Jede Marketingstrategie ist verbesserungsfähig, und das Erkennen versteckter Möglichkeiten ist die Voraussetzung dafür, mehr zu erreichen.

Mit Analysedaten und ein wenig Kreativität kannst du wertvolle Erkenntnisse darüber gewinnen, wie du deine Conversion Rate auf deiner Website oder den Landing Pages deiner Kampagne optimieren kannst. Um jedoch strukturierte und optimierte Daten aus deinen Annahmen zu erhalten, musst du sorgfältig testen.

Marketingfachleute haben immer wieder verschiedene Testmethoden wie A/B-Tests, Split-Tests, multivariates Testing (MVT) und Multipage-Tests eingesetzt, um die Conversion Rate zu erhöhen und die digitale Performance zu verbessern.

Experimente und Tests sind unerlässlich, da sie Meinungen und Voreingenommenheit aus dem Entscheidungsprozess ausschließen und datengestützte Entscheidungen gewährleisten.

Angesichts der vielen verschiedenen Testmöglichkeiten kann es schwierig sein, den richtigen Ausgangspunkt zu finden. In diesem Artikel gehen wir auf die Besonderheiten der verschiedenen Testformen ein, um dir die Navigation in dieser Testing-Landschaft zu erleichtern.

Was ist A/B-Testing?

A/B-Testing ist eine Methode der Website-Optimierung, bei der zwei Versionen derselben Seite miteinander verglichen werden: Variante A und Variante B. Für den Vergleich werden üblicherweise die Conversion Rate und die für dein Unternehmen wichtigen Metriken (Klicks, Seitenaufrufe, Käufe usw.) unter Verwendung von Live Traffic betrachtet.

Es ist auch möglich, einen A/B/C/D-Test durchzuführen, wenn du mehr als zwei Inhaltsvarianten testen musst. Mit der A/B/C/D-Methode kannst du drei oder mehr Varianten einer Seite auf einmal testen, anstatt nur eine Variante gegen die Kontrollversion der Seite zu testen.

Wann sind A/B-Tests sinnvoll?

A/B-Tests sind eine hervorragende Methode, um radikal unterschiedliche Ideen zur Optimierung der Conversion Rate oder kleine Änderungen auf einer Seite zu testen.

A/B-Testing ist die richtige Methode für dich, wenn du keine großen Besucherzahlen auf deiner Website hast. Warum ist das so? A/B-Tests können sehr schnell verlässliche Daten liefern, ohne dass eine große Anzahl von Besuchern erforderlich ist. Dies ist ein großartiger Ansatz zum Experimentieren, um die Testzeit zu maximieren und schnelle Ergebnisse zu erzielen.

Wenn du eine stark frequentierte Website hast, kannst du die Performance einer viel breiteren Palette von Varianten bewerten. Es ist jedoch nicht notwendig, 20 verschiedene Varianten desselben Elements zu testen, selbst wenn du genügend Besucher hast. Es ist wichtig, mit einer Strategie an das Experimentieren heranzugehen.

Möchtest du mit dem Testen beginnen? AB Tasty ist die best-in-class Plattform zur Optimierung von Erlebnissen, mit der du schnell eine reichhaltigere digitale Experience schaffen kannst. Von Experimentation bis hin zur Personalisierung kann dir diese Lösung helfen, deine Zielgruppe zu aktivieren und zu binden, um deine Conversions zu steigern.

Split Testing vs. A/B-Testing

A/B-Tests und Split-Tests entsprechen im Wesentlichen demselben Konzept.

„A/B“ bezieht sich auf zwei Varianten derselben URL, wobei die Änderungen „live“ mithilfe von JavaScript auf der Originalseite vorgenommen werden. SaaS-Tools, die dir einen visuellen Editor zur Verfügung stellen, wie AB Tasty, ermöglichen es dir, diese Änderungen schnell und ohne technische Kenntnisse zu erstellen.

Der Begriff „Split“ bezieht sich auf die Umleitung des Traffics auf die eine oder andere Variante, die jeweils unter einer eigenen URL gehostet und im Code völlig neu gestaltet wird.

A/B-Tests funktionieren auf die gleiche Weise wie Split-Tests.

Die Variantenseite kann sich in vielen Aspekten unterscheiden, je nach der von dir aufgestellten Testhypothese und deinen Branchenzielen (Layout, Design, Bilder, Überschriften, Unterüberschriften, Call-to-Actions, Angebote, Button-Farben usw.).

In jedem Fall wird die Anzahl der Conversions auf jeder Seitenvariante verglichen, sobald jede Variante genügend Besucher erhält.

Bei A/B-Tests wird die Auswirkung des Designs als Ganzes verfolgt, nicht einzelne Elemente – auch wenn viele Designelemente bei den Varianten gleichzeitig geändert werden können.

TIPP: Denk daran, dass es beim Testen vor allem darum geht, die Leistung der Varianten zu vergleichen. Es wird empfohlen, nicht zu viele Änderungen zwischen der Kontroll- und der Variationsversion der Seite gleichzeitig vorzunehmen. Du solltest die Anzahl der Änderungen begrenzen, um die Auswirkungen der Ergebnisse besser zu verstehen. Langfristig wird ein kontinuierlicher Verbesserungsprozess zu einer besseren und dauerhaften Leistung führen.

Was ist Multivariate Testing (MVT)?

Multivariate Testing (MVT) oder Multivariantentests sind in ihrem Kernmechanismus und ihrer Philosophie mit A/B-Tests identisch. Der Unterschied besteht darin, dass du mit multivariaten Tests eine größere Anzahl von Variablen und die Wechselwirkungen zwischen ihnen vergleichen kannst. Mit anderen Worten: Du kannst Änderungen an mehreren Abschnitten auf einer einzigen Seite testen und verfolgen.

Für multivariate Tests musst du einige wichtige Seitenabschnitte identifizieren und dann Varianten speziell für diese Abschnitte erstellen. Du erstellst keine Variationen für eine ganze Seite, wie du es bei A/B-Tests tust.

TIPP: Verwende Multivariate Testing (MVT), wenn mehrere Elementkombinationen auf deiner Website oder Landing Page in Frage gestellt werden sollen.

Multivariate Testing (MVT) liefert mehr Informationen darüber, wie diese Änderungen an mehreren Abschnitten miteinander interagieren. Bei multivariaten Tests wird der Website-Traffic auf jede mögliche Kombination einer Seite aufgeteilt, wobei die Wirksamkeit der Änderungen gemessen wird.

Es ist sehr üblich, multivariate Tests zu verwenden, um eine bestehende Website oder Landing Page zu optimieren, ohne eine bedeutende Investition in ein Redesign zu tätigen.

Obwohl diese Art des Testens als eine einfachere Art des Experimentierens wahrgenommen werden kann, sollte man nicht vergessen, dass multivariate Tests komplizierter sind als traditionelle A/B-Tests.

Multivariate Tests sind am besten für fortgeschrittene Tester geeignet, da sie den Besuchern deiner Website viel mehr Kombinationsmöglichkeiten bieten. Zu viele Änderungen auf einer Seite auf einmal können sich schnell summieren. Du möchtest nicht mit einer sehr großen Anzahl von Kombinationen konfrontiert werden, die getestet werden muss.

Beispiel für einen multivariaten Test

Angenommen, du hast beschlossen, einen multivariaten Test auf einer deiner Landing Pages durchzuführen. Du entscheidest dich, zwei Elemente auf deiner Landing Page zu ändern. Bei der ersten Variante tauschst du ein Bild gegen ein Video aus, und bei der zweiten Variante tauschst du das Bild gegen einen Slider aus.

Für jede Seitenvariante fügst du eine weitere Version der Überschrift hinzu. Dies bedeutet, dass du nun drei Versionen des Hauptinhalts und zwei Versionen der Überschrift hast. Dies entspricht sechs verschiedenen Kombinationen der Landing Page.

Wenn du nur zwei Abschnitte änderst, hast du schnell sechs Varianten. An dieser Stelle kann das Multivariate Testing (MVT) knifflig werden.

Wann ist Multivariate Testing (MVT) sinnvoll?

Multivariate Tests werden für Websites mit einem hohen täglichen Besucheraufkommen empfohlen. Du benötigst eine Website mit einem hohen Traffic-Volumen, um mehrere Kombinationen zu testen, und es dauert länger, bis du aussagekräftige Daten aus dem Test erhältst.

Die multivariate Testmethode ermöglicht es dir, ein bestehendes Design schrittweise zu verbessern, während die Testergebnisse für die Neugestaltung einer größeren Website oder Landing Page verwendet werden können.

Was ist Multipage Testing?

Multipage Testing ist eine Testmethode, die dem Standard-A/B-Testing ähnelt. Wie wir bereits besprochen haben, können bei A/B-Tests Änderungen an einer bestimmten Seite oder an einer Gruppe von Seiten vorgenommen werden.

Wenn das geänderte Element auf mehreren Seiten erscheint, kannst du wählen, ob es auf jeder Seite geändert werden soll oder nicht. Wenn das Element jedoch auf mehreren Seiten vorkommt, aber nicht identisch ist, an einer anderen Stelle erscheint oder einen anderen Namen hat, musst du einen Multipage-Test einrichten.

Mehrseitige Tests ermöglichen es dir, Änderungen konsistent über mehrere Seiten hinweg zu implementieren.

Das bedeutet, dass Multipage-Tests es ermöglichen, Varianten verschiedener Seiten miteinander zu verknüpfen, was besonders bei Funnel-Tests nützlich ist.

Bei Multipage-Tests werden die Website-Besucher in die eine oder andere Funnel-Version geleitet. Du musst verfolgen, wie die Besucher mit den verschiedenen Seiten interagieren, die ihnen angezeigt werden, damit du feststellen kannst, welche Funnel-Variante am effektivsten ist.

Du musst sicherstellen, dass die Benutzer eine konsistente Variation von Änderungen auf einer Reihe von Seiten sehen. Dies ist der Schlüssel zur Gewinnung verwertbarer Daten und ermöglicht einen fairen Vergleich zwischen den verschiedenen Varianten.

Beispiel für einen Multipage-Test

Angenommen, du möchtest einen mehrseitigen Test mit einem Gutschein für kostenlosen Versand durchführen, der an verschiedenen Stellen im Funnel angezeigt wird. Du möchtest die Ergebnisse dieses Tests mit dem ursprünglichen Purchase Funnel ohne Coupon vergleichen.

Zum Beispiel könntest du Besuchern auf einer Produktkategorieseite einen Gutschein für den kostenlosen Versand anbieten – wo sie „Kostenloser Versand über 50 €“ als statisches Banner auf der Seite sehen können. Sobald der Besucher ein Produkt in den Einkaufswagen legt, kannst du ihm eine neue dynamische Nachricht je nach dem Stand des Warenkorbs anzeigen – „Füge deinem Warenkorb X € für kostenlosen Versand hinzu“.

In diesem Fall kannst du mit der Position der Nachricht (in der Nähe des Buttons „Zur Kasse gehen“, in der Nähe des Buttons „Einkauf fortsetzen“, in der Nähe der Versandkosten für seine Bestellung oder an anderer Stelle) und mit den Call-to-Action-Varianten der Nachricht experimentieren.

Diese Art von Test hilft dir, das Kaufverhalten der Besucher besser zu verstehen – z. B. wie reduziert die Platzierung eines Gutscheins für kostenlosen Versand den Abbruch des Warenkorbs und erhöht den Umsatz? Nachdem genügend Besucher durch die verschiedenen Designs zum Ende des Purchase Funnels gelangt sind, kannst du die Wirkung der Designstile einfach und effektiv vergleichen.

Wie testet man erfolgreich?

Denk daran, dass die getesteten Seiten einen hohen Traffic aufweisen müssen, damit die Tests relevante Daten zur Analyse liefern.

Unabhängig davon, ob du A/B-Tests, Split-Tests, multivariate Tests oder Multipage-Tests verwendest, um deine Conversion Rate oder Performance zu steigern, solltest du diese mit Bedacht einsetzen.

Jede Art von Test hat ihre eigenen Anforderungen und ist für bestimmte Situationen besonders geeignet, mit Vor- und Nachteilen.

Die Verwendung des richtigen Tests für die richtige Situation hilft dir, das Beste aus deiner Website herauszuholen und den besten Return on Investment für deine Testkampagne zu erzielen. Auch wenn das Testen einer wissenschaftlichen Methode folgt, ist für die Arbeit mit AB Tasty kein Abschluss in Statistik erforderlich.

Verwandtes Thema: Bayes vs. Frequentist: Wie AB Tasty sich für ein statistisches Modell entschieden hat

Der Beitrag A/B-, Split Testing oder MVT: So wählst du die richtige Testmethode aus erschien zuerst auf abtasty.

