Definitie
A/B-testing is een methode om twee varianten van een digitaal element naast elkaar te tonen aan vergelijkbare groepen gebruikers, om vervolgens met cijfers vast te stellen welke variant beter werkt. Een deel van de bezoekers ziet variant A (vaak het origineel), een ander deel variant B (de wijziging). Door te meten welk percentage een gewenste actie uitvoert (kopen, klikken, aanmelden), kun je objectief de winnaar bepalen.
De methode is wetenschappelijk eenvoudig (een gecontroleerd experiment) en technisch goed ondersteund door tools als Google Optimize (uitgefaseerd), VWO, Optimizely en de ingebouwde experimenten in moderne CMS- en e-commerceplatforms. De waarde zit niet in de tool, maar in de discipline: keuzes maken op data in plaats van op smaak of meningen.
Waarom het ertoe doet voor MKB
Voor MKB-bedrijven met een webshop, een leadgeneratie-website of een SaaS-product, kan A/B-testing het verschil maken tussen wel en niet groeien zonder extra marketingbudget. Een conversie-verhoging van 8% naar 9,5% klinkt klein, maar bij dezelfde marketinguitgaven betekent dat 19% meer klanten zonder dat er iets aan het verkeer hoeft te veranderen. Voor de meeste websites zit er flink wat ruimte in tussen “wat het nu doet” en “wat het kan doen”.
De drempel is bovendien lager dan ondernemers vaak denken. Eenvoudige tests (knop-tekst, kopregel, afbeelding) leveren regelmatig al meetbare effecten op. Het echte werk zit in het bedenken van zinvolle hypotheses (“waarom denken we dat dit beter werkt”) en geduld om de test te laten lopen tot er statistisch genoeg data is.
Concreet voorbeeld
Een webshop in tuinmeubelen met 45.000 maandelijkse bezoekers heeft op de productpagina een knop “Bestel nu”. De marketingverantwoordelijke vermoedt dat de zin “Reserveer en betaal pas bij levering” meer vertrouwen wekt bij hoogprijzige producten. De helft van de bezoekers ziet de oude knop, de helft de nieuwe.
Na drie weken (ruim 30.000 bezoekers per variant) blijkt de nieuwe knop een conversie-stijging van 5,1% naar 6,3% op te leveren, statistisch significant. Vertaald: ongeveer €18.000 extra omzet per maand bij gelijkblijvend bezoek. Kosten van de test: €0 voor het idee, een halve dag werk in het experimentenplatform. Het bedrijf draait daarna structureel A/B-tests op alle nieuwe varianten van belangrijke pagina’s.
Misverstanden en valkuilen
- “Na twee dagen weet je al wat het beste werkt.” Een test heeft genoeg bezoekers per variant nodig voor statistische zekerheid. Bij weinig verkeer kan dat weken duren. Te vroeg stoppen leidt tot conclusies die later niet blijken te kloppen.
- “We testen tien dingen tegelijk.” Wanneer je in een testvariant drie dingen tegelijk verandert, weet je niet welke verandering het verschil maakt. Beter een ding per keer, of een multivariate test waarbij je vooraf de combinaties bedenkt.
- “De winnaar van de test is altijd de winnaar.” Wat op een rustige periode goed werkt, doet het soms slechter in de drukke periode. Belangrijke tests verdienen een herhaling in een andere periode voordat ze de norm worden.
- “A/B-testing is voor grote sites.” Voor sites met onder de 1.000 conversies per maand duurt het lang voor je statistisch betrouwbare uitkomsten hebt. Maar de denkwijze (hypothese, meten, beslissen op data) is voor elk bedrijf bruikbaar, ook zonder grote tooling.
Wanneer moet je hiervan wakker liggen, wanneer niet
Wakker liggen: als jouw bedrijf substantieel afhankelijk is van online conversie (webshop, leadformulieren, signups) en beslissingen over de site worden genomen op smaak en buikgevoel. Concurrenten die wel testen, krijgen na verloop van tijd meetbaar betere resultaten uit hetzelfde marketingbudget. Zonder testen wordt de achterstand cumulatief.
Niet wakker liggen: als jouw website meer een visitekaartje is dan een conversie-machine, of als verkeer te laag is voor statistisch betrouwbare uitkomsten. Investeer dan eerst in meer relevant bezoek voordat je tijd steekt in micro-optimalisaties van conversie.
Gerelateerde termen
- CMS: veel modernere CMS-systemen hebben A/B-functionaliteit ingebouwd.
- Frontend: waar de varianten in een A/B-test worden getoond.
- API: hoe testtools varianten en metingen koppelen aan andere systemen.
- SaaS: bij SaaS-producten draait A/B-testing vaak op productpagina’s en in-app flows.
- Machine learning: bij grote testvolumes kan ML automatisch de winnaar herkennen en uitserveren.
- MVP: A/B-tests passen goed bij een MVP-aanpak om aannames stap voor stap te valideren.