A/B-testen uitvoeren in 7 stappen (met voorbeelden)
Of je nu een professional op het gebied van productontwikkeling of marketing bent, of binnen klantervaring samenwerkt met deze teams: de kans is groot dat je betrokken bent bij belangrijke processen om de producten en prestaties van je bedrijf te verbeteren en dat je daarvoor gebruikersperspectieven inzet. Een van de krachtigste tools in je gereedschapskist is zonder enige twijfel A/B-testen.
Waarom? Omdat het giswerk wegneemt bij vragen als welke van deze versies van een functie ondersteunt onze belangrijkste KPI's het best? Wie zou de kans laten liggen om zeker te weten welke versie van een productiteratie de belangrijkste statistieken het best ondersteunt, zoals conversieratio of een andere betrokkenheidsstatistiek?
Antwoord: vrijwel niemand.
Sign up to access the full article
Unlock more content to help you turn AI into leverage, design experiences that build trust, and drive business impact.
Have an account? Log In
Als hoofd gebruikersonderzoek werk ik met meerdere teams die A/B-tests uitvoeren om te begrijpen wat elke test ons leert over gebruikers en hoe deze inzichten ons kunnen helpen om toekomstige productiteraties te verbeteren. Laten we bekijken wat A/B-testen is, wanneer en waarom je het zou moeten gebruiken, hoe je het uitvoert en hoe je het kunt inzetten om interne kennis over je gebruikersbestand op te bouwen.
Wat is A/B-testen: definitie en voorbeeld
Kort gezegd is A/B-testen, ook wel split-testen genoemd, een methode om twee versies van iets met elkaar te vergelijken en te bepalen welke versie beter presteert op basis van je belangrijkste statistieken. Het wordt bij productontwikkeling vaak gebruikt om verschillende varianten van een product of functie en hun respectievelijke effecten op KPI's te testen.
Bij een A/B-test maak je twee versies van iets (bijvoorbeeld een functie) en wijs je willekeurig verschillende gebruikersgroepen toe om elke versie te zien. Door de resultaten van de test te analyseren, kun je bepalen welke versie effectiever is en deze informatie gebruiken om datagedreven beslissingen over je product te nemen.
Hier is een voorbeeld:
Stel dat je bedrijf een mobiele app heeft waarmee gebruikers grote evenementen kunnen plannen. Je team heeft een functie waarmee gebruikers hun telefooncontacten kunnen importeren en rechtstreeks uitnodigingen per sms kunnen versturen. Binnen het product- en team voor klantervaring hebben sommige leden verschillende meningen over wanneer je een gebruiker moet vragen om diens telefooncontacten te importeren: vóór of nadat diegene de sms-uitnodiging heeft aangepast. De belangrijkste KPI van deze specifieke functie is het percentage gebruikers dat het uitnodigingsproces start en uiteindelijk daadwerkelijk een sms-uitnodiging verstuurt.
Bij een A/B-test ontwikkelt je team de twee verschillende versies waar het om gaat. De enige variabele, of het enige verschil, tussen de twee versies is wanneer de CTA om telefooncontacten te importeren verschijnt. Je team wijst willekeurig twee gebruikersgroepen toe, waarbij elke groep één versie van de functie krijgt. Zodra je voldoende gegevens hebt verzameld—idealiter met statistisch significante resultaten—bekijk je elke groep: welke groep had een hoger percentage gebruikers dat het proces daadwerkelijk voltooide en de sms-uitnodigingen verstuurde? Dat is de winnende versie en die schakel je in voor alle gebruikers.
Waarom A/B-testen?
Het klopt zeker dat A/B-testen veel middelen vereist—ontwerp, ontwikkeling, data-analyse enzovoort. Maar als je kijkt naar de waarden en doelen van de meeste bedrijven, zie je dat deze vaak sterk overeenkomen met de voordelen van A/B-testen. Laten we enkele van deze doelen en waarden bekijken; ze kunnen je helpen om een A/B-testproject te onderbouwen.