Talia Wolf, Gründerin und CEO von Getuplift, verfolgt einen kundenorientierten Marketingansatz. Sie nutzt die Kraft emotionaler Marketingtechniken, um die Besucherzahlen zu steigern.

Ihr Interesse an Conversion-Rate-Optimierung (CRO) und Experimenten wurde durch ihre frühe Arbeit in einer Social-Media-Agentur geweckt. Später entwickelte sie sich zu einer Expertin auf diesem Gebiet, beriet viele Unternehmen zu diesem Thema und hielt Vorträge auf der Bühne bei Google, MozCon und Search Love.

Gastmoderator John Hughes, Head of Growth Marketing UK bei AB Tasty, sprach mit Talia über Emotional Marketing als Optimierungstool und wie Customer Research den Experimentierprozess erleichtern, die Fehlerquote senken und die Zustimmung der beteiligten Unternehmensakteure gewinnen kann.

Hier sind einige der wichtigsten Erkenntnisse aus ihrem Gespräch.

Was ist Emotional Marketing?

Die emotionale Targeting-Methode basiert auf der Idee, dass jede einzelne Entscheidung, die wir im Leben treffen, von Emotionen gesteuert wird. So wird der Schwerpunkt deiner Online-Marketing-Inhalte von deinen Lösungen, Funktionen oder Preisen auf deine Kunden verlagert. Anstatt ein Ratespiel zu spielen und einfach Elemente auf einer Seite umzustellen, erfordert diese Technik ein tieferes Verständnis des menschlichen Verhaltens. Indem du die Absichten und Kaufmotive deiner Kunden ermittelst, kannst du ein optimiertes Erlebnis schaffen, das ihren Bedürfnissen entspricht und die Conversion Rate erhöht.

Die grundlegende Rolle von Emotionen bei unseren täglichen Entscheidungen kann, gestützt durch akademische Forschung, in deine Strategie integriert werden. Dadurch kannst du deine Kunden besser bedienen, indem du a) ihre größten Herausforderungen identifizierst und b) ermittelst, wie sie sich fühlen wollen, nachdem sie eine Lösung gefunden haben. Was ist ihr gewünschtes Ergebnis?

Vor diesem Hintergrund kannst du deine digitale Kommunikation mit hochgradig konvertierenden Texten und visuellen Elementen optimieren, die direkt auf die Bedürfnisse deiner Kunden eingehen. Indem du das Gespräch vom Produkt auf den Kunden verlagerst, eröffnen sich unglaubliche Möglichkeiten zur Skalierung und Vervielfachung der Conversions.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Wie erstellt und misst man ein emotionsbasiertes Experiment?

Erstens sollte Experimentation durch Forschung gestützt werden. Von Kunden- und Besucherbefragungen bis hin zum Review Mining, Social Listening und der emotionalen Konkurrenzanalyse – Talia ermutigt zu umfassender Forschung, um die geeignetste Hypothese zu erstellen, auf der ein A/B-Test basieren kann.

Sobald du mehr über deine Kunden weißt, kannst du beispielsweise die Texte und Bilder auf deiner Produktseite überprüfen. Vielleicht stellst du anhand deiner Recherchen fest, dass deine Inhalte für deine Zielkunden nicht relevant sind. Du kannst dann eine Hypothese aufstellen, die auf den tatsächlichen Bedürfnissen und Interessen der Kunden basiert und durch überzeugenden Social Proof untermauert wird. Auf dieser Grundlage der neuen Informationen kannst du ein Briefing für deine Designer oder Texter verfassen.

Von dort aus kannst du dein Experiment in deine A/B-Testing-Plattform mit einer ausgewählten North Star Metric einbauen, sei es Checkouts, Anmeldungen oder Add-to-Carts, um deine Hypothese zu testen. Und obwohl wir wissen, dass neun von zehn A/B-Tests fehlschlagen, erleichtert Emotional Marketing den Prozess der Hypothesenbildung. Es erhöht die Chance, ein erfolgreiches Experiment zu erstellen, indem Variablen getestet werden, die sich tatsächlich auf die Customer Journey auswirken können.

Wie du die Beteiligten davon überzeugen kannst, deine Experimente zu unterstützen.

Zu viele Köche verderben den Brei. Das gilt auch, wenn es um CRO geht, vor allem in kleineren Organisationen, deren Gründer eine konkrete Vorstellung von ihren Kunden und ihrer Botschaft haben.

Talia erklärt, dass ein forschungsbasierter Ansatz für Experimente als Teil einer langsamen, stetigen und beweisgestützter Strategie, Sicherheit bieten kann. Diese personalisierte Methodik beinhaltet Gespräche mit deinen Kunden und Website-Besuchern sowie die Suche im Internet nach Diskussionen über deine spezifische Branche, anstatt einfach dem Beispiel der Konkurrenz zu folgen.

Es ist viel einfacher, einem Gründer oder CEO einen Test vorzuschlagen, wenn deine Hypothese durch Daten und Forschung gestützt wird. Talia empfiehlt jedoch, dem Drang zu widerstehen, alles auf einmal ändern zu wollen und lieber klein anzufangen. Teste das emotionale Marketing in deinen Anzeigen oder versende eine E-Mail-Sequenz, für die du nur einen Texter benötigst, und teile die Ergebnisse.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Wenn du versuchst, Zustimmung zu erhalten, brauchst du eine starke Hypothese gepaart mit guter Forschung, um zu beweisen, dass sie sinnvoll ist. Wenn dies der Fall ist, kannst du die Kraft des emotionalen Marketings demonstrieren, indem du einige A/B-Tests durchführst: Einen, bei dem die Kontrollgröße der aktuelle lösungsorientierte Inhalt und die Variante eine kundenorientierte Alternative ist, und einen anderen, bei dem hervorgehoben wird, wie sich die Kunden jetzt fühlen und wie sie sich fühlen möchten. Zwei wichtige Varianten, die dir helfen, eine bessere Beziehung zu deinen Kunden aufzubauen. Der Schlüssel zum Erfolg liegt darin, in kleinen Schritten vorzugehen und deine Forschungsergebnisse kontinuierlich zu teilen und zu kommunizieren.

Was kannst du noch aus unserem Gespräch mit Talia Wolf lernen?

• Warum B2B-Käufe emotionaler sind als B2C. (15:50)
• Wie du in einem überfüllten Markt herausstichst, indem du deine Kunden kennst. (20:00)
• Wie sich emotionales Marketing auf die gesamte Customer Journey auswirkt. (25:50)
• Wie du eine Beziehung zu deinen Kunden aufbauen und die Conversion Rate verbessern kannst. (32:40)

Über Talia Wolf

Talia Wolf, Spezialistin für Conversion-Optimierung, ist Gründerin und CEO von Getuplift. Ein Unternehmen, das Optimierungsstrategien wie emotionales Targeting, überzeugendes Design und Verhaltensdaten einsetzt, um Unternehmen dabei zu helfen, mehr Umsatz, Leads, Engagement und Verkäufe zu erzielen.

Talia begann ihre Karriere in einer Social-Media-Agentur, wo sie das Konzept der Conversion-Optimierung kennenlernte. Anschließend wurde sie Marketing Director bei monday.com, bevor sie 2013 ihre erste Agentur für Conversion-Optimierung, Conversioner, gründete.

Heute unterrichtet Talia mit ihrer bewährten Strategie Unternehmen auf der ganzen Welt darin, ihre Online-Präsenz mit emotionalen Techniken zu optimieren.

Über den 1,000 Experiments Club

Der 1,000 Experiments Club ist ein von AB Tasty produzierter Podcast, der von Marylin Montoya, VP of Marketing bei AB Tasty, moderiert wird. Begleite Marylin und das Marketing-Team, wenn sie sich mit den erfahrensten Experten in der Welt des Experimentierens zusammensetzen, um ihre Erkenntnisse darüber zu enthüllen, was nötig ist, um erfolgreiche Experimente zu entwickeln und durchzuführen.

Kennst du diese Folge schon?

Wenn nicht, wirf doch gerne direkt einen Blick in unseren letzten Artikel zur Podcast-Episode mit Rand Fishkin, mit dem wir über die Culture of Experimentation gesprochen haben.

Der Beitrag Emotional Marketing nutzen | Talia Wolf erschien zuerst auf abtasty.

Ein Teil dieser Transformation liegt in der strategischen Partnerschaft mit AB Tasty und der Integration von EmotionsAI, um die Kunden besser zu verstehen und die Optimierung der Experience Optimization Roadmap voranzutreiben.

Da Versicherungskunden zunehmend nach Sicherheit, Vertrauen und intuitiven Erlebnissen suchen, erkannte DirectAsia die Notwendigkeit, über traditionelle Ansätze
hinauszugehen, um diese Anforderungen zu erfüllen. Wie viele Finanzdienstleistungen ist auch die Versicherung von Natur aus komplex.

DirectAsia führte Tests durch, die sich auf einen Bereich ihrer Website konzentrierten, von dem sie wussten, dass er verbesserungsbedürftig war. Sie verglichen die Ergebnisse dieses Tests mit von EmotionsAI ausgewählten Segmenten mit einem breiteren Publikum. Lade die Case Study herunter, um herauszufinden, wie EmotionsAI den Weg der Besucher zur Angebotsseite beschleunigt hat.

Der Beitrag Mit Empathie das Versicherungserlebnis vereinfachen: Eine DirectAsia Customer Story erschien zuerst auf abtasty.

Was ist A/B-Testing?

A/B-Tests, auch bekannt als Split-Tests, sind eine Marketing-Technik, bei der zwei Versionen einer Webseite oder Anwendung miteinander verglichen werden, um festzustellen, welche besser abschneidet. Diese Varianten, die als A und B bezeichnet werden, werden den Nutzern nach dem Zufallsprinzip präsentiert. Ein Teil von ihnen wird auf die erste Version geleitet, der Rest auf die zweite. Durch eine statistische Analyse der Ergebnisse wird dann ermittelt, welche Version, A oder B, nach bestimmten vordefinierten Indikatoren wie der Conversion Rate besser abschneidet.

Mit anderen Worten: Du kannst überprüfen, welche Version die meisten Klicks, Abonnements, Käufe usw. erhält. Anhand dieser Ergebnisse kannst du dann deine Website für die Conversion Rate optimieren.

A/B-Testing-Beispiele

Du bist auf der Suche nach Ideen für deine nächsten A/B-Tests? Obwohl die Möglichkeiten für A/B-Tests auf deiner Website endlos sind, kann manchmal eine kleine Inspiration durch eine Erfolgsgeschichte sehr hilfreich sein.

Hier sind ein paar Links zu einigen Beispielen von A/B-Tests und deren Ergebnissen:

• 5 A/B-Testing Case Studies und was du von ihnen lernen kannst
• AB Tasty Case Studies Übersicht
• 100 Case Studies zur Conversion-Optimierung
• 50 Case Studies zur Optimierung von A/B-Split-Tests (EN)

Welche Arten von Websites sind für A/B-Tests geeignet?

Jede Website kann von A/B-Tests profitieren, da sie alle eine Daseinsberechtigung haben – und diese ist quantifizierbar. Egal, ob es sich um einen Online Shop, eine Nachrichten-Website oder eine Website zur Lead-Generierung handelt, A/B-Tests können auf verschiedene Weise helfen. Ganz gleich, ob du deinen ROI verbessern, die Absprungrate senken oder die Conversion Rate erhöhen möchtest, A/B-Tests sind eine sehr relevante und wichtige Marketing-Technik.

Lead

Mit „Leads” sind qualifizierte Interessenten, also potenzielle Neukunden gemeint. E-Mail-Marketing ist sehr wichtig, um Leads mit weiteren Inhalten zu versorgen, die Conversion in Gang zu halten, Produkte vorzuschlagen und letztendlich deinen Umsatz zu steigern. Mit A/B-Tests von E-Mails sollte deine Marke beginnen, Trends und gemeinsame Faktoren zu identifizieren, die zu höheren Öffnungs- und Klickraten führen.

Medien

In einem Medienkontext ist es sinnvoller, von „redaktionellen A/B-Tests” zu sprechen. In Branchen, die eng mit der Presse zusammenarbeiten, besteht die Idee hinter A/B-Tests darin, den Erfolg einer bestimmten Inhaltskategorie zu testen. Zum Beispiel, wenn man herausfinden will, ob sie perfekt zur Zielgruppe passt. Im Gegensatz zum obigen Beispiel hat das A/B-Testing hier eine redaktionelle und keine vertriebliche Funktion. A/B-Tests von Headlines sind in der Medienbranche eine gängige Praxis.

