Funnel-Analyse
Funnel-Analyse mit GA4: An welchem Schritt, auf welchem Gerät und aus welchem Kanal springen Besucher ab? Daraus leiten wir die Prioritäten ab.
Ansehen
Conversion-Optimierung
A/B-Testing für Websites und Onlineshops: Konzeption, Durchführung und Auswertung
Beim A/B-Testing liegt die eigentliche Arbeit nicht im Einrichten des Tools, sondern darin, sicherzustellen, dass das Ergebnis kein Zufall ist. Tests, die zu früh gestoppt werden, mit zu wenig Traffic laufen oder in eine Aktionswoche fallen, küren einen „Gewinner“, und die ausgerollte Änderung bringt danach nichts. Wir konzipieren A/B-Tests auf Basis einer Stichprobenberechnung und legen Laufzeit, primäre Metrik und Erfolgskriterium vorab schriftlich fest.
Zweck und Darstellung
Wofür setzen wir diese Leistung ein?
Wir führen A/B-Tests durch, um zu belegen, ob eine Änderung an der Website den Umsatz tatsächlich steigert, bevor sie für alle Besucher freigeschaltet wird. Entscheidungen zu Design oder Preisdarstellung beruhen auf gemessenen Ergebnissen; Änderungen, die Umsatz kosten würden, werden in einer kleinen Besuchergruppe aussortiert, bevor sie den gesamten Traffic erreichen. Jedes Ergebnis liefert die Hypothese für den nächsten Test.
Abgedeckte Funnel-Phasen
- Bekanntheit
- Erwägung
- Conversion
- Kundenbindung
Stichprobengröße berechnen: Wie viel Traffic braucht ein A/B-Test?
Wie viel Traffic ein Test braucht, bestimmen drei Werte: die aktuelle Conversion-Rate, der kleinste Unterschied, den wir erkennen wollen, und die akzeptierte Fehlertoleranz. Um etwa auf einer Seite mit 2 Prozent Conversion-Rate einen relativen Anstieg von 10 Prozent (von 2 auf 2,2 Prozent) mit 95 Prozent Signifikanz und 80 Prozent Power zu erkennen, braucht jede Variante grob 80.000 Besucher.
Diese Berechnung verändert oft das Testthema. Reicht der Traffic nicht, testen wir statt kleiner Änderungen wie einer Buttonfarbe solche mit großem erwartbarem Effekt: Preisdarstellung, Anzahl der Checkout-Schritte, Angebotsstruktur. Die Hauptmetrik verlagern wir bei Bedarf auf einen höheren Funnel-Schritt, etwa auf den Beginn des Checkouts statt auf den Kauf.
Wie lange sollte ein A/B-Test laufen?
Die Laufzeit berechnen wir aus der benötigten Stichprobe und runden immer auf volle Wochen auf, da sich Besucher unter der Woche und am Wochenende unterschiedlich verhalten. Wir schauen nicht täglich auf die Ergebnisse und stoppen den Test nicht, sobald Signifikanz sichtbar wird; dieses Vorgehen erhöht die Wahrscheinlichkeit, einen falschen Gewinner zu küren, deutlich. Zeiträume, die für den Einkaufskalender in der Türkei typisch sind, berücksichtigen wir ebenfalls:
- In der Rabattsaison im November, rund um Black Friday und in den Wochen vor religiösen Feiertagen starten wir keine neuen Tests
- In Kategorien mit Gehaltstags- und Monatsanfangseffekt planen wir den Test so, dass er mindestens einen Monatszyklus abdeckt
- Während der Testlaufzeit ändern wir das Kampagnen-Setup nicht, das Traffic auf dieselbe Seite schickt
- Weicht die Verteilung der Besucher auf die Varianten vom Plan ab (SRM), verwenden wir das Ergebnis nicht
A/B-Testing-Tools nach Google Optimize: clientseitig oder serverseitig?