Datagedreven besluitvorming
Met A/B-testen kun je datagedreven beslissingen over je product nemen in plaats van te vertrouwen op intuïtie of giswerk. Door verschillende varianten van een functie te testen, kun je bepalen welke versie effectiever is en beslissingen nemen op basis van concrete gegevens. Ik heb nog nooit iemand in een productteam ontmoet, waar dan ook, die niet datagedreven wil werken. A/B-testen is een belangrijk hulpmiddel voor elk datagedreven productteam.
Verbeterde gebruikerservaring
Door verschillende versies van een product of functie te testen, kun je manieren vinden om de gebruikerservaring te verbeteren. Dit kan betekenen dat je een knop in je app prominenter maakt, de kleur van een CTA verandert of een afrekenproces op een e-commercesite stroomlijnt. De resultaten van A/B-tests vertellen je welke processen, functies en variabelen het best werken voor je gebruikers, op basis van de belangrijkste statistieken die je kiest. Vaak ontdekken we, wanneer we A/B-testen overslaan, dat we verkeerd hebben gegokt en nog meer middelen moeten inzetten om de fout te corrigeren—waardoor ook de tijdlijn voor het optimaliseren van een functie om gebruikerstevredenheid te bereiken langer wordt.
Mogelijke omzetstijging
Wanneer je een A/B-test uitvoert, kies je de belangrijkste statistiek(en) op basis waarvan je de winnaar bepaalt zodra je de testresultaten hebt. Dit betekent dat je, als omzet een van je belangrijkste doelen is, daadwerkelijk zeker kunt weten welke versie van een product of functie de hoogste omzet oplevert.
In de loop van de tijd kennis opbouwen over gebruikers
We zullen hier later uitgebreider op ingaan, maar een ander belangrijk voordeel van het integreren van A/B-testen in je productworkflow is dat je in de loop van de tijd kennis over gebruikers opbouwt. Het gaat er niet alleen om dat elke A/B-test je helpt om op dat moment beslissingen te nemen, maar ook dat je iets leert over hoe je gebruikers met je product omgaan. Die kennis kan helpen bij toekomstig productwerk.
Het A/B-testproces in 7 eenvoudige stappen
Daar zijn we dan—het leuke gedeelte! Je bent er al van overtuigd dat A/B-testen van de plaatsing van je call-to-action of van de beste manier om een spannende nieuwe functie uit te voeren de juiste aanpak is. Hoe pak je dat aan?
Stap 1: Bepaal je doelstelling
Voordat je met een A/B-test begint, is het belangrijk om je doelstelling te bepalen. Wat hoop je met de test te bereiken? Het belangrijkste hierbij is dat je doelstelling een metriek moet zijn. Met andere woorden: je moet in cijfers kunnen bepalen hoe elke variabele presteert ten opzichte van de andere.
Bijvoorbeeld:
Een eenvoudigere gebruikerservaring creëren is een prima doel om voor ogen te hebben, maar het telt niet als doelstelling voor een A/B-test. Stel dat je een online winkel hebt. Een goede doelstelling voor een A/B-test kan bijvoorbeeld zijn: Het verhogen van het % gebruikers dat het afrekenproces voltooit en een aankoop doet of simpelweg het betaalde conversiepercentage. Dit is meetbaar in cijfers en waarschijnlijk een metriek die aansluit bij je algemene bedrijfsdoelen.
Of stel dat je A/B-testen gebruikt om een specifiek onderdeel van je marketingstrategie beter te optimaliseren. Je kunt twee versies van een bestemmingspagina publiceren, elk met een boodschap uit de marketingcampagne, maar met een andere knopkleur voor de belangrijkste CTA. Je doelstelling voor de A/B-test kan dan de doorklikratio (CTR) van de knop zijn.
Stap 2: Bepaal de te testen variabele
Nadat je je doelstelling hebt bepaald, is de volgende stap het identificeren van de variabele die je wilt testen. Een variabele is het verschil tussen de twee versies in je A/B-test, en ik ga iets nogal extreems zeggen over de variabele:
Als je meer dan één variabele hebt, zijn de resultaten van je A/B-test beperkt in de mate waarin ze je iets kunnen leren.