E-Commerce

Es überrascht nicht, dass der Einsatz von A/B-Tests im Zusammenhang mit dem E-Commerce darauf abzielt, zu messen, wie gut eine Website oder eine kommerzielle Online App ihre Waren verkauft. Bei A/B-Tests wird anhand der Anzahl der abgeschlossenen Verkäufe ermittelt, welche Version am besten abschneidet. Es ist besonders wichtig, die Startseite und das Design der Produktseiten zu betrachten, aber es ist auch eine gute Idee, alle visuellen Elemente zu berücksichtigen, die beim Kaufabschluss eine Rolle spielen (Buttons, Call-to-Action).

Welche A/B-Tests solltest du verwenden?

Klassischer A/B-Test: Beim klassischen A/B-Test werden den Nutzern zwei Varianten deiner Seiten unter derselben URL präsentiert. Auf diese Weise kannst du zwei oder mehrere Varianten desselben Elements miteinander vergleichen.

Split-Tests oder Redirect-Tests: Beim Split-Test wird dein Traffic auf eine oder mehrere unterschiedliche URLs umgeleitet. Das kann besonders interessant sein, wenn du neue Seiten auf deinem Server hostest.

Multivariate oder MVT-Tests: Beim multivariaten Test werden die Auswirkungen mehrerer Änderungen auf ein und derselben Webseite gemessen. Du kannst zum Beispiel dein Banner, die Farbe deines Textes, deine Präsentation und vieles mehr ändern.

A/B-Testing ist möglich:

Auf Websites

Mit dem A/B- Test für Webseiten kann eine Version A einer Website mit einer Version B verglichen werden. Die Ergebnisse werden hinterher nach vorher festgelegten Zielen analysiert: Klicks, Einkäufe, Abonnements etc.

In nativen mobilen Apps

A/B-Tests in Apps sind komplex, weil es nicht möglich ist, nach dem Download zwei verschiedene Versionen anzuzeigen. Schnelle Aktualisierungen ermöglichen jedoch einfache Design-Änderungen und direkte Wirkungsanalysen.

Über serverbasierte APIs

Eine API ist eine Programmierschnittstelle, die eine Verbindung mit einer Software zum Austausch der Daten ermöglicht. Mit APIs kannst du anhand gespeicherter Daten automatisch Kampagnen oder Varianten erstellen.

A/B-Testing und Conversion Optimization

Conversion-Optimierung und A/B-Tests sind zwei Möglichkeiten für Unternehmen, ihre Gewinne zu steigern. Ihr Versprechen ist einfach: mehr Umsatz bei gleichem Traffic. Warum solltest du angesichts hoher Akquisitionskosten und komplexer Traffic-Quellen nicht damit beginnen, das Beste aus deinem derzeitigen Traffic herauszuholen?

Überraschenderweise liegen die durchschnittlichen Conversion Rates für E-Commerce-Websites nach wie vor zwischen 1 % und 3 %. Und warum? Weil die Conversion ein komplexer Mechanismus ist, der von einer Reihe von Faktoren abhängt. Dazu gehören Dinge wie die Qualität des generierten Traffics, die Benutzererfahrung, die Qualität des Angebots, der Ruf der Website sowie die Aktivitäten der Konkurrenz. E-Commerce-Profis sind natürlich bestrebt, die negativen Auswirkungen, die das Zusammenspiel der oben genannten Faktoren auf die Verbraucher während der Customer Journey haben könnte, zu minimieren.

Es gibt eine Reihe von Methoden, die dir dabei helfen, dies zu erreichen, darunter A/B-Tests, eine Disziplin, die Daten nutzt, um dir zu helfen, die besten Entscheidungen zu treffen. A/B-Tests sind nützlich, um eine umfassendere Strategie zur Optimierung der Conversion Rate zu entwickeln, reichen aber allein keineswegs aus. Mit einer A/B-Testing-Lösung kannst du bestimmte Hypothesen statistisch überprüfen, aber sie allein kann dir kein differenziertes Verständnis des Nutzerverhaltens vermitteln.

Allerdings ist das Verständnis des Nutzerverhaltens sicherlich der Schlüssel zum Verständnis von Problemen bei der Conversion. Deshalb ist es wichtig, A/B-Tests mit Informationen aus anderen Quellen anzureichern. Auf diese Weise erhältst du ein umfassenderes Bild von deinen Nutzern und kannst vor allem Hypothesen aufstellen, die du testen kannst. Es gibt viele Informationsquellen, die du nutzen kannst, um ein umfassenderes Bild zu erhalten:

• Web Analytics Daten. Diese Daten erklären zwar nicht das Nutzerverhalten, können aber Probleme bei der Conversion aufzeigen (z. B. bei der Identifizierung von Warenkorbabbrüchen). Sie können dir auch bei der Entscheidung helfen, welche Seiten zuerst getestet werden sollen.
• Ergonomische Prüfung. Diese Analysen geben – zu geringen Kosten – Aufschluss über die Erfahrung mit der Webseite aus der Sicht des Nutzers.
• User-Tests. Auch wenn die Stichprobengröße begrenzt ist, können User-Tests eine Vielzahl von Informationen liefern, die mit quantitativen Methoden nicht zugänglich sind.
• Heatmap und Session Recording. Diese Methoden machen sichtbar, wie Nutzer mit den Elementen auf einer Seite oder zwischen mehreren Seiten interagieren.
• Kunden-Feedback. Unternehmen sammeln große Mengen an Feedback von ihren Kunden (z. B. auf der Website aufgeführte Meinungen, Fragen an den Kundendienst). Neben der Feedback-Analyse können auch Kundenbefragungen, Live-Chats etc. genutzt werden.

Wie findet man Ideen für A/B-Tests?

Um einen A/B-Test durchzuführen, benötigst du zunächst zusätzliche Informationen, mit denen du deine Conversion-Probleme identifizieren und das Nutzerverhalten verstehen kannst. Diese Phase ist besonders wichtig und muss mit der Formulierung „starker” Hypothesen enden. Die oben genannten Disziplinen helfen dir bei dieser Aufgabe. Eine korrekt formulierte Hypothese ist der erste Schritt zu einem erfolgreichen A/B-Testing und muss die folgenden Regeln beachten. Hypothesen müssen:

• sich auf ein klar umrissenes Problem beziehen, dessen Ursachen identifizierbar sind
• eine mögliche Lösung für das Problem erwähnen
• das erwartete Ergebnis angeben, das direkt mit dem zu messenden KPI verknüpft ist

Wenn das Problem beispielsweise in einer hohen Abbruchrate bei einem Registrierungsformular besteht, das zu lang zu sein scheint, könnte eine Hypothese so lauten: „Das Kürzen des Formulars, wobei optionale Felder entfernt werden, steigert die Zahl der registrierten Kontakte.”

Was solltest du auf deiner Website mit A/B-Tests testen?

Was solltest du auf deiner Website testen? Diese Frage taucht immer wieder auf, weil Unternehmen oft nicht wissen, wie sie ihre Conversion Rate – ob gut oder schlecht – erklären sollen. Wenn ein Unternehmen sicher sein könnte, dass seine Nutzer Schwierigkeiten haben, ihr Produkt zu verstehen, würde es sich nicht die Mühe machen, die Position oder die Farbe eines „In den Warenkorb“-Buttons zu testen – das wäre nicht zum Thema passend.

Stattdessen würden sie verschiedene Formulierungen ihrer Kundenvorteile testen. Jede Situation ist anders. Anstatt eine vollständige Liste der zu testenden Elemente zu erstellen, geben wir lieber einen A/B-Test-Rahmen zur Identifizierung dieser Elemente an die Hand.

Im Folgenden findest du einige gute Anhaltspunkte für den Anfang:

1. Titel und Überschriften

Beginne z. B. mit der Änderung von  Überschriften oder Inhalten deiner Artikel, um zu prüfen, was die Nutzer mehr anspricht. Was die Form betrifft, könnte eine Änderung der Farbe oder Schriftart einen Unterschied machen.

2. Call-to-Action

Der CTA-Button ist sehr wichtig. Die Farbe, die Schrift, die Platzierung und die verwendeten Wörter („kaufen“, „zum Warenkorb hinzufügen“, „bestellen“…) können sich entscheidend auf deine Conversion Rate auswirken.

3. Formulare

Deine Formulare müssen klar und deutlich sein. Teste, wie sich eine Änderung des Wortlauts der Felder, das Entfernen von optionalen Feldern, eine andere Platzierung der Felder oder eine Anordnung in Zeilen oder Spalten etc. auswirkt.

4. Navigation

Du kannst verschiedene Seitenfolgen testen und mehrere Conversion Funnel anbieten, die aus einem oder mehreren Teilen bestehen. So kannst du zum Beispiel für die Zahlungsart und die Lieferangaben eine einzige oder zwei Seiten nutzen.

5. Landing Pages

Landing Pages zur Lead-Generierung sind entscheidend, um den Benutzer zum Handeln zu bewegen. Split-Tests vergleichen verschiedene Seitenversionen und bewerten unterschiedliche Layouts oder Designs.

6. Bilder

Bilder sind genauso wichtig wie Texte. Daher ist es ratsam, verschiedene Bilder auszuprobieren. Variiere bei der Größe und Ästhetik deiner Fotos und bei der Platzierung, um zu testen, was am besten bei deiner Zielgruppe ankommt.

7. Seitenstruktur

Die Struktur deiner Seiten muss gut durchdacht sein – ob es sich nun um deine Startseite oder deine verschiedenen Kategorien handelt. Du kannst ein Karussell hinzufügen, feste Bilder auswählen, deine Banner ändern, beliebte Produkte auf der Startseite anzeigen usw.

8. Algorithmen

Nutze verschiedene Algorithmen, um deine Besucher zu Käufern zu machen oder ihren Warenkorbwert zu steigern: ähnliche Artikel, am meisten gesuchte Produkte… So kannst du deinen potenziellen Kunden Artikel vorschlagen, die sie wahrscheinlich interessieren.

9. Preise

Schwieriger ist es, einen A/B-Test mit Preisen durchzuführen. Das liegt daran, dass du das gleiche Produkt oder den gleichen Service ja nicht zu verschiedenen Preisen verkaufen kannst. Um die Auswirkung auf deine Conversion Rate zu testen, brauchst du daher ein wenig Einfallsreichtum.

10. Geschäftsmodell

Überdenke deinen Aktionsplan, um höhere Gewinne zu erzielen. Wenn du zum Beispiel ganz spezielle Ware verkaufst, denk auch daran, weitere passende Produkte oder ergänzende Dienstleistungen mit ins Angebot aufzunehmen.

Wenn du konkretere Ideen auf der Grundlage der individuellen Customer Journey deiner Nutzer auf deiner Website suchst, solltest du dir unser E-Book zur digitalen Customer Journey und unser Use Case Booklet ansehen, die dich mit Erfolgsgeschichten rund um das Thema A/B-Testing inspirieren.

Tipps und Best Practices für A/B-Testing

Hier sind einige Tipps, die dir Ärger und Unannehmlichkeiten ersparen können. Sie beruhen auf den sowohl guten als auch schlechten Erfahrungen, die unsere Kunden beim Testing gemacht haben.

Auswahl einer A/B-Testing-Software

Die Wahl des besten A/B-Test-Tools ist schwierig.

Wir können dir nur empfehlen, AB Tasty zu verwenden. AB Tasty bietet nicht nur eine vollständige A/B-Testing-Lösung, sondern auch eine Reihe von Software zur Optimierung deiner Conversions. Außerdem kannst du deine Website anhand zahlreicher Targeting-Kriterien und Zielgruppensegmentierungen personalisieren.

Um jedoch möglichst umfassend zu sein und dir bei der Auswahl eines Anbieters so viele wertvolle Informationen wie möglich zu liefern, findest du hier einige Artikel, die dir bei der Auswahl deines A/B-Testing-Tools anhand von Software-Bewertungen helfen sollen:

• A/B-Testing: Das sind die wichtigsten Tools für die Website-Optimierung
• 29 A/B-Testing- & Personalisierungs-Tools im Vergleich
• Welches A/B-Testing-Tool solltest du für Split-Testing nutzen? (EN)
• Die 18 besten A/B-Testing-Tools laut CRO-Experten (EN)

Verstehen von A/B-Testing-Statistiken

Die Phase der Testanalyse ist die heikelste. Die A/B-Testing-Lösung muss zumindest eine Report-Schnittstelle bieten, welche die nach Variationen gespeicherten Conversions, die Conversion Rate, die prozentuale Verbesserung im Vergleich zum Original und den für jede Variation gespeicherten statistischen Zuverlässigkeitsindex anzeigt. Die fortschrittlichsten Lösungen grenzen die Rohdaten ein und segmentieren die Ergebnisse nach Dimensionen (z. B. Traffic-Quelle, geografischer Standort der Besucher, Kundentypologie usw.).