Google Optimize wurde am 30. September 2023 eingestellt, und GA4 bietet kein integriertes A/B-Testing-Tool. Heute arbeiten wir mit unabhängigen Tools wie VWO, AB Tasty, Optimizely oder Convert und senden die Varianteninformation als Event-Parameter an GA4. So können wir das Ergebnis neben dem Report des Tools auch mit GA4- und Bestelldaten auswerten.
Clientseitige Tests verändern den Inhalt während des Seitenaufbaus und können daher kurzes Flackern verursachen; der Anti-Flicker-Code kann die Ladezeit, vor allem den LCP-Wert, verschlechtern. Für kritische Tests wie Checkout-Flow und Preis empfehlen wir ein serverseitiges Setup, bei dem die Variante bereits beim Rendern der Seite auf dem Server gewählt wird. Welches Setup wir wählen, entscheiden wir anhand des Umsatzanteils der Seite, die der Test betrifft.
Wie priorisieren wir Testideen?
Testideen stammen aus der Funnel-Analyse und aus Verhaltensaufzeichnungen. Die Reihenfolge legen wir mit dem ICE-Score fest, den wir bei den Wachstumsexperimenten beschreiben; bei Website-Tests vergeben wir den Impact-Wert nach dem Verlustvolumen in dem Schritt, den die Änderung betrifft. Website-Tests führen wir getrennt von Anzeigentests durch: Für Creative- und Botschaftstests nutzen wir die Experiment-Tools der Plattformen und die Analyse von Werbemitteln. Eine erfolgreiche Anzeigenbotschaft liefert wiederum oft die nächste Hypothese, die auf der Landingpage getestet wird.
A/B-Tests: Wann empfehlen wir es?
Wir empfehlen es
- E-Commerce- und Abo-Websites, die pro Variante genügend Besucher sammeln können
- Teams, die vor großen Entscheidungen zu Preisdarstellung, Checkout-Flow oder Angebotsstruktur Belege suchen
- Unternehmen, die Designdiskussionen mit Daten statt Meinungen beenden wollen
Wir empfehlen es nicht
- Kleine Interface-Tests auf Websites mit wenigen Tausend Besuchern pro Monat; ein Ergebnis kommt monatelang nicht zustande
- Die Behebung eines offensichtlichen Fehlers; Fehler werden nicht getestet, sondern behoben
- Setups, bei denen nicht geprüft ist, dass das Varianten-Event in GA4 ankommt; das Ergebnis lässt sich nicht mit Bestelldaten auswerten
So betreuen wir A/B-Tests
- HypotheseWir formulieren die Änderung, ihren Grund und den erwarteten Effekt in einem Satz.
- StichprobenberechnungAus aktueller Rate und Zielunterschied berechnen wir die benötigte Besucherzahl und die Laufzeit.
- Einrichtung und QualitätskontrolleWir prüfen die Varianten auf allen Geräten und Browsern und verifizieren das Varianten-Event in GA4.
- Livegang und AbwartenVor Ablauf der geplanten Laufzeit treffen wir keine Entscheidung; wir prüfen nur SRM und Fehler.
- Auswertung und DokumentationWir werten das Ergebnis nach Gerät aus und halten jeden Test, ob Gewinner oder Verlierer, im Learning-Archiv fest.
A/B-Tests: Kennzahlen und Voraussetzungen
Kennzahlen, die wir verfolgen
- Primäre Conversion-Rate
- Umsatz pro Besucher
- Konfidenzintervall
- Varianten-Verteilung (SRM)
- Durchschnittlicher Warenkorbwert
Was Sie für den Start brauchen
- Eine Lizenz für ein A/B-Testing-Tool oder Entwicklerunterstützung für serverseitige Tests
- Ein als benutzerdefinierte Dimension in GA4 angelegter Varianten-Parameter
- Ausreichender und gleichmäßiger Traffic auf der zu testenden Seite
- Die Entscheidung, Seiten- und Kampagnenänderungen während der Testlaufzeit einzufrieren
Offizielle Quellen
The Brand Move CRO-Team
Jetzt Kontakt aufnehmenFür Informationen zu „A/B-Tests“ und weiteren Leistungen zur Conversion-Optimierung wenden Sie sich direkt an das Team für Conversion-Optimierung von The Brand Move.