Als er meer dan één verschil tussen je twee versies bestaat, kun je nog steeds op basis van je belangrijkste metriek bepalen welke versie heeft gewonnen, maar je weet niet waarom, en dat kan lastig worden. Laten we teruggaan naar ons voorbeeld van de bestemmingspagina. Elke pagina heeft een CTA met een andere knopkleur en stel dat de marketingtekst tussen de twee versies ook verschilt. Je ziet mogelijk dat versie B een positievere invloed heeft op je KPI's, maar je weet niet of dat door de knopkleur, de andere tekst of beide komt.
Dit is vooral belangrijk omdat je misschien toekomstige iteraties wilt maken, bijvoorbeeld met je UI-kleuren of je marketingtekst. Je weet dan niet wat je moet behouden en wat niet, of hoe je strategisch je volgende A/B-test moet opstellen. De regel is dus: één A/B-test, één variabele.
Dat gezegd hebbende, bestaat er zoiets als multivariate testen. Zoals de naam al doet vermoeden, gaat het hierbij om het testen van versies van iets met meerdere variabelen. De regels en stappen voor het uitvoeren van een multivariate test zijn anders en vallen buiten het bereik van deze handleiding, maar dit is een uitstekende bron om mee te beginnen.
Stap 3: Maak je variaties
Je hebt inmiddels je doelen gedefinieerd en besloten wat de ene variabele tussen je twee versies zal zijn. Dit is het moment waarop je ontwerpers en ontwikkelaars aan de slag gaan en beide versies maken.
Wanneer je je A/B-test plant en andere belanghebbenden laat weten wanneer ze resultaten kunnen verwachten, moet je de ontwerp- en ontwikkelingsteams raadplegen over hun planning: hoe lang hebben zij nodig om de twee versies te maken die je nodig hebt?
Stap 4: Stel je test in
Ervoor zorgen dat je test goed is ingesteld, is een cruciale stap. Hier is een korte checklist met zaken waarop je moet letten en die wel of niet relevant kunnen zijn voor jouw bedrijf of organisatie.
- Heb je beide versies van je webpagina/mobiele app/functie gecontroleerd om er zeker van te zijn dat ze allebei goed werken?
- Is je data- of productteam ervan op de hoogte dat deze A/B-test zal plaatsvinden, en hebben zij tijd ingepland om de test te analyseren terwijl de gegevens binnenkomen?
- Heb je een dashboard waarop belangrijke KPI's en meetwaarden voor gebruikersgedrag kunnen worden gevolgd terwijl de A/B-test loopt? Dit is ook belangrijk om ervoor te zorgen dat een van de versies geen belangrijke meetwaarde drastisch negatief beïnvloedt. In dat geval wil je de test mogelijk uitschakelen en onderzoek doen.
Wat de uitvoering van je test betreft, kan het zijn dat je datateam al over een intern mechanisme hiervoor beschikt. Zo niet, dan zijn er veel verschillende A/B-testtools beschikbaar—van basisfunctionaliteit in Google Analytics tot complexere platforms, zoals SaaS A/B-testtools. Bespreek intern met je team welke optie het beste aan je behoeften voldoet.
Stap 5: Verzamel en analyseer je gegevens
Bespreek met je interne datateam wanneer je statistische significantie hebt bereikt—dat wil zeggen dat voldoende gebruikers aan een van je A/B-testversies zijn blootgesteld, zodat je op basis van de huidige steekproefomvang betrouwbare conclusies kunt trekken. Je wilt voorkomen dat je te vroeg een beslissing neemt omdat de gebruikersgroepen niet groot genoeg waren om conclusies uit te trekken.
Zodra zij het groene licht hebben gegeven, werk je met hen samen om de testresultaten te bekijken. Je hebt al besloten welke belangrijke meetwaarde(n) je zult gebruiken om de winnende variant te bepalen, dus dit onderdeel zou relatief snel en eenvoudig moeten zijn.