Bevor die Testergebnisse analysiert werden können, besteht die größte Schwierigkeit darin, ein ausreichendes statistisches Signifikanzniveau zu erreichen. Im Allgemeinen wird ein Schwellenwert von 95 % angenommen. Das bedeutet, dass die Wahrscheinlichkeit, dass die Ergebnisunterschiede zwischen den Varianten auf Zufall beruhen, sehr gering ist. Die Zeit, die zum Erreichen dieses Schwellenwerts erforderlich ist, variiert erheblich, je nach dem Besucheraufkommen der getesteten Seiten, der anfänglichen Conversion Rate für das gemessene Ziel und den Auswirkungen der vorgenommenen Änderungen. Sie kann von einigen Tagen bis zu mehreren Wochen reichen. Für Websites mit geringem Traffic ist es ratsam, eine Seite mit höherem Traffic zu testen. Bevor der Schwellenwert erreicht ist, ist es sinnlos, irgendwelche Schlussfolgerungen zu ziehen.

Außerdem basieren die statistischen Tests, die zur Berechnung des Konfidenzniveaus verwendet werden (z. B. der Chi-Quadrat-Test), auf einem Stichprobenumfang nahe der Unendlichkeit. Sollte der Stichprobenumfang gering sein, ist bei der Analyse der Ergebnisse Vorsicht geboten, selbst wenn der Test eine Zuverlässigkeit von mehr als 95 % anzeigt.

Bei einem geringen Stichprobenumfang ist es möglich, dass sich die Ergebnisse stark verändern, wenn man den Test noch einige Tage lang aktiv lässt. Aus diesem Grund ist es ratsam, eine ausreichend große Stichprobe zu haben. Es gibt wissenschaftliche Methoden, um die Größe dieser Stichprobe zu berechnen, aber aus praktischer Sicht ist es ratsam, eine Stichprobe von mindestens 5.000 Besuchern und 75 gespeicherten Conversions pro Variante zu haben.

Es gibt zwei Arten von statistischen Tests:

• Frequentistische Tests. Die Chi-Quadrat-Methode oder Frequentist-Methode ist objektiv. Sie erlaubt eine Analyse der Ergebnisse erst am Ende des Tests. Die Studie basiert also auf Beobachtungen und hat eine Zuverlässigkeit von 95 %.
• Bayes’sche Tests. Die Bayes’sche Methode ist deduktiv. Sie geht von den Gesetzen der Wahrscheinlichkeit aus und ermöglicht eine Analyse der Ergebnisse vor dem Ende des Tests. Achte jedoch darauf, dass du das Konfidenzintervall richtig liest. In unserem speziellen Artikel erfährst du alles über die Vorteile der Bayes’schen Statistik für A/B-Tests.

Auch wenn die Besucherzahlen auf der Website es ermöglichen, schnell eine ausreichend große Stichprobe zu erhalten, wird empfohlen, den Test über mehrere Tage laufen zu lassen, um die Unterschiede im Verhalten an den einzelnen Wochentagen oder sogar zu bestimmten Tageszeiten zu berücksichtigen. Eine Mindestdauer von einer Woche ist empfehlenswert, idealerweise zwei Wochen. In einigen Fällen kann dieser Zeitraum sogar länger sein, insbesondere wenn die Umstellung Produkte betrifft, deren Kaufzyklus Zeit erfordert (komplexe Produkte/Dienstleistungen oder B2B). Es gibt also keine Standarddauer für einen Test.

Andere Formen von A/B-Tests

A/B-Tests beschränken sich nicht auf Änderungen an den Seiten deiner Website. Du kannst das Konzept auf alle deine Marketingaktivitäten anwenden, z. B. auf die Traffic-Akquise über E-Mail-Marketing-Kampagnen, AdWords-Kampagnen, Facebook-Anzeigen und vieles mehr.

Ressourcen für weiterführende A/B-Tests:

• Ein Leitfaden zum A/B-Testing im E-Mail-Marketing
• 7 Tips for Implementing A/B Testing in Your Social Media Campaigns (EN)
• Social Media A/B-Testing mit den Tools, die Sie bereits einsetzen
• Google Adwords: Mehr Performance mit A/B-Tests (EN)

Die besten Ressourcen für A/B-Tests und CRO

Wir empfehlen dir, in unserem eigenen Blog über A/B-Tests zu stöbern, aber auch andere Experten für internationale Optimierung veröffentlichen sehr relevante Artikel zum Thema A/B-Tests und Conversion im Allgemeinen. Hier ist unsere Auswahl, um in der Welt der CRO auf dem Laufenden zu bleiben.

Blogs zum Vormerken:

• HubSpot Blogs
• Unbounce
• ConversionXL
• Bryan Eisenberg
• MarketingExperiments
• Conversion Rate Experts
• Wider Funnel
• The Conversion Scientist
• The Online Behavior Blog
• Moz
• Conversioner
• The Daily Egg
• WordStream

Der Beitrag A/B-Testing erschien zuerst auf abtasty.

Setz deine Kopfhörer auf, es ist Zeit, sich inspirieren zu lassen.
So wie die kultigen CDs von früher ist dieses E-Book eine Zusammenstellung der Greatest Hits der Case Studies zur Experience Optimization aus dem Jahr 2023.

Schau dir eine kuratierte Playlist mit realen Szenarien an, in denen unsere weltweiten Kunden ihre Erlebnisse durch Funktionen wie Web Experimentation, Feature Experimentation,
KI-gestützte Personalisierung und vieles mehr
mit AB Tasty verbessert haben.

Von A/B-Tests für Banner und Werbetexte bis hin zu tiefgreifenden Änderungen bei der CRO-Strategie: Erfahre, wie führende Unternehmen datengestützte Strategien eingesetzt haben, um ihre Kundenerlebnisse zu verbessern, die Konversionsraten zu steigern und bemerkenswerte Ergebnisse zu erzielen.
Lass uns die Erfolgsgeschichten und innovativen Ansätze erkunden, die dich auf deinem Weg zu kundenorientierter Exzellenz inspirieren können.

In diesem E-Book erfährst du,

• wie führende Unternehmen mithilfe datengestützter Strategien ihre Kundenerlebnisse verbessern, die Conversion Rate steigern und bemerkenswerte Ergebnisse erzielen.
• wie u.a. Funktionen wie Web Experimentation, Feature Experimentation und KI-gestützte Personalisierung gezielt zum Einsatz kommen können.
• reale Szenarien kennen, welche die vielfältigen Möglichkeiten im Bereich CRO-Strategie aufzeigen.

Lade das E-Book „AB Tasty’s Greatest Hits“ gleich herunter.

Der Beitrag AB Tasty’s Greatest Hits erschien zuerst auf abtasty.

Mit zunehmender Reife eines Experimentierprogramms ist es jedoch wahrscheinlicher, dass sich Unternehmen mit anspruchsvolleren Arten von Tests befassen wollen, die mehr Fachwissen und ein fortschrittlicheres Tool erfordern.

Das ist der Zeitpunkt, an dem viele Unternehmen bereit sind, den Schritt von client- zu serverseitigen Experimenten zu wagen.

In diesem Artikel beschäftigen wir uns mit dem Thema Client-Side vs. Server-Side A/B-Testing und gehen der Frage nach, wann der richtige Zeitpunkt für den Umstieg auf serverseitige Tests gekommen ist. Darüber hinaus erörtern wir die Bedeutung dieser Art von Tests, indem wir die verschiedenen Szenarien skizzieren, in denen serverseitige Experimente besser geeignet sind.

Diese Inhalte erwarten dich in diesem Blogartikel:

Client-Side vs. Server-Side A/B-Testing

Was sind die Vorteile von serverseitigen Tests?
Omnichannel-Experimente
Verbesserte Leistung
Unendliche Testmöglichkeiten

Wann ist es sinnvoll, zu serverseitigen Tests überzugehen?

Serverseitige Tests und Feature Flags

Fazit: Client-Side vs. Server-Side A/B-Testing – Der Kontext zählt

Client-Side vs. Server-Side A/B-Testing

Bevor wir uns näher mit dem serverseitigen Testen befassen, wollen wir kurz auf die Unterschiede zwischen Client-Side und Server-Side A/B-Testing eingehen, um zu verstehen, warum du beide Arten von Tests benötigst, wenn sich dein Experimentier- und Optimierungsprogramm weiterentwickeln soll.

Bei clientseitigen Tests erfolgt das Experimentieren auf der Client-Seite durch JavaScript, das im Browser ausgeführt wird. Mit clientseitigen Tools kannst du also Variationen deiner Seiten erstellen, indem du den Inhalt änderst, der von deinem Server an die Benutzer im Webbrowser gesendet wird. Der Benutzer erhält dann eine Variante des geänderten Inhalts auf der Grundlage deiner Targeting-Regeln.

Einfach ausgedrückt: Die gesamte Arbeit findet dank JavaScript auf der Ebene des Browsers statt. Aus diesem Grund eignen sich clientseitige Tests in der Regel am besten für „oberflächliche“ Änderungen wie Layout, Design und Farben, um deren Leistung und Auswirkungen auf wichtige KPIs zu messen.

Beim serverseitigen Testen findet die gesamte Arbeit auf der Serverebene und nicht im Browser statt. Mit anderen Worten: Es ist dein Server, der einem Benutzer die geänderte Variante zufällig sendet. Folglich arbeitet das Experimentierwerkzeug auf dem Server und nicht in den Browsern deiner Benutzer. 

Einer der größten Vorteile von clientseitigen Tests besteht vielleicht darin, dass sie einfach zu implementieren sind und keine besonderen Fachkenntnisse erforderlich sind, um diese Tests auf dem Frontend der Website durchzuführen.

Aufgrund ihrer fortschrittlichen Funktionen erfordern serverseitige Tests dagegen technisches Fachwissen und Programmierkenntnisse, so dass in der Regel Entwickler die Tests im Backend durchführen.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Was sind die Vorteile von serverseitigen Tests?

Bevor wir darauf eingehen, wann du serverseitige Tests einsetzen solltest, werden wir auf einige ihrer Vorteile eingehen, um ihre Use Cases besser zu verstehen.

Omnichannel-Experimente

Clientseitige Lösungen sind in der Regel auf Geräte mit Webbrowsern beschränkt, sei es auf dem Desktop, dem Handy oder dem Tablet. Das bedeutet, dass du keine Experimente auf mobilen Apps oder verbundenen Geräten durchführen kannst.

Serverseitige Lösungen hingegen ermöglichen es dir, über mehrere Kanäle hinweg zu experimentieren, einschließlich mobiler Apps, was deinen Spielraum erheblich erweitert und dir zahlreiche Möglichkeiten für A/B-Tests über Webbrowser hinaus eröffnet, sodass du alle Bereiche abdecken kannst.

Verbesserte Leistung

Einer der vielleicht größten Vorteile von serverseitigen Tests ist das Ausbleiben des Flickering-Effekts, der bei clientseitigen Lösungen oft ein großer Nachteil ist.  

Der Flickering-Effekt tritt auf, wenn die Originalseite geladen und durch die Testvariante ersetzt wird, und wird normalerweise vom Benutzer wahrgenommen.

Im Gegensatz zu clientseitigen Tools, die das Hinzufügen eines JavaScript Tags zu deinen Seiten erfordern, musst du dieses Tag bei serverseitigen Tools nicht hinzufügen. Das liegt daran, dass die Experimente auf dem Server gerendert werden, bevor sie an den Client weitergegeben werden, so dass die gesamte Hauptarbeit auf der Serverebene stattfindet und auf der Client-Seite nicht auffällt. 

Mit anderen Worten: Bei einem serverseitigen Test wird die Variation vom Server abgerufen und an den Browser des Benutzers übermittelt. Folglich finden keine Änderungen am Frontend oder Browser statt, so dass es keinen Flickering-Effekt gibt.

Unendliche Testmöglichkeiten

Deine Teams haben bei serverseitigen Tests viel mehr Möglichkeiten, da sie alle Aspekte deiner Website ändern können.

Da serverseitige Tests vom Backend Server gerendert werden, kannst du komplexere dynamische Inhalte testen, während dies bei clientseitigen Tests nicht so einfach möglich ist und die Benutzerfreundlichkeit beeinträchtigen kann. 

Mit anderen Worten: Du kannst viel komplexere Tests erstellen, die über den Rahmen von UI- oder kosmetischen Änderungen hinausgehen und eine völlig neue Welt des Experimentierens eröffnen. 

