_taxonomy_id":9,"taxonomy":"category","description":"","parent":0,"count":101,"filter":"raw"}],"post_tag":[{"term_id":13,"name":"CRO","slug":"cro","term_group":0,"term_taxonomy_id":13,"taxonomy":"post_tag","description":"","parent":0,"count":59,"filter":"raw"}],"post_format":false,"beitrag-mit-bild":false},"author_name":"Milena Sandri","author_url":"https:\/\/leap.de\/author\/milenasandri\/","author_email":"milena.sandri@leap.de","author_website":"","author_description":"","author_facebook":"","author_twitter":"","author_instagram":"","author_role":["author"],"author_firstname":"Milena","author_lastname":"Sandri","user_login":"MilenaSandri","comment_count":0,"post_likes":0,"post_views":0},"tpgb_post_category":{"category":"Wissen<\/a> ","post_tag":"CRO<\/a> "},"uagb_featured_image_src":{"full":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"thumbnail":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047-150x150.png",150,150,true],"medium":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047-300x197.png",300,197,true],"medium_large":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"large":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"1536x1536":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"2048x2048":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047.png",430,282,false],"tp-image-grid":["https:\/\/leap.de\/wp-content\/uploads\/2023\/08\/Screenshot-2023-08-25-133047-700x700.png",700,700,true]},"uagb_author_info":{"display_name":"Milena Sandri","author_link":"https:\/\/leap.de\/author\/milenasandri\/"},"uagb_comment_info":0,"uagb_excerpt":"Dein Erfolg im E-Commerce h\u00e4ngt auch von effizienten A\/B-Tests deiner Website ab. Dabei hilft dir der A\/B-Testing-Cycle von LEAP\/. Plus FAQs.","_links":{"self":[{"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/posts\/4677","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/comments?post=4677"}],"version-history":[{"count":7,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/posts\/4677\/revisions"}],"predecessor-version":[{"id":13787,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/posts\/4677\/revisions\/13787"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/media\/4678"}],"wp:attachment":[{"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/media?parent=4677"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/categories?post=4677"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/tags?post=4677"},{"taxonomy":"beitrag-mit-bild","embeddable":true,"href":"https:\/\/leap.de\/wp-json\/wp\/v2\/beitrag-mit-bild?post=4677"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}