Met A/B-testen vergelijk je twee varianten van een onderdeel van je webshop. Begin niet zomaar met een andere kleur, knop of afbeelding. Zoek eerst waar klanten afhaken, bepaal wat daarvan de oorzaak kan zijn en test vervolgens één gerichte verandering.
Een A/B-test kan laten zien of een aanpassing daadwerkelijk beter werkt. Maar dan moet je wel het juiste probleem testen. Een webshop die zonder duidelijke reden tientallen kleine tests uitvoert, verzamelt vooral veel data zonder te weten wat ermee moet gebeuren.
Wat is A/B-testen?
Bij een A/B-test verdeel je bezoekers over twee varianten.
Variant A is meestal de huidige situatie.
Variant B bevat de verandering die je wilt onderzoeken.
Stel dat 10.000 bezoekers een productpagina bekijken. Je verdeelt het verkeer willekeurig:
5.000 bezoekers → variant A
5.000 bezoekers → variant B
Vervolgens meet je bijvoorbeeld hoeveel bezoekers het product toevoegen aan hun winkelwagen.
Het belangrijke verschil met simpelweg een pagina aanpassen, is dat beide varianten tijdens dezelfde testperiode worden gebruikt. Hierdoor kun je de prestaties beter met elkaar vergelijken.
Shopify beschrijft A/B-testen op een vergelijkbare manier: bezoekers worden verdeeld over verschillende versies, waarna je meet welke versie beter presteert op het vooraf gekozen doel.
Wat moet je als eerste A/B-testen?
Begin niet bij het element dat het makkelijkst aan te passen is. Begin bij het grootste probleem dat je in je data ziet.
Daarvoor kun je de webshop als een funnel bekijken:
Bezoeker → product bekijken → winkelwagen → checkout → aankoop
Bekijk vervolgens bij welke overgang relatief veel bezoekers verdwijnen.
| Wat zie je? | Waar kijk je eerst? | Mogelijke test |
|---|---|---|
| Veel productviews, weinig winkelwagens | Productpagina | CTA, informatie, prijs of levering |
| Veel winkelwagens, weinig checkoutstarts | Winkelwagen | Kosten, afleiding of bestelknop |
| Veel checkoutstarts, weinig aankopen | Checkout | Formulier, verzending of betaling |
| Goede conversie, lage orderwaarde | Product/winkelwagen | Bundel, upsell of cross-sell |
| Opvallend veel mobiele uitval | Mobiele webshop | Layout, formulier of CTA |
Zo ontstaat een test vanuit een probleem dat daadwerkelijk bestaat.
Dat is belangrijk. Een knop aanpassen van blauw naar groen heeft weinig waarde als er geen aanwijzing is dat de knop een probleem veroorzaakt.
Van funnelprobleem naar een goede A/B-test
Stel dat je webshop in één maand deze cijfers heeft:
10.000 productweergaven
↓
1.200 producten toegevoegd aan winkelwagen
↓
900 checkouts gestart
↓
720 bestellingen
De grootste uitval zit in dit voorbeeld tussen het bekijken van de productpagina en het toevoegen aan het winkelmandje.
Van de 10.000 productweergaven leiden er 1.200 tot een add-to-cart:
1.200 ÷ 10.000 × 100 = 12%
Dat betekent niet automatisch dat 12% slecht is. Daarvoor heb je meer context nodig, zoals historische resultaten, productcategorie, apparaat en verkeersbron.
Maar stel dat dit percentage eerder duidelijk hoger lag. Dan heb je een reden om de productpagina verder te onderzoeken.
Je ontdekt bijvoorbeeld dat klanten regelmatig vragen wat de verzendkosten zijn.
Nu kun je een hypothese maken:
Bezoekers voegen het product minder vaak toe aan hun winkelwagen omdat de verzendkosten op de productpagina niet duidelijk zijn.
Daaruit volgt een test.
Variant A: huidige productpagina.
Variant B: dezelfde productpagina, maar met duidelijke verzendkosten en bezorginformatie bij de bestelknop.
Dat is een veel sterkere A/B-test dan willekeurig de kleur van een knop veranderen.
Maak van een vermoeden een hypothese
Een goede hypothese legt vast wat je verandert, waarom je dat verandert en welk effect je verwacht.
Je kunt hiervoor een eenvoudige formule gebruiken:
Omdat we [probleem] zien, verwachten we dat [verandering] leidt tot [meetbaar resultaat].
Bijvoorbeeld:
Omdat relatief veel klanten bij de bezorgstap afhaken, verwachten we dat het eerder tonen van de bezorgkosten leidt tot meer afgeronde checkouts.
Of:
Omdat weinig bezoekers een product toevoegen, verwachten we dat duidelijkere informatie over levertijd het add-to-cartpercentage verhoogt.
Comaxx noemt het opstellen van een meetbare hypothese eveneens als een belangrijk onderdeel van het A/B-testproces.