Mit solchen tiefgreifenden Experimentiermöglichkeiten können Teams alle Facetten eines Produkts gründlich testen, um seine Funktionalität zu validieren, z. B. die zugrundeliegenden Funktionen, Algorithmen und Backend-Logik.

Im nächsten Abschnitt zeigen wir dir diese verschiedenen Use Cases, bei denen du die Durchführung von serverseitigen Tests in Betracht ziehen solltest.

Wann ist es sinnvoll, zu serverseitigen Tests überzugehen?

Wie wir bereits erwähnt haben, werden serverseitige Tests in der Regel dazu verwendet, fortgeschrittene Tests durchzuführen und tiefgreifende Experimente innerhalb deines Tech Stacks durchzuführen, um die Funktionsweise eines Produkts gründlich zu untersuchen.

Einfach ausgedrückt, ermöglichen serverseitige Testlösungen Teams die Durchführung robusterer und sicherer Experimente, die sich auf die Änderung der Produktfunktionen konzentrieren. 

Hier sind einige Anwendungsfälle, in denen serverseitige Tests gegenüber clientseitigen Tests zu empfehlen sind:

• Führe Experimente auf deiner mobilen App durch

Wie bereits erwähnt, besteht einer der Hauptvorteile des serverseitigen Testens darin, dass es Omnichannel- und plattformübergreifende Experimente ermöglicht.

Da clientseitige Lösungen auf JavaScript und Cookies angewiesen sind, ist es nicht möglich, sie zum Testen nativer mobiler Apps zu verwenden und du bist auf Geräte beschränkt, die über einen Standard-Webbrowser verfügen.

Das bedeutet, dass du für die Durchführung von Experimenten mit deiner mobilen Anwendung eine fortschrittlichere serverseitige Testlösung benötigst, um mit den Technologien für mobile Apps umzugehen, die komplexer sind und sich erheblich von den Webtechnologien unterscheiden. 

Da das serverseitige Testen sowohl für Webanwendungen als auch für mobile Apps funktioniert, kannst du außerdem denselben Test mit denselben Variationen durchführen, unabhängig davon, welcher Kanal verwendet wird. Auf diese Weise kannst du die Daten der einzelnen Kanäle vergleichen und das Benutzererlebnis an den verschiedenen Customer Journey Touchpoints entsprechend optimieren.

Wenn du schließlich Feature Flags verwendest, um serverseitige Tests für mobile Apps durchzuführen, kannst du die mühsame und zeitaufwändige Genehmigung im App Store umgehen. Vereinfacht gesagt, kannst du mit Feature Flags Funktionen aus der Ferne ein- oder ausschalten, ohne den Code erneut in den App Stores bereitzustellen und auf die Genehmigung zu warten oder darauf warten zu müssen, dass alle Änderungen zur gleichen Zeit fertig sind, um deine eigenen Änderungen zu veröffentlichen.

• Teste deine Suchalgorithmen

Serverseitige A/B-Tests sind effizient für das Testen von Änderungen auf tieferer Ebene, die mit dem Backend und der Architektur deiner Website zusammenhängen.

Dies ist der Fall bei Suchalgorithmen, die Änderungen an deinem bestehenden Code erfordern. E-Commerce-Websites greifen in der Regel auf serverseitige Tests zurück, um sicherzustellen, dass Kunden ihre Website problemlos durchsuchen und das gewünschte Produkt finden können. 

Suchalgorithmen sind also der Schlüssel dazu, dass Kunden das gesuchte Produkt finden, indem sie ein nahtloses Sucherlebnis bieten, das sie schließlich zum Kauf veranlasst.

Du kannst z. B. testen, was den Kunden in den Suchergebnissen angezeigt wird, ob dies auf der Grundlage des Preises, der Beliebtheit oder der Bewertungen geschehen soll oder ob du Produkte auf der Grundlage dessen priorisieren solltest, was Kunden in der Vergangenheit gekauft/gemerkt/angesehen haben. 

Mit serverseitigen Tests kannst du solche komplexen Szenarien und Regeln erstellen, um deinen Kunden personalisierte Empfehlungen zu geben und ihre Sucherfahrung auf deiner Website zu optimieren. Diese sind mit clientseitigen Lösungen schwieriger zu testen, da die Suchseiten auf der Suchanfrage basieren und daher dynamisch gerendert werden.

Daher bieten serverseitige Tests umfassendere Möglichkeiten und ermöglichen es dir, mit mehreren Algorithmen zu experimentieren, indem du den vorhandenen Code änderst.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

• Optimiere deine Produktempfehlungen

In ähnlicher Weise kannst du mit serverseitigen Tools mehrere Produktempfehlungsalgorithmen testen, die in der Regel unten auf den Produktseiten zu finden sind, um zu messen, welche Arten von Layouts die meisten Verkäufe generieren oder den durchschnittlichen Bestellwert erhöhen. Ist es z. B. besser, ähnliche Produkte, die beliebtesten Produkte oder die zuletzt angesehenen Produkte zu empfehlen?

Solche Empfehlungen basieren auf einer Vielzahl von Kriterien, wie z. B. dem Browserverlauf, deinem eigenen PIM-System (Product Information Management) und anderen Datenquellen. Serverseitige Tests ermöglichen es dir, diese verschiedenen Algorithmen zu testen, um die beste Auswahl an empfohlenen Produkten zu ermitteln.

• Teste datenschutzrelevante Seiten

Serverseitige Tests eignen sich hervorragend zum Testen von Seiten, bei denen die Datensicherheit von entscheidender Bedeutung ist, da sie gewährleisten, dass die Daten innerhalb des Servers sicher bleiben, ohne dass man sich um eine Sicherheitsbedrohung sorgen muss.

Dies ist ideal zum Testen von E-Commerce-Zahlungsseiten oder für Bankanwendungen oder andere Webseiten oder Anwendungen, die sensible Daten enthalten.

Du kannst auch Feature Flags verwenden, um eine neue Zahlungsmethode an einer Untergruppe von Nutzern zu testen und zu sehen, wie sie sich anpassen, bevor du sie für alle anderen einführst.

• Bestimme die ideale Formularlänge

Dies ist besonders wichtig für SaaS-Unternehmen, die sich auf Formulare für kostenlose Testversionen und Demoanfragen verlassen, um Informationen von ihren Besuchern zu sammeln. Daher müssen sie die beste Länge für solche Formulare ermitteln, ohne dabei Abbrüche zu riskieren, aber dennoch in der Lage zu sein, alle erforderlichen Informationen über einen potenziellen Kunden zu erfassen. 

Serverseitige Tests sind in diesem Szenario der richtige Weg, da deine Formulare direkt mit der Struktur deiner Datenbank verknüpft sind. Wenn ein Feld obligatorisch ist, kannst du es nicht mit JavaScript ausblenden, da die Validierung des Formulars serverseitig fehlschlägt.

Daher sollte die Prüfung der Länge und Komplexität eines Formulars, die sich am positivsten auf die Conversion Rate auswirkt, serverseitig erfolgen.

Dies gilt auch für andere Websites, die solche Formulare von Besuchern verwenden, wie z. B. Hotelreservierungs- oder Versicherungsseiten. Beachte, dass verschiedene Sektoren je nach Art und Zweck der zu erfassenden Informationen unterschiedliche und mehr oder weniger Informationen benötigen.

• Teste die Grenze für den kostenlosen Versand

E-Commerce-Unternehmen sollten in der Lage sein, den Bestellwert zu ermitteln, ab dem ein kostenloser Versand möglich ist. Dies ist wichtig, da die Versandkosten eine der Hauptursachen für Warenkorbabbrüche sind.

Da die Versandkosten einer der ausschlaggebenden Faktoren für die Kaufentscheidung eines Kunden sind, sollten Unternehmen verschiedene Schwellenwerte für den Warenkorb testen, um die optimale Grenze für den kostenlosen Versand herauszufinden und so die Transaktionsraten zu verbessern.  

Da die Versandkosten in der Regel dynamisch vom Backend Server gerendert werden, musst du sie serverseitig testen. Alle vorgenommenen Änderungen sollten sich auf alle folgenden Schritte auswirken und sollten serverseitig verwaltet werden.

• Validiere deine Funktionen

Serverseitige Tests ermöglichen dir die Durchführung von Funktionstests, um deine Produktfeatures zu validieren, indem du Variationen deiner Features an verschiedene Benutzergruppen ausrollst, um deren Leistung zu bewerten, bevor du eine allgemeine Freigabe vornimmst. 

Mit Hilfe von Feature Flags kannst du serverseitige A/B-Tests durchführen und deine Benutzer segmentieren, indem du sie zu der einen oder anderen Variante leitest. Wenn mit einer Variante etwas schief geht, kannst du diese leicht wieder rückgängig machen, indem du das Flag deaktivierst, bevor es die Benutzererfahrung weiter beeinträchtigt. 

Anhand des Feedbacks dieser Nutzer kannst du dann deine Features optimieren und sie für alle Nutzer freigeben, in der Gewissheit, dass sie den Kundenanforderungen entsprechen.

Serverseitige Tests und Feature Flags

Die beste Möglichkeit, serverseitige Tests durchzuführen, sind Feature Flags. Durch die Entkopplung von Bereitstellung und Veröffentlichung kannst du serverseitige A/B-Tests durchführen, indem du neue Funktionen an eine kleine Gruppe von Benutzern ausrollst. Anschließend kannst du die Leistung dieser Benutzergruppe messen, bevor du sie für alle anderen Benutzer einführst.

Serverseitige Tests erfordern zwar technisches Fachwissen und Programmierkenntnisse, sind aber nicht nur für technische Teams relevant. Häufig arbeiten nicht-technische Mitarbeiter mit Produktteams zusammen, um Experimente zu definieren, die dann von den Entwicklern durchgeführt werden. Sobald ein Experiment implementiert ist, kann es in der Regel über ein Dashboard gesteuert, überwacht und analysiert werden.

Mit der richtigen Feature-Management-Lösung können alle Teams eines Unternehmens mit Hilfe eines einfach zu bedienenden Dashboards serverseitige Tests durchführen, ohne dass es zu technischen Problemen kommt.

Fazit: Client-Side vs. Server-Side A/B-Testing – Der Kontext zählt

Letztendlich ist es wichtig zu wissen, dass es nicht darum geht, ob serverseitig besser ist als clientseitig. Es handelt sich um zwei sich ergänzende Ansätze und für welchen sich ein Unternehmen entscheidet, hängt davon ab, welcher Ansatz für seine Optimierungs- und allgemeinen Geschäftsziele besser geeignet ist.

Mit anderen Worten: Die eine Art des Testens ersetzt die andere nicht. Es kommt darauf an, welche Art von Experimenten du durchführen möchtest und welche Art in dem jeweiligen Kontext besser geeignet ist und welche Teams die Experimente durchführen möchten – Marketingspezialisten bevorzugen und verwenden häufiger clientseitige Tests, während Produktmanager und Entwickler sich in der Regel für serverseitige Tests entscheiden. Es hängt auch von den Ressourcen ab, die Unternehmen zur Verfügung haben, und vom Reifegrad ihrer Optimierungsprogramme.

Um sicherzustellen, dass deine Website optimiert ist und ein nahtloses Benutzererlebnis bietet, ist es wichtig, beide Testtechniken zur Hand zu haben, um in einer wettbewerbsorientierten digitalen Welt zu bestehen. 

Beide Arten von Tests sind unverzichtbar, wenn es darum geht, großartige Produkte zu entwickeln, die maximale Einnahmen bringen. Der Schlüssel liegt darin, beide zusammen einzusetzen, um die Produktivität zu steigern und eine maximale Wirkung zu erzielen.

Der Beitrag Client-Side vs. Server-Side A/B-Testing: Wann solltest du zu serverseitigen Tests übergehen? erschien zuerst auf abtasty.

Seit OpenAI im November 2022 seine eigene Form der generativen KI – ChatGPT – auf den Markt gebracht hat, wird überall auf der Welt unaufhörlich über die beeindruckenden Fähigkeiten dieser Technologie gesprochen. Besonders faszinierend ist, zu sehen, wie einfach man nach der Interaktion mit diesem Bot, der aus Deep-Learning-Algorithmen zur Verarbeitung der natürlichen Sprache besteht, Ergebnisse erhalten kann.

Selbst Google zog schnell nach und startete ein neues und experimentelles Projekt, Bard, um seine eigene Suche zu revolutionieren. Durch die Nutzung der Leistung generativer KI und der Kapazität großer Sprachmodelle versucht Google, neue Maßstäbe für seinen Suchprozess zu setzen.

Angesichts des rasanten Wachstums dieses technologischen Fortschritts in den letzten Monaten ist es an der Zeit, über generative KI im Zusammenhang mit A/B-Tests und Experimenten zu sprechen.