Stap 6: Implementeer de winnende versie
Nadat je je gegevens hebt geanalyseerd, is het tijd om de winnende versie van je A/B-test te implementeren. In deze fase is het belangrijk om ervoor te zorgen dat alle belanghebbenden op de hoogte zijn van de resultaten van de A/B-test en van de manier waarop je de winnende variant hebt bepaald. Als er een relevant Slack-kanaal of iets dergelijks is, is dat nog beter—je hebt zojuist een beslissing genomen over de gebruikerservaring en je wilt ervoor zorgen dat er transparantie is over wanneer, waarom en hoe.
Zodra iedereen op de hoogte is van de beslissing en het tijd is om verder te gaan, kun je je technologie- en productteam vragen om de winnende variant voor alle gebruikers te activeren—en je belangrijkste meetwaarde steeds verder te zien stijgen!
Dat gezegd hebbende, is je werk nog niet helemaal gedaan…
Stap 7: Herhaal en optimaliseer
Het klopt dat het belangrijkste werk van je A/B-test op dit punt voorbij is, maar het is belangrijk om de tijd te nemen om te begrijpen wat je hebt geleerd en na te denken over toekomstige iteraties van wat je ook hebt getest. Bedenk dat het feit dat je winnende variant op basis van je testdoelen beter was dan de andere variant, niet betekent dat er voor je volgende A/B-testronde geen nog betere iteratie mogelijk is.
Praat met iedereen die bij je A/B-test betrokken was en bespreek de variabele in je A/B-test—wat zijn jullie hypotheses over de reden waarom de winnende variant je KPI het meest positief heeft beïnvloed? Wat was er aan de verliezende variant waardoor deze in dit geval minder goed was? Zonder kwalitatief gebruikersonderzoek kun je dit niet met zekerheid weten, maar zelfs het bespreken van je hypotheses kan je helpen nadenken over je volgende iteraties en toekomstige A/B-tests om de gebruikerservaring voortdurend te optimaliseren.
Gebruik A/B-testen om in de loop der tijd kennis over je gebruikersbestand op te bouwen
Hoewel elke A/B-test is ontworpen om gegevens over één specifieke productiteratie te verzamelen en in realtime een beslissing te nemen over een specifiek vraagstuk, zul je zien dat je, zodra je de A/B-testmethodologie opneemt in je belangrijkste productprocessen, in feite veel kennis over je gebruikersbestand opbouwt die ook langdurig relevant kan blijven.
Je team kan overwegen om iets eenvoudigs als een spreadsheet of iets uitgebreids als een repository voor onderzoek en experimenten te gebruiken om je inzichten uit elke A/B-test bij te houden en van tags te voorzien, samen met andere interne inzichten over gebruikers.
Na verloop van tijd zul je waarschijnlijk patronen opmerken. Als bijvoorbeeld één specifieke kleur voor een CTA-knop of één onderwerpregel meestal de winnende variant is, zijn dat gegevens die langdurig relevant kunnen blijven, vooral wanneer ze worden ondersteund door gegevens uit meer dan één A/B-test. Een ander voorbeeld is dat je team merkt dat tekstwijzigingen doorgaans een minder substantieel effect hebben op A/B-tests die gericht zijn op de conversieratio dan wijzigingen in de gebruikersinterface.
De mogelijkheden zijn eindeloos en sterk afhankelijk van de aard van je product, maar het algemene punt is dat je A/B-testgegevens regelmatig moet beoordelen, zodat je niet alleen op het moment zelf inzichten kunt verkrijgen, maar ook in de loop der tijd kennis kunt opbouwen.
Je A/B-testtraject wordt gegarandeerd succesvol!
A/B-testen is zonder twijfel een van de krachtigste hulpmiddelen die je als professional die rechtstreeks met gebruikers werkt of als productprofessional tot je beschikking hebt om de gebruikerservaring te optimaliseren, je gebruikers waarde te bieden en je belangrijkste doelen en doelstellingen te behalen.
Hopelijk heb je inmiddels het gevoel dat je over de kennis en vaardigheden beschikt om met de A/B-testmethodologie aan de slag te gaan. Maar als je meer kennis wilt opdoen, vergeet dan niet je te abonneren op de CX Lead-nieuwsbrief voor een regelmatige dosis zorgvuldig geselecteerde artikelen die je kunnen helpen je doelen te bereiken.
Veel succes met testen!