Het voordeel is dat je vóór de test al bepaalt wat je probeert te bewijzen.
Welke onderdelen van een webshop kun je A/B-testen?
Bijna ieder onderdeel van een webshop kan worden getest. Dat betekent niet dat ieder onderdeel even belangrijk is.
De beste test hangt af van het probleem dat je probeert op te lossen.
Op de productpagina
De productpagina heeft veel invloed op de keuze om wel of niet verder te gaan.
Je kunt bijvoorbeeld testen:
- productinformatie;
- productafbeeldingen;
- levertijd;
- verzendinformatie;
- reviews;
- prijsweergave;
- bestelknop;
- keuze tussen productvarianten.
Stel dat bezoekers veel productpagina’s bekijken maar weinig producten toevoegen. Dan is testen op deze pagina logischer dan beginnen bij de checkout.
In het winkelmandje
Hier heeft de klant al een duidelijke koopintentie.
Je kunt bijvoorbeeld onderzoeken wat het effect is van verzendkosten, de gratis-verzendgrens, kortingscodes, productaanbevelingen en afleiding.
Kijk goed naar het doel van de test. Meer producten in een winkelmandje is bijvoorbeeld niet voldoende als vervolgens minder klanten bestellen.
Tijdens de checkout
Zie je dat veel bezoekers de checkout starten, maar niet betalen? Onderzoek dan eerst waar ze precies afhaken.
Mogelijke tests zijn:
- gastbestelling duidelijker aanbieden;
- onnodige velden verwijderen;
- bezorginformatie eerder tonen;
- betaalmethoden anders presenteren;
- verschillende checkoutstappen;
- totaalprijs duidelijker weergeven.
Ga dus niet direct de hele checkout vervangen. Bij het optimaliseren van je checkout wil je eerst weten waar de frictie ontstaat en vervolgens gericht testen of een aanpassing dat probleem vermindert.
Bij het verhogen van de orderwaarde
Misschien heeft je webshop helemaal geen groot conversieprobleem.
Je krijgt voldoende bestellingen, maar klanten bestellen gemiddeld voor een relatief laag bedrag.
Dan kun je bijvoorbeeld testen met bundels, hoeveelheidkorting of upselling en cross-selling.
Ook hier geldt dat een hogere orderwaarde niet automatisch betekent dat de test succesvol is. Een extra aanbieding kan ook afleiden en daarmee de conversie verlagen.
Test niet alles tegelijkertijd
Stel dat je een nieuwe productpagina maakt.
Je verandert:
de productfoto’s
de titel
de productomschrijving
de bestelknop
de levertijdweergave
Variant B presteert vervolgens 15% beter.
Dat lijkt goed nieuws, maar je hebt een probleem.
Je weet niet welke verandering het verschil heeft veroorzaakt.
Misschien kwamen de nieuwe productfoto’s beter over. Misschien was het de duidelijkere levertijd. Het kan zelfs een combinatie van wijzigingen zijn.
Bij een gerichte A/B-test wil je daarom een duidelijke hypothese kunnen beoordelen. Dat betekent niet dat je onder alle omstandigheden letterlijk maar één pixel mag veranderen. Wel moet duidelijk zijn welke verandering of welk concept je onderzoekt.
Niet iedere webshop heeft genoeg verkeer voor A/B-testen
Dit wordt makkelijk onderschat.
Stel dat je webshop maandelijks 2.000 bezoekers krijgt en een conversieratio van 2% heeft.
Dat zijn gemiddeld:
2.000 × 2% = 40 bestellingen per maand
Bij een verdeling van 50/50 krijgt iedere variant ongeveer 1.000 bezoekers.
Als beide ongeveer gelijk presteren, zijn dat rond de 20 bestellingen per variant per maand.
Wil je vervolgens een klein verschil tussen A en B betrouwbaar aantonen, dan kan de test lang moeten lopen.
Hoeveel verkeer je precies nodig hebt, kun je niet met één universeel getal bepalen. Het benodigde aantal waarnemingen hangt onder andere af van je huidige conversieratio, het verschil dat je wilt kunnen meten en de statistische methode.
Daarom zijn A/B-tests niet automatisch de beste eerste stap voor een kleine webshop.
Wat doe je als je te weinig verkeer hebt?
Ook zonder grote aantallen bezoekers kun je je webshop verbeteren.
Gebruik bijvoorbeeld:
Analyticsdata
Waar verdwijnen bezoekers?
Sessierecordings
Waar lopen gebruikers vast?
Heatmaps
Welke onderdelen krijgen aandacht?
Klantenservicevragen
Waarover ontstaat vaak twijfel?
Gebruikersonderzoek
Kunnen mensen belangrijke taken makkelijk uitvoeren?
Je kunt daarmee duidelijke problemen ontdekken die niet eerst maandenlang getest hoeven te worden.