Ob du neugierig bist, wie sich KI auf deine Experimente auswirkt, oder ob du dich inspirieren lassen möchtest … wir werden über einige unserer Ideen zur Nutzung von KI für A/B-Tests, Personalisierung und Optimierung der Conversion Rates diskutieren.

Diese Inhalte erwarten dich in diesem Blogartikel:

Was ist generative KI?

10 generative KI-Anwendungen für A/B-Tests
1. Homepage optimieren
2. Ergebnisse der Experimente analysieren
3. Optimierungshindernisse empfehlen
4. Kundenrezensionen
5. Chatbots
6. Übersetzung
7. Google Adwords
8. Personalisierung
9. Produktbeschreibungen
10. Nutzerverhalten vorhersagen

Ist generative KI eine Quelle für Wettbewerbsvorteile bei A/B-Tests?

Fazit: Generative KI für A/B-Tests verwenden

Was ist generative KI?

Generative KI ist ein Typ der künstlichen Intelligenz, bei der die Programmierung nicht begrenzt ist, und die daher neue Inhalte generieren kann (siehe ChatGPT). Statt sich an einem bestimmten, bereits vorhandenen Datensatz zu orientieren, lernt die generative KI aus der Indizierung umfangreicher Daten, legt dabei gleichzeitig den Fokus auf Muster und nutzt Deep-Learning-Techniken sowie neuronale Netzwerke, um auf Grundlage des Erlernten wie vom Menschen gemachte Inhalte zu erstellen.

Die Art und Weise, wie Algorithmen Ideen erfassen, ähnelt der Art und Weise, wie Menschen sich von früheren Erfahrungen inspirieren lassen, um etwas Einzigartiges zu schaffen. Aufgrund der großen Datenmengen, die zum Aufbau von Lernfähigkeiten der generativen KI verwendet werden, ist sie in der Lage, ähnlich qualitativ hochwertige Antworten wie die eines Menschen zu geben.

Allerdings müssen einige Bedenken adressiert werden:

• Verzerrte Informationen: Künstliche Intelligenz ist nur so gut wie die Datensätze, mit denen KI trainiert wird. Wenn also die zum Training verwendeten Daten verzerrt sind, können „Ideen“ entwickelt werden, die ebenso verzerrt oder fehlerhaft sind.
• Verbreitung von Fehlinformationen: Es gibt viele Bedenken in puncto Ethik der generativen KI und der Weitergabe von Informationen, die direkt aus der KI stammen. Am besten sollten alle von der KI erstellten Inhalte überprüft werden, um die Verbreitung falscher oder irreführender Informationen zu vermeiden.
• Eigentum am Inhalt: Da mit KI generierte Inhalte nicht von einem Menschen erstellt werden, kannst du – ethisch gesehen – auf diese Inhalte den Anspruch stellen, es sei deine eigene Idee? In gleicher Weise könnte dieselbe Idee auch woanders mit einem ähnlichen Prompt generiert werden. Hier stellt sich die Frage von Urheberschaft und Eigentum.
• Daten und Datenschutz: Datenschutz ist immer ein wichtiges Thema. Mit den neuen Möglichkeiten der künstlichen Intelligenz wird der Umgang mit Daten noch schwieriger. Es ist immer am besten, die Verwendung sensibler Informationen mit jeder Form von generativer KI zu vermeiden.

Wenn diese Einschränkungen beachtet werden, hat generative KI das Potenzial, Prozesse zu rationalisieren und unsere Arbeitsweise zu revolutionieren – so wie es die Technologie in der Vergangenheit immer gemacht hat.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

10 generative KI-Anwendungen für A/B-Tests

In der Welt der A/B-Tests sind wir sehr daran interessiert, wie man diese technologischen Durchbrüche für Experimente nutzen kann. Wir haben ein Brainstorming zu einigen Ansätzen durchgeführt, um den Prozess der Revolutionierung digitaler Kundenerlebnisse zu überarbeiten und letztendlich Zeit und Ressourcen zu sparen.

Wie jeder andere auch, haben wir uns gefragt, wie generative KI die Welt des Experimentierens sowie unsere Kunden beeinflussen könnte. Hier einige Ideen, konkrete und abstrakte, wie künstliche Intelligenz unserer Branche helfen könnte:

DISCLAIMER: Vergewissere dich vor dem Hochladen von Daten auf eine KI-Plattform, dass du die Datenschutz- und Sicherheitspraktiken verstanden hast. KI-Modelle bemühen sich zwar um die Einhaltung von Datenschutzstandards, aber das Risiko von Datenlecks besteht immer. Schütze immer deine vertraulichen Informationen. 

1. Homepage optimieren

Deine Homepage ist wahrscheinlich das Erste, was deine Besucher sehen. Deshalb ist Optimierung der Schlüssel, um deinen Mitbewerbern einen Schritt voraus zu sein. Wenn du einen schnellen Vergleich der Inhalte deiner Homepage mit denen deiner Mitbewerber ziehen möchtest, kannst du diese Informationen in die generative KI einspeisen und ihr so die Basis für das Verständnis bieten. Sobald deine KI mit Informationen über deine Mitbewerber gefüttert wurde, kannst du eine Liste der Best Practices anfordern, um neue Tests für deine eigene Website durchzuführen.

2.  Ergebnisse der Experimente analysieren

Berichte und Analysen sind äußerst wichtig, wenn du in deiner Roadmap zum Experimentieren vorankommen möchtest. Sie sind aber auch sehr zeitintensiv. Durch das Erheben einer Zusammenfassung der Testprotokolle kann generative KI dabei helfen, wichtige Erkenntnisse hervorzuheben, deine Ergebnisse zusammenzufassen und möglicherweise sogar zukünftige Schritte vorzuschlagen. Im Idealfall kannst du sowohl deine A/B-Test-Hypothese als auch die Ergebnisse eingeben, um deinen Denkprozess und deine Organisation zu zeigen. Nachdem die KI diesen spezifischen Denkprozess und die gewünschten Ergebnisse erkannt hat, kann sie bei der Erstellung neuer Testhypothesen oder Vorschläge helfen.

3. Optimierungshindernisse empfehlen

Generative KI kann dir helfen, Prioritäten im Rahmen deiner Bemühungen zu setzen und die wichtigsten Hindernisse für deine Conversion Rate zu identifizieren. Durch das Hochladen nicht sensibler Leistungsdaten deiner Website, die du auf deinen Analyseplattformen gesammelt hast, kann KI den nötigen Einblick in deine Leistung erhalten. Ganz gleich, ob die KI dir vorschlägt, deine Title-Tags zu aktualisieren oder die Bilder auf deiner Homepage zu komprimieren, sie kann schnell erkennen, wo die größten Einbrüche zu verzeichnen sind, und dir Bereiche zur Optimierung vorschlagen.

4. Kundenrezensionen

User Feedback ist deine eigene Fundgrube für Optimierungsvorschläge. Einer der großen Vorteile der KI, die wir bereits kennen, ist, dass sie große Datenmengen schnell verstehen und zusammenfassen kann. Durch das Hochladen von Kundenrezensionen, Umfragen und anderem Kundenfeedback in die Datenbank kann die generative KI dir dabei helfen, detaillierte Zusammenfassungen der Pain Points, Vorlieben und Zufriedenheit deiner User zu erstellen. Je detaillierter deine Bewertungen sind, desto besser wird die Analyse ausfallen.

5. Chatbots

Chatbots sind ein beliebtes Mittel, um mit Website-Besuchern zu kommunizieren. Da die generative KI ein umfangreiches Sprachmodell ist, kann sie schnell Konversationsskripte, Prompts und Antworten generieren, um deine Zeit für Brainstorming zu reduzieren. Du kannst KI auch nutzen, um von deinem Chatbot bereits geführte Gespräche zu filtern und zu analysieren, und dann feststellen, ob es Lücken in der Konversation oder Verbesserungsmöglichkeiten bei der Interaktion mit Kunden gibt.

6. Übersetzung

Sprachbarrieren können eine Marke mit Niederlassungen in mehreren Regionen einschränken. Ganz gleich, ob du Übersetzungen für deine Chatbots, CTAs oder längere Texte brauchst, generative KI kann für Übersetzungen in Echtzeit sorgen und Zeit sparen, um deine Inhalte in allen von deiner Marke betroffenen Regionen zugänglich zu machen.

7. Google Adwords

Beschleunige Brainstorming-Sitzungen, indem du mit generativer KI mit verschiedenen Textvarianten experimentierst. Auf der Grundlage der von dir gegebenen Prompts kann KI eine Reihe von Ideen für zielgerichtete Keywords und für die Erstellung von Texten mit einem bestimmten Tonfall zur Verwendung mit Google Adwords liefern. Achtung: Kontrolliere unbedingt alle vorgeschlagenen Keywords, um ihre Intention zu überprüfen. 

8. Personalisierung

Personalisierter Inhalt kann mit künstlicher Intelligenz schnell skaliert werden, um Varianten derselben Botschaften zu erstellen. Wenn du Texte, Empfehlungen, Produktvorschläge und andere Botschaften auf der Grundlage früherer Nutzerinteraktionen und demografischer Daten der Verbraucher anpasst, kannst du das Engagement deiner digitalen Kunden erheblich steigern.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

9. Produktbeschreibungen

Die beste Formulierung zu finden, um zu beschreiben, warum dein Produkt es wert ist, gekauft zu werden, kann zu einer Herausforderung werden. Mit generativer KI kannst du bei deinen Produktbeschreibungen ehrgeiziger werden und verschiedene Textvarianten testen, um herauszufinden, welche Version für deine Besucher am vielversprechendsten ist.

10. Nutzerverhalten vorhersagen

Auf Grundlage historischer Daten aus dem Nutzerverhalten kann die generative KI das Verhalten vorhersagen und so dazu beitragen, dass du die nächsten A/B-Tests antizipieren kannst. Die Anpassung deiner Tests an Muster und Trends in der Interaktion der User kann dir helfen, bessere Experimente durchzuführen. Wichtig ist zu beachten, dass die Vorhersagen auf Muster beschränkt sind, die durch frühere gesammelte und hochgeladene Kundendaten interpretiert werden. Generative KI ist besser, wenn sie als Werkzeug und Hilfe bei der Entscheidungsfindung eingesetzt wird, als wenn sie die alleinige Entscheidungskraft ist.

Die umfassende Nutzung von künstlicher Intelligenz ist ein neues und sich rasant entwickelndes Thema in der Tech-Welt. Wenn du KI in Zukunft nutzen möchtest, musst du dich mit ihren Möglichkeiten vertraut machen.

Vergiss nicht, die von KI generierten Fakten und Informationen zu überprüfen, genauso wie die Daten sorgfältig zu kontrollieren, bevor du sie hochlädst. Generative KI in Verbindung mit deinen internen Experten und Teamressourcen kann zur Verbesserung der Ideenfindung und Effizienz beitragen. Die Qualität des Outputs generativer KI kann jedoch nur so gut sein wie das, was du hineinsteckst.

Ist generative KI eine Quelle für Wettbewerbsvorteile bei A/B-Tests?

Die gute Nachricht ist, dass diese Technologie für jeden zugänglich ist – von großen Branchenführern wie Google bis hin zu Start-ups mit begrenztem Budget. Die nicht ganz so gute Nachricht ist jedoch, dass sie für jeden zugänglich ist. Mit anderen Worten: Generative KI ist nicht unbedingt eine Quelle für Wettbewerbsvorteile.

Eine Technologie allein schafft noch keinen Mehrwert für ein Unternehmen. Vielmehr sind es die Menschen, die für einen Mehrwert sorgen, und die diese Technologie zusammen mit ihrem eigenen branchenspezifischen Wissen, ihren Erfahrungen, ihren Fähigkeiten zur Datenerfassung und -interpretation sowie ihrem Verständnis der Kundenbedürfnisse und -probleme einsetzen.

Wir wollen hier nicht behaupten, dass generative KI ein Ersatz für von Menschen entwickelte Ideen ist, aber diese Technologie kann definitiv dazu verwendet werden, deine bereits vorhandenen Fähigkeiten zu ergänzen und auszubauen.

Fazit: Generative KI für A/B-Tests verwenden

Ob im Bildungswesen, in der Werbung oder in der Codierung – alle Branchen beginnen, die Auswirkungen dieser neuen Softwareentwicklungen zu erkennen. Die Nutzung von „großen Sprachmodellen“ wird immer beliebter, da diese Algorithmen Ideen generieren, lange Textformen zusammenfassen, Einblicke geben und sogar in Echtzeit übersetzen können.