Mehr entdecken
Übersicht: Conversion-Optimierung
Weitere Leistungen: Conversion-Optimierung
Heatmaps und Nutzerverhalten
Heatmap-Analyse, Scrolltiefe und gefilterte Session Recordings, die zeigen, wo und warum Besucher hängen bleiben.
AnsehenLadezeit und Core Web Vitals
Ladezeit optimieren mit echten Nutzerdaten: Ursachen für schlechte LCP-, INP- und CLS-Werte finden und gezielt beheben.
AnsehenHäufige Fragen
Häufige Fragen zu A/B-Tests
Wie lange sollte ein A/B-Test laufen?
Die Laufzeit ergibt sich aus der benötigten Stichprobe und wird immer auf volle Wochen aufgerundet, mindestens aber auf zwei volle Wochen mit allen Wochentagen. Wir stoppen keinen Test, nur weil zwischendurch Signifikanz sichtbar wird; dieses Vorgehen erhöht die Wahrscheinlichkeit, einen falschen Gewinner zu küren, deutlich.
Wie viel Traffic braucht ein A/B-Test?
Das hängt von der aktuellen Conversion-Rate, dem kleinsten Unterschied, den wir erkennen wollen, und der akzeptierten Fehlertoleranz ab. Um auf einer Seite mit 2 Prozent Conversion-Rate einen relativen Anstieg von 10 Prozent mit 95 Prozent Signifikanz und 80 Prozent Power zu erkennen, braucht jede Variante grob 80.000 Besucher. Reicht der Traffic nicht, testen wir größere Änderungen oder einen höheren Funnel-Schritt.
Welche Alternative zu Google Optimize nutzen Sie?
Google Optimize wurde am 30. September 2023 eingestellt, und GA4 hat kein integriertes A/B-Testing-Tool. Wir arbeiten mit unabhängigen Tools wie VWO, AB Tasty, Optimizely oder Convert und senden die Varianteninformation als Event-Parameter an GA4. Für kritische Tests wie Checkout und Preis empfehlen wir ein serverseitiges Setup.
Der Test scheint mit 90 Prozent Konfidenz gewonnen zu haben. Können wir ausrollen?
Nicht, solange die geplante Stichprobe und Laufzeit nicht erreicht sind. Zwischenergebnisse schwanken häufig; Unterschiede in vorzeitig gestoppten Tests schrumpfen später meist. Ist die Laufzeit abgeschlossen, entscheiden wir anhand der vorab festgelegten Schwelle und der primären Metrik.
Können mehrere A/B-Tests gleichzeitig laufen?
Auf verschiedenen Seiten und in Bereichen, die sich nicht gegenseitig beeinflussen, ja. Testen wir gleichzeitig im selben Nutzerfluss, etwa auf Warenkorb- und Checkout-Seite, trennen wir zur Kontrolle von Wechselwirkungen entweder die Nutzer oder führen die Tests nacheinander durch.
Was passiert, wenn das Ergebnis nicht signifikant ist?
Wir dokumentieren den Test als ergebnislos und verlängern die Laufzeit nicht, um doch noch Signifikanz zu finden. Ein ergebnisloser Test sagt, dass sich die beiden Versionen bei diesem Traffic-Niveau nicht unterscheiden lassen. Dann formulieren wir eine neue Hypothese mit einer größeren Änderung oder verlagern die Hauptmetrik auf einen höheren Funnel-Schritt.
Lassen Sie uns A/B-Tests gemeinsam erstmals bewerten.
Im kostenlosen Gespräch prüfen wir die Abbruchstellen in Ihrem Funnel und Ihre Landingpages und senden Ihnen die ersten drei Testideen schriftlich.
Wachstumsgespräch vereinbaren
Kein Verkaufsdruck. Nur Erkenntnisse.