Best Practices: A/B-Testing
Best Practices: A/B-Testing
Wie A/B-Tests deinen Shop wirklich voranbringen
Du hast das Gefühl, dass dein Shop eigentlich gut performen müsste, aber die Conversions stagnieren oder der Warenkorbwert bleibt hinter den Erwartungen zurück? Dann kann es sinnvoll sein, das Bauchgefühl durch Daten zu ersetzen.
A/B-Testing ist eine Methode, um gezielt herauszufinden, welche Änderungen sich wirklich lohnen und welche nicht.
Ein A/B-Test vergleicht zwei Varianten eines Seitenelements, zum Beispiel eine Produktseite mit und ohne Upsell, verschiedene Texte, Buttonfarben oder Layouts. Der Traffic wird dabei zufällig auf beide Varianten aufgeteilt. Anschließend wird gemessen, welche Version besser performt, also z. B. mehr Conversions oder Umsatz pro Besuch erzielt.
So gehen wir beim A/B-Testing vor
1. Problem identifizieren
Zuerst analysieren wir, wo dein Shop Potenziale nicht ausschöpft. Das kann eine hohe Bounce Rate auf der Startseite sein, eine niedrige Conversion Rate im Checkout oder eine geringe Klickrate auf Produkt-CTA-Buttons.
2. Hypothese formulieren
Auf Basis der Analyse formulieren wir eine klare, testbare Hypothese:
Beispiel:
WENN wir den Upsell im Warenkorb entfernen,
DANN steigt die Conversion Rate,
WEIL Nutzer nicht vom Kaufabschluss abgelenkt werden
3. Test-Setup erstellen
Der A/B-Test wird technisch über ein Tool oder eine App umgesetzt. Dabei wird sichergestellt, dass der Traffic gleichmäßig verteilt ist und die Varianten nur in der getesteten Komponente voneinander abweichen.
4. Testlauf & Laufzeit
Je nach Shopgröße sollte der Test ca. 2–4 Wochen laufen. Entscheidend ist, dass genügend Conversions generiert werden, um statistisch valide Ergebnisse zu erzielen.
Wir lassen Tests in der Regel so lange laufen, bis mindestens 500 (besser: 1000) Conversions pro Variante vorliegen. Auch wenn dies bereits nach 3 Tagen der Fall ist, sollte der Test weiterlaufen.
5. Auswertung & Umsetzung
Nach Abschluss des Tests werten wir die Ergebnisse aus:
- Hat sich die Hypothese bestätigt?
- Ist der Effekt signifikant (z. B. p < 0.05)?
- Wie stark war die Veränderung?
Wann ist A/B-Testing sinnvoll?
Nicht jeder Shop hat genügend Traffic für A/B-Testing. Damit ein Test statistisch sinnvoll ausgewertet werden kann, braucht es eine gewisse Menge an Conversions.
Unsere Empfehlung: A/B-Testing lohnt sich ab ca. 1000–1500 Conversions pro Monat.
Andernfalls müssen Test zu lange laufen oder Ergebnisse werden nicht statistisch signifikant.
Welche KPIs sind entscheidend?
Welche Kennzahlen du in einem A/B-Test misst, hängt immer vom Ziel des Tests ab. Möchtest du mehr Käufe erzielen, den Warenkorbwert steigern oder den Checkout optimieren? Je nach Fragestellung stehen unterschiedliche KPIs im Fokus. Hier ein Überblick über die wichtigsten Kennzahlen im E-Commerce-Testing:
- Conversion Rate: Der prozentuale Anteil der Besucher:innen, die tatsächlich kaufen. Eine der zentralsten Metriken zur Bewertung der Gesamtperformance.
- AOV (Average Order Value): Der durchschnittliche Bestellwert pro Kauf. Relevant, wenn du z. B. Bundles oder Upsells testest.
- Revenue per User (RPU): Wie viel Umsatz im Schnitt pro Besuch oder pro Nutzer:in generiert wird. Diese Kennzahl kombiniert Conversion Rate und AOV und liefert dadurch ein besonders realistisches Bild.
- Add-to-Cart-Rate: Zeigt, wie oft Produkte in den Warenkorb gelegt werden – wichtig, wenn du z. B. Produktdarstellungen, CTA-Buttons oder Preismodelle testest.
- Bounce Rate: Gibt an, wie viele Nutzer:innen die Seite ohne Interaktion wieder verlassen. Eine hohe Bounce Rate kann auf fehlende Relevanz oder UX-Probleme hinweisen.
Wichtig: Die KPIs sollten niemals isoliert betrachtet werden. Ein höherer AOV ist wenig wert, wenn gleichzeitig die Conversion Rate sinkt. Umgekehrt kann eine steigende Conversion Rate durch niedrigere Warenkörbe kompensiert werden. Die aussagekräftigste Metrik ist meist der Revenue per User, da er beide Faktoren kombiniert.
Du möchtest mehr über A/B-Testing im Checkout erfahren?
Beispiel: Variant Picker
Hypothese:
WENN wir die Ersparnis in Euro anzeigen,
DANN steigt der Average Revenue per User,
WEIL die absolute Ersparnis für Nutzer:innen greifbarer und damit überzeugender wirkt als eine prozentuale Angabe.
Test-Setup:
- Variante A: Savings im Variant Picker auf der Produktseite (PDP) in %
- Variante B: Savings im Variant Picker auf der Produktseite in €
Ergebnis:
Die Variante mit der Ersparnis in Euro hat signifikant besser performt. Die Angabe der Ersparnis in Euro erzeugt bei den Nutzer:innen ein klareres Preisgefühl. Absolute Zahlen wirken konkreter und steigern den wahrgenommenen Wert des Angebots. Eine einfache Änderung im Wording führte hier zu einem messbaren Umsatzplus.
Fazit: Kein Test ist auch keine Lösung
A/B-Testing ist eine verlässliche Methode, um deinen Shopify Shop fundiert weiterzuentwickeln.
Statt Annahmen oder Trendentscheidungen basieren deine Optimierungen auf echten Nutzerdaten. Gerade bei gut laufenden Shops zeigt sich: Oft reichen kleine Veränderungen, um den Umsatz spürbar zu steigern, wenn sie gezielt getestet werden.
Du möchtest mit A/B-Testing starten?