Richtiges Experimentieren und A/B-Testen sind das A und O, um dein Publikum anzusprechen, können aber viel Zeit und Ressourcen in Anspruch nehmen, um erfolgreich zu sein. Wenn generative KI dir Möglichkeiten bietet, Zeit zu sparen und deine Prozesse zu rationalisieren, ist es vielleicht an der Zeit sie einzusetzen, auch wenn sie eine nicht mehr ganz geheime Waffe ist. In der heutigen wettbewerbsintensiven digitalen Umgebung sollte die kontinuierliche Verbesserung deiner Online-Präsenz ganz oben auf deiner Agenda stehen.

Möchtest du mit der Optimierung deiner Website beginnen? AB Tasty ist eine erstklassige Plattform zur Optimierung der User Experience, mit der du für bessere digitale Erlebnisse sorgen kannst – und zwar schnell. Von Experimenten bis hin zur Personalisierung kann diese Lösung dir helfen, deine Zielgruppe zu aktivieren und zu engagieren, um deine Conversions zu steigern.

Der Beitrag Wie generative KI deine Experimentation Roadmap verbessern kann erschien zuerst auf abtasty.

HERAUSFORDERUNG

Groupama wollte einen Weg finden, ihren A/B-Testing-Ansatz besser an die einzigartigen emotionalen Bedürfnisse der Kunden anzupassen. Sie hatten bereits eine Testlösung im Einsatz, waren aber neugierig auf das innovative emotionale Targeting von EmotionsAI.

TEST-IDEE

Es wurde ein A/B-Test durchgeführt, der sich auf das Angebotsformular konzentrierte. Der Gruppe der „Emotionals“ wurde eine beruhigende Nachricht auf dem Angebotsformular angezeigt, die den Schutz ihrer privaten Daten versprach. Der Gruppe der „Rationals“ wurde das Formular ohne die zusätzliche Nachricht angezeigt, so dass sie ohne Ablenkung fortfahren konnten.

ERGEBNISSE

Innerhalb von 2 Wochen hatte Groupama die Ergebnisse. Es war ein sofortiger Erfolg, denn die gezielte Ansprache durch EmotionsAI führte zu einem Anstieg der Angebotsabgaben um 10 %. Außerdem stieg die Zahl der Weiterleitungen zum nächsten Schritt des Angebotsformulars um 2 Prozentpunkte, was die Kunden weiter durch den Trichter führte.

TAKEAWAYS

Nach dem frühen Erfolg des ersten Tests beschloss Groupama, EmotionsAI zu implementieren, da sich die Investition sofort auszahlte.

Der Beitrag Groupama erhöht die Anzahl der Angebotsabgaben mit EmotionsAI erschien zuerst auf abtasty.

HERAUSFORDERUNG

Das Team von La Redoute war bestrebt, die Art und Weise der Website-Optimierung zu ändern. Sie wollten einen Weg finden, das Engagement zu verbessern, insbesondere auf mobilen Geräten.

Sie entschieden sich für EmotionsAI von AB Tasty, um den Besuchern ihrer Website ein möglichst individuelles Erlebnis zu bieten.

Durch den Einsatz von KI-gestützter Segmentierung zur Erstellung besserer Experimente haben sie begonnen, die Psychologie hinter den Entscheidungen der Kunden in die Optimierung einfließen zu lassen.

ERGEBNISSE

Nach der Implementierung von EmotionsAI und der Schaffung neuer emotionsbasierter Zielgruppensegmente, konnte La Redoute einen signifikanten Effekt auf die Engagement-Raten feststellen. Das verbesserte Kundenerlebnis führte zu einem Anstieg des Umsatzes pro Besucher um 4 % und zu einer um 3 % höheren Conversion Rate.

TAKEAWAYS

Seit dem Einsatz von EmotionsAI hat La Redoute die Erfolgsquote ihrer A/B-Tests verdreifacht und damit ihren Optimierungsansatz komplett verändert.

Der Beitrag La Redoute verdreifacht die Erfolgsrate von A/B-Tests mit EmotionsAI erschien zuerst auf abtasty.

Mittlerweile hast du sicher bemerkt, dass die meisten Tipps zur CRO auf Websites mit einem hohen Traffic zugeschnitten sind. Zum Glück bedeutet das aber nicht, dass du deine Website nicht auch dann optimieren kannst, wenn du weniger Besucher hast.

De facto kann jede Website optimiert werden – Du musst nur deine Optimierungsstrategie an deine einzigartige Situation anpassen.

In diesem Artikel greifen wir folgende Punkte auf:

• Die häufigste Klage über CRO (95 %-Schwelle und Ursprung)
• Ein angemessener Schwellenwert für geringen Traffic
• Ideen, wie du deine Website bei einem geringeren Traffic optimieren kannst
• Die CUPED-Testtechnik
• Wann CUPED funktioniert und wann nicht

CRO-Analogie

Um diesen Artikel besser verstehen zu können, beginnen wir mit einer Analogie. Stell dir vor, statt zwei Varianten zu messen und einen Gewinner zu ermitteln, messen wir die Leistung von zwei Boxern und schließen Wetten ab, wer die nächsten 10 Runden gewinnt.

Wie können wir also auf den Sieger setzen?

Stell dir vor, dass Boxer A und Boxer B beide Newcomer sind, die keiner kennt. Nach der ersten Runde musst du deine Wahl treffen. Im Endeffekt wirst du mit großer Wahrscheinlichkeit auf den Boxer setzen, der die erste Runde gewonnen hat. Die Entscheidung mag riskant sein, wenn der Vorsprung des Siegers gering ist. Du kannst deine Entscheidung letztlich jedoch nicht auf einer anderen Grundlage treffen.

Stell dir nun vor, dass Boxer A als Champion bekannt ist und Boxer B ein Herausforderer ist, den du nicht kennst. Dein Wissen über Boxer A bezeichnen wir als Prior – Informationen, die du bereits hast und die deine Entscheidung beeinflussen.

Aufgrund dieses Priors oder Vorwissens ist es wahrscheinlicher, dass du in den nächsten Runden auf Boxer A setzt, selbst wenn Boxer B die erste Runde mit einem äußerst kleinen Vorsprung gewinnt.

Zudem wirst du den Boxer B nur dann als voraussichtlichen Sieger wählen, wenn er die erste Runde mit einem großen Vorsprung gewinnt. Je größer der Prior ist, desto größer muss der Vorsprung sein, um dich zu überzeugen, deine Wettentscheidung zu ändern.

Kannst du mir folgen? Wenn ja, sind die folgenden Abschnitte leicht zu begreifen und du wirst verstehen, woher diese „95 %-Schwelle“ kommt.

Kommen wir nun zu den Tipps für die Optimierung deiner Website mit geringem Traffic.

1. Die Lösung des Problems: „Ich erreiche nie die 95 %ige Signifikanz“.

Das ist die häufigste Klage, die man über CRO für Websites mit geringem Traffic und für Seiten mit geringem Traffic auf größeren Websites hört.

Bevor wir uns diesem häufigsten Problem widmen, sollten wir zunächst die Frage beantworten, woher diese „goldene Regel“ der 95 % stammt.

Ursprung der 95 %-Schwelle

Beginnen wir unsere Erklärung mit einer sehr einfachen Idee: Was wäre, wenn Optimierungsstrategien vom ersten Tag an angewandt würden? Wenn zwei Varianten ohne Vorgeschichte gleichzeitig erstellt würden, gäbe es keine „Original“-Version, die von einem Newcomer herausgefordert werden könnte.

Dadurch wärst du gezwungen, von Anfang an die beste Version zu wählen.

In diesem Fall könnte jeder kleine Leistungsunterschied für die Entscheidungsfindung gemessen werden. Nach einem kurzen Test wirst du dich für die Variante mit der höheren Leistung entscheiden. Es wäre keine gute Strategie, die Variante mit der geringeren Leistung zu wählen, und zudem wäre es unklug, auf einen Schwellenwert von 95 % zu warten, um einen Gewinner zu ermitteln.

In der Praxis erfolgt die Optimierung jedoch erst lange nach dem Start eines Unternehmens.

In den meisten Situationen im echten Leben gibt es also eine Version A, die bereits existiert, und einen neuen Herausforderer, die Version B, die erstellt wird.

Wenn der neue Herausforderer, Version B, „auf die Bühne tritt“ und der Leistungsunterschied zwischen den beiden Varianten nicht signifikant ist, ist es für dich kein Problem, Version B nicht zum Gewinner zu erklären.

Statistische Tests sind symmetrisch. Wenn wir also die Rollen vertauschen und A und B im statistischen Test vertauschen, wirst du feststellen, dass das Original nicht deutlich besser als der Herausforderer ist. Die „Unschlüssigkeit“ des Tests ist symmetrisch.

Warum setzt du also am Ende eines nicht eindeutigen Tests 100 % des Traffics auf das Original und erklärst damit implizit A zum Sieger? Weil du drei Vorannahmen hast:

1. Version A war die erste Wahl. Diese Wahl wurde vom ursprünglichen Ersteller der Seite getroffen.
2. Version A wurde bereits implementiert und ist technisch vertrauenswürdig. Version B ist in der Regel ein Mockup.
3. Version A verfügt über viele Daten, die ihren Wert beweisen, während Version B ein Herausforderer mit begrenzten Daten ist, die nur während der Testphase erhoben werden.

Die Punkte 1 und 2 bilden die Grundlage einer CRO-Strategie, so dass du über diese beiden Vorannahmen hinausgehen musst. Punkt 3 erläutert, dass Version A über mehr Daten verfügt, die ihre Leistung belegen, was erklärt, warum du der Version A mehr vertraust als der Version B: Version A hat Daten.

Jetzt verstehst du, dass diese 95 %-Vertrauensregel eine Möglichkeit ist, ein großes Vorwissen zu erklären. Und dieser Prior stammt meist aus historischen Daten.

Wenn du also eine Seite mit geringem Traffic optimierst, sollte der Schwellenwert deiner Entscheidung unter 95 % liegen, weil dein Prior bei A aufgrund des Traffics und des höheren Alters schwächer ist.

Der Schwellenwert sollte entsprechend dem Traffic festgelegt werden, der vom ersten Tag beim Original vorlag. Das Problem bei dieser Methode ist jedoch, dass wir wissen, dass die Conversion Rates nicht stabil sind und sich im Laufe der Zeit ändern können. Denke an die Saisonabhängigkeit – z. B. der Ansturm am Black Friday, Urlaubstage, die erhöhte Aktivität in der Weihnachtszeit, usw. Wegen der saisonalen Schwankungen kannst du die Leistungen in verschiedenen Zeiträumen nicht vergleichen.

Aus diesem Grund berücksichtigen Praktiker nur Daten für Version A und Version B, die im gleichen Zeitraum erhoben wurden, und legen einen hohen Schwellenwert (95 %) fest, um den Herausforderer als Gewinner zu akzeptieren, um einen hohen Prior gegenüber Version A zu formalisieren.

Was ist ein angemessener Schwellenwert für geringen Traffic?

Es ist schwierig, eine genaue Zahl im Auge zu haben, da diese von deiner Risikobereitschaft abhängt.

Gemäß dem Hypothesenprotokoll solltest du im Voraus einen Zeitrahmen für die Datenerhebung festlegen.

Das bedeutet, dass die „Stopp“-Kriterien eines Tests kein statistisches Maß sind oder auf einer bestimmten Zahl basieren. Die „Stopp“-Kriterien sollten einem endenden Zeitrahmen entsprechen. Sobald der Zeitraum beendet ist, solltest du die Statistiken betrachten, um eine angemessene Entscheidung zu treffen.

AB Tasty, unsere Software zur Optimierung der Customer Experience und zum Feature Management, verwendet das Bayessche Framework, das einen Index der „Gewinnchancen“ erzeugt, welcher eine direkte Interpretation ermöglicht – anstelle eines p-Werts mit einer sehr komplexen Bedeutung.

Mit anderen Worten, der „Index der Gewinnchancen“ ist die Wahrscheinlichkeit, dass eine bestimmte Variante besser als das Original ist.

Eine 95 %ige „Gewinnchance“ bedeutet also, dass die gegebene Variante mit 95 %iger Wahrscheinlichkeit der Gewinner sein wird. Dabei wird davon ausgegangen, dass wir kein Vorwissen oder besonderes Vertrauen in das Original haben.

Der Schwellenwert von 95 % ist auch ein Standardkompromiss zwischen dem Prior beim Original und einer bestimmten Risikoakzeptanz (es hätte auch ein Schwellenwert von 98 % sein können).