Een verkeerd werkend formulier hoef je bijvoorbeeld niet tegen een goed werkend formulier te A/B-testen. Je kunt het probleem gewoon oplossen.
A/B-testen wordt vooral interessant wanneer er echte onzekerheid bestaat over welke variant beter presteert.
Wanneer is een A/B-test betrouwbaar?
Een veelgemaakte fout is een test te vroeg stoppen.
Stel dat variant B na twee dagen 20% beter converteert.
Dat betekent nog niet automatisch dat B structureel beter is.
Resultaten kunnen in het begin sterk schommelen. Toeval, verkeersbronnen, dagen van de week en andere factoren kunnen het beeld beïnvloeden.
Kijk daarom vooraf naar hoeveel data je nodig hebt en houd je aan je testopzet.
Er bestaat geen universele regel zoals:
Iedere test heeft precies 10.000 bezoekers nodig.
Een webshop met een conversieratio van 10% heeft een andere uitgangssituatie dan een webshop met een conversieratio van 0,5%.
Gebruik daarom bij serieuze experimenten een geschikte steekproefgrootteberekening of de statistische methode van je testplatform. Shopify benadrukt eveneens dat voldoende verkeer nodig is om bruikbare resultaten uit A/B-tests te halen.
De hoogste conversie is niet altijd de beste variant
Hier gaat het bij webshops vaak mis.
Stel dat beide varianten 10.000 bezoekers krijgen.
Variant A
Conversieratio: 3,2%
Aantal bestellingen:
10.000 × 3,2% = 320
Gemiddelde orderwaarde: €75
Contribution per bestelling: €24
Totale contribution:
320 × €24 = €7.680
Variant B
Conversieratio: 3,5%
Aantal bestellingen:
10.000 × 3,5% = 350
Gemiddelde orderwaarde: €65
Contribution per bestelling: €19
Totale contribution:
350 × €19 = €6.650
Variant B heeft de hoogste conversieratio.
Toch is de totale contribution in dit vereenvoudigde voorbeeld €1.030 lager.
Dit betekent niet dat contribution altijd de primaire KPI van iedere test moet zijn.
Het betekent wel dat je moet controleren of een verbetering van één KPI geen ongewenst effect heeft op andere belangrijke cijfers.
Bepaal vooraf wanneer een test succesvol is
Voordat je de test start, bepaal je de primaire KPI.
Test je een productpagina omdat weinig bezoekers iets toevoegen?
Dan kan je primaire KPI bijvoorbeeld zijn:
add-to-cartpercentage
Test je een onderdeel van de checkout?
Dan kan dat zijn:
aankoopconversie
Daarnaast kun je secundaire KPI’s volgen.
Bijvoorbeeld:
- gemiddelde orderwaarde;
- omzet per bezoeker;
- aantal bestellingen;
- contribution per bestelling;
- totale contribution.
Dit voorkomt dat je na afloop door tientallen cijfers bladert totdat je ergens een positief verschil vindt.
Bepaal vooraf wat de test probeert te verbeteren.
Welke A/B-test krijgt prioriteit?
Na een tijdje heb je waarschijnlijk meer ideeën dan je tegelijk kunt testen.
Dan helpt een eenvoudige prioriteitenmatrix.
Beoordeel ieder idee op drie onderdelen:
| Onderdeel | Vraag |
|---|---|
| Impact | Hoe groot kan het effect zijn? |
| Bewijs | Hoe sterk zijn de aanwijzingen dat hier een probleem zit? |
| Inspanning | Hoeveel werk kost het om de test goed uit te voeren? |
Stel dat je vier ideeën hebt:
| Testidee | Impact | Bewijs | Inspanning |
|---|---|---|---|
| Verzendkosten eerder tonen | Hoog | Hoog | Laag |
| Andere productfoto | Middel | Laag | Laag |
| Complete checkout herbouwen | Hoog | Middel | Hoog |
| Gastcheckout duidelijker maken | Hoog | Hoog | Middel |
De andere productfoto is misschien het makkelijkst uit te voeren.
Toch is er weinig bewijs dat de huidige foto een probleem veroorzaakt.
Bij de verzendkosten heb je daarentegen een hoge mogelijke impact, sterk bewijs én relatief weinig ontwikkelwerk.
Die test verdient dan eerder aandacht.
Begin bij het probleem, niet bij de oplossing
Een goede A/B-test begint dus niet met de vraag:
Welke knop zullen we veranderen?
Begin met:
Waar verliezen we klanten of financieel resultaat?
Gebruik je funneldata om dat probleem te vinden. Onderzoek mogelijke oorzaken en maak daar een concrete hypothese van. Bepaal vervolgens vooraf welke KPI moet veranderen en hoeveel data je nodig hebt.
Zo wordt A/B-testen geen verzameling losse experimenten, maar een methode waarmee je stap voor stap betere beslissingen neemt over je webshop.