Obwohl es schwierig ist, eine genaue Zahl zu nennen, können wir eine grobe Größenordnung für den Schwellenwert angeben:

• Neue A- und B-Varianten: In einem Fall, in dem sowohl Variante A als auch Variante B neu sind, könnte der Schwellenwert bei nur 50 % liegen. Wenn es keine Daten über die Leistung der Varianten in der Vergangenheit gibt und du eine Entscheidung über die Implementierung treffen musst, ist selbst eine 51 %ige Chance auf Erfolg besser als eine 49 %ige.
• Neue Website, geringer Traffic: Wenn deine Website neu ist und einen besonders geringen Traffic aufweist, hast du wahrscheinlich einen besonders geringen Prior bei Variante A (in diesem Fall die ursprüngliche Variante). In diesem Fall ist ein Schwellenwert von 85 % angemessen. Denn wenn du das Wenige beiseite lässt, was du über das Original weißt, hast du immer noch eine 85 %ige Chance für die Auswahl des Gewinners und nur eine 15 %ige für die Auswahl einer Variante, die dem Original gleichwertig ist. Das Risiko, dass sie schlechter abschneidet, ist geringer. Je nach Kontext kann eine solche Wette also durchaus Sinn ergeben.
• Ausgereiftes Unternehmen, geringer Traffic: Wenn dein Unternehmen schon länger besteht, aber immer noch wenig Besucher zählt, sind 90 % ein vernünftiger Schwellenwert, da der Prior über das Original noch relativ klein ist.
• Ausgereiftes Unternehmen, hoher Traffic: Bei einem hohen Prior oder einer großen Menge an Daten bei Variante A wird ein Schwellenwert von 95 % empfohlen.

Der ursprüngliche Schwellenwert von 95 % ist viel zu hoch, wenn dein Unternehmen einen geringen Traffic aufweist, da die Wahrscheinlichkeit gering ist, diesen Wert zu erreichen. Demzufolge wird deine CRO-Strategie wirkungslos sein und eine datengestützte Entscheidungsfindung wird unmöglich.

Wenn du AB Tasty als Experimentierplattform verwendest, erhältst du einen Bericht, der die „Gewinnchance“ zusammen mit anderen statistischen Informationen über deine Experimente enthält. Ein Bericht von AB Tasty enthält auch das Konfidenzintervall für den geschätzten Gewinn als wichtigen Indikator. Die Grenzen um den geschätzten Gewinn werden ebenfalls nach dem Bayesschen Prinzip berechnet, d. h. sie können als bestes und schlechtestes Szenario interpretiert werden.

Die Bedeutung der Bayesschen Statistik

Jetzt verstehest du die genaue Bedeutung des wohlbekannten 95 %-igen „Signifikanzniveaus“ und kannst geeignete Schwellenwerte für deinen speziellen Fall wählen.

Es ist wichtig, sich daran zu erinnern, dass dieser Ansatz nur mit der Bayesschen Statistik funktioniert, da frequentistische Ansätze statistische Indizes (wie p-Werte und Konfidenzintervalle) liefern, die eine völlig andere Bedeutung haben und für die erklärte Logik nicht geeignet sind.

2. Sind die Statistiken bei kleinen Zahlen gültig?

Ja, solange man den Test nicht abhängig vom Ergebnis abbricht.

Denke daran, dass laut Testprotokoll der einzige Grund für den Teststopp das Ende des Zeitrahmens ist. In diesem Fall sind die statistischen Indizes („Gewinnchancen“ und Konfidenzintervall) wahr und brauchbar.

Du denkst jetzt möglicherweise: „Okay, aber dann erreiche ich selten das Signifikanzniveau von 95 % …“

Vergiss nicht, dass der Schwellenwert von 95 % nicht in allen Fällen die magische Zahl sein muss. Bei einem geringen Traffic ist deine Website wahrscheinlich noch nicht alt. Wenn du dich auf den vorherigen Punkt beziehst, kannst du einen Blick auf unsere vorgeschlagene Skala für verschiedene Szenarien werfen.

Wenn du als neueres Unternehmen mit geringerem Traffic zu tun hast, kannst du sicherlich zu einem niedrigeren Schwellenwert (wie z. B. 90 %) wechseln. Der Schwellenwert ist immer noch höher, weil man in der Regel mehr Vertrauen in ein Original als in eine Variante hat, da sie schon länger verwendet wird.

Wenn es sich um zwei völlig neue Varianten handelt, ist es am Ende des Testzeitraums einfacher, die Variante mit den höheren Conversion Rates auszuwählen (ohne eine Statistik zu verwenden), da es kein Vorwissen über die Leistung von A oder B gibt.

3. Gehe „weiter nach oben“

Manchmal ist das Traffic-Problem nicht auf eine Website mit geringem Traffic zurückzuführen, sondern auf die betreffende Webseite. Normalerweise befinden sich Seiten mit geringem Traffic am Ende des Funnels.

In diesem Fall ist es eine gute Strategie, an der Optimierung des Funnels näher am Einstiegspunkt der Nutzer zu arbeiten. Möglicherweise gibt es mit einer optimierten digitalen Customer Journey noch mehr aufzudecken, bevor das Ende des Funnels erreicht wird.

4. Ist die CUPED-Technik real?

Was ist CUPED?

CUPED bzw. „Controlled Experiment Using Pre-Experiment Data“ ist ein neues Schlagwort in der Welt der Experimente. CUPED ist eine Technik, die angeblich bis zu 50 % schnellere Ergebnisse liefert.  Für Websites mit geringem Traffic natürlich sehr verlockend.

Funktioniert CUPED wirklich so gut?

Nicht ganz, und zwar aus zwei Gründen: zum einen aus organisatorischen Gründen und zum anderen wegen der Anwendbarkeit.

Die organisatorische Einschränkung

Was oft vergessen wird, ist, dass CUPED für Controlled Experiment Using Pre-Experiment Data steht.

In der Praxis beträgt der ideale Zeitraum für „Daten vor dem Experiment“ zwei Wochen, um eine Zeitersparnis von 50 % zu erreichen.

Bei einem klassischen 2-Wochen-Test behauptet CUPED also, dass du den Test in nur einer Woche beenden kannst.

Um jedoch die Ergebnisse richtig einschätzen zu können, benötigst du zwei Wochen Daten aus der Zeit vor dem Experiment. Du musst also drei Wochen Zeit haben, um CUPED zu implementieren und die gleiche Genauigkeit wie bei einem klassischen 2-Wochen-Test zu erzielen.

Ja, du hast richtig gelesen. Letztendlich brauchst du drei Wochen, um das Experiment durchzuführen.

Das bedeutet, dass es nur dann sinnvoll ist, wenn du bereits zwei Wochen Traffic-Daten gesammelt hast, die nicht für Experimente genutzt werden. Selbst wenn du zwei experimentlose Wochen in die Planung deiner Experimente integrieren kannst, um Daten zu sammeln, wird dies den Traffic für andere Experimente blockieren.

Die Anwendbarkeitsbeschränkung

Zusätzlich zu der organisatorischen/2-wöchigen Zeitbeschränkung gibt es zwei weitere Voraussetzungen, damit CUPED effektiv ist:

1. CUPED ist nur auf Besucher anwendbar, die durch die Website sowohl in der Zeit vor dem Experiment als auch währenddessen navigieren.
2. Diese Besucher müssen dasselbe Verhalten hinsichtlich der zu optimierenden KPI zeigen. Die Daten der Besucher müssen zwischen den beiden Zeiträumen korrelieren.

Du wirst im folgenden Abschnitt sehen, dass CUPED durch diese beiden Einschränkungen für E-Commerce-Websites praktisch nicht möglich und nur für Plattformen anwendbar ist.

Kehren wir zu unserem Beispiel der Experimentiereinstellungen zurück:

• Zwei Wochen Daten aus der Zeit vor dem Experiment
• Zwei Wochen Experimentdaten (von denen wir hoffen, dass sie nur eine Woche dauern, da eine Zeitersparnis von 50 % erwartet wird)
• Das Optimierungsziel ist eine Transaktion: Erhöhung der Anzahl von Conversions.

Einschränkung Nr. 1 besagt, dass wir die gleichen Besucher vor dem Experiment und währenddessen haben müssen, aber die Customer Journey eines Users im E-Commerce dauert in der Regel nur etwa eine Woche.

Mit anderen Worten, die Wahrscheinlichkeit, dass dieselben Besucher in beiden Zeiträumen die Website besuchen, ist sehr gering. In diesem Zusammenhang ist nur ein sehr begrenzter Effekt von CUPED zu erwarten (bis hin zum Anteil der Besucher in beiden Zeiträumen).

Einschränkung Nummer 2 besagt, dass die Besucher das gleiche Verhalten hinsichtlich der Conversion (den zu optimierenden KPI) aufweisen müssen. Offen gestanden, diese Bedingung wird im E-Commerce einfach nie erfüllt.

Die Conversion im E-Commerce findet entweder während des Pre-Experiments oder während des Experiments statt, aber nicht bei beiden (es sei denn, deine Kunden kaufen häufig mehrmals während des Experimentierzeitraums ein).

Das bedeutet, dass es keine Chance gibt, dass die Conversions der Besucher zwischen den Zeiträumen korrelieren.

Zusammenfassend gesagt: CUPED ist zur Optimierung von Transaktionen auf Websites im E-Commerce einfach nicht geeignet.

In der wissenschaftlichen Originalarbeit wird dies klar hervorgehoben, aber der Beliebtheit halber wird diese Technik in der Testbranche falsch dargestellt.

Tatsächlich – und das ist in der wissenschaftlichen Literatur klar dargelegt – funktioniert CUPED nur bei mehrfachen Conversions für Plattformen mit wiederkehrenden Besuchern, die dieselben Aktionen durchführen.

Ausgezeichnete Plattformen für CUPED wären Suchmaschinen (wie Bing, auf der diese Technik erfunden wurde) oder Streaming-Plattformen, die User täglich besuchen und dieselben wiederkehrenden Aktionen ausführen (ein Video abspielen, auf einen Link in einer Suchergebnisseite klicken, usw.).

Selbst wenn du versuchst, eine Anwendung von CUPED für den E-Commerce zu finden, wirst du feststellen, dass dies nicht möglich ist.

• Man könnte versuchen, die Anzahl der gesehenen Produkte zu optimieren, aber das Problem von Einschränkung 1 bleibt bestehen: eine sehr geringe Anzahl von Besuchern wird in beiden Datensätzen vorhanden sein. Und es gibt noch einen noch fundamentaleren Einwand – dieser KPI sollte nicht allein optimiert werden, da du sonst möglicherweise dazu beiträgst, dass Besucher zwischen den Produkten zögern.
• Du kannst nicht einmal versuchen, die Anzahl der von den Besuchern bestellten Produkte mit CUPED zu optimieren, da die Einschränkung Nummer 2 immer noch gilt. Der Kauf kann als unverzüglich betrachtet werden. Daher kann er nur in dem einen oder in dem anderen Zeitraum stattfinden – nicht in beiden. Wenn keine Korrelation des Besucherverhaltens zu erwarten ist, ist auch kein CUPED-Effekt zu erwarten.

Schlussfolgerung über CUPED

CUPED eignet sich nicht für Websites im E-Commerce, bei denen eine Transaktion das Hauptziel der Optimierung ist. CUPED ist nicht dein Geheimrezept, das dir hilft, dein Unternehmen zu optimieren – es sei denn, du bist Bing, Google oder Netflix.

Diese Technik ist sicherlich ein Schlagwort, das schnell Interesse weckt, aber es ist wichtig, das Gesamtbild zu sehen, bevor man CUPED in seine Roadmap aufnimmt. Marken im E-Commerce sollten daran denken, dass diese Testtechnik nicht für ihr Unternehmen geeignet ist.

Optimierung für Websites mit geringem Traffic

Marken mit geringem Traffic sind immer noch erstklassige Kandidaten für die Website-Optimierung, auch wenn sie sich möglicherweise an einen anderen Ansatz anpassen müssen, der nicht so traditionell ist.

Ob die Optimierung deiner Webseiten bedeutet, eine Seite zu wählen, die im Funnel weiter oben anzutreffen ist, oder ob du eine etwas niedrigere Schwelle wählst – entscheidend ist, dass die Optimierung kontinuierlich verläuft.

Möchtest du mit der Optimierung deiner Website beginnen? AB Tasty ist die branchenführende Plattform zur Optimierung der User Experience, mit der du schnell für ein umfassenderes digitales Erlebnis sorgen kannst. Von Experimenten bis hin zur Personalisierung kann diese Lösung dir helfen, deine Zielgruppe zu aktivieren und sich zu engagieren, um deine Conversions zu steigern.

Der Beitrag Wie du mit geringem Traffic im Rahmen der CRO umgehst erschien zuerst auf abtasty.