De geheimen van een effectieve A/B-test

Als digital marketeer ben je veel bezig met het analyseren van de interacties van je websitebezoekers voor conversieoptimalisatie. Je analyseert de journeys van bezoekers om te ontdekken op welke plek in de website je bezoekers afhaken. Daarvoor heb je kwantitatieve en kwalitatieve data ter beschikking, waarmee je na het analyseren van de digital journey al een aantal aannames kunt doen voor conversieoptimalisatie. Maar het is geen goed idee om dit direct te implementeren. Kwantitatieve data zegt weinig over de beweegredenen van bezoekers en kwalitatief onderzoek is meestal te gering om een uitspraak te doen over het online gedrag van alle websitebezoekers. De aannames die uit deze data-analyses volgen, dien je eerst goed te testen. Dit kan je heel goed doen door een A/B-test op te zetten.

Een A/B-test is een experiment met twee of meer varianten van een webpagina of een element op een pagina. Elke variant wordt op een vergelijkbare manier weergegeven aan je bezoekers, zodat de prestaties onafhankelijk van andere externe factoren geanalyseerd en beoordeeld kunnen worden.

Effectief testen

Maar hoe zet je nu een effectieve A/B-test op? Begin altijd met een hypothese, een onderzoeksvraag die dient als uitgangspunt voor het experiment. Om tot een goede hypothese te komen denk je na over het probleem, de oplossing en het verwachte resultaat.

Probleemstelling

Definieer je probleem en valideer dit met kwantitatieve en/of kwalitatieve data. Een voorbeeld van een goede probleemstelling is: Op desktop is uitval zichtbaar in de customer journey van een webshop. Uit de data blijkt dat 40% van de bezoekers niet start met de checkout vanaf zijn of haar winkelwagen. Dit is 15% hoger dan op mobiel.

Oplossing

Beschrijf de oplossing en vertel waarom dit het probleem zal oplossen. Een oplossing kan zijn: Door de call-to-action naar het checkout-formulier niet onder de artikelen in het winkelwagentje, maar direct naast de artikelen in het winkelwagentje weer te geven, verwachten we een hogere click-through-rate. Uit kwalitatief onderzoek blijkt dat bezoekers de checkout op desktop eerder op deze plek verwachten.

Resultaat

Bepaal de criteria voor succes. Wat is de verwachte impact van de verandering en aan de hand van welke metrics ga je meten of je resultaat boekt? Een voorbeeld kan zijn: door de plek van de call-to-action op desktop te veranderen, stijgt de CTR (click-through rate) naar het checkout-formulier met 10%. Daarnaast wordt een stijging in conversies van 5% verwacht.

Kijk naar de gehele customer journey, niet alleen naar de CTR van een enkele landingspagina. Het is belangrijk dat je tijdens het analyseren van je A/B-test de gehele funnel meet. Iemand kan wel vaker doorklikken naar het formulier wanneer de positie van de CTA wordt veranderd, maar converteert de bezoeker ook? Het is belangrijk dat je in je analyses de hele funnel meeneemt en de A/B-test op je einddoel beoordeelt.

Bereken je steekproefgrootte

Je hebt je hypothese bepaald. Tijd om te berekenen hoeveel respondenten je nodig hebt voor een valide onderzoek. Voor elke A/B-test dient je steekproefgrootte groot genoeg te zijn. Om dit uit te rekenen bestaan er verschillende tools. Deze tool van Optimizely berekent aan de hand van je huidige conversieratio, het minimale verschil in conversie dat je wilt bereiken, en de significantie hoe groot je testgroep dient te zijn om tot valide resultaten te komen.

Kies een tool

Een A/B-test kun je eenvoudig inregelen via speciale A/B-testing tools zoals Google Optimize, VWO of Optimizely. In deze ‘how to’ vertel ik je hoe je een A/B-test inregelt via Google Optimize, de gratis A/B-testing tool van Google.

De test

Voor je begint dient het Google Optimize-script op de website geïmplementeerd te zijn. Dit kun je via Google Tag Manager doen, maar ik raad aan om een developer te vragen het script in de broncode toe te voegen. Als je het script via Google Tag Manager implementeert, kan het laden van je experiment even duren en wordt je pagina trager. Dit wil je natuurlijk zien te voorkomen. Vraag daarom een developer om een aangepaste versie van je Analytics-code te maken en deze direct te implementeren op je website.

Dit script bouw je als volgt op:

<script>

(function(i,s,o,g,r,a,m){i[‘GoogleAnalyticsObject’]=r;i[r]=i[r]||function(){

(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),

m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)

})(window,document,‘script’,‘https://www.google-analytics.com/analytics.js’,‘ga’);

ga(‘create’, ‘UA-XXXXXXX-Y’, ‘auto’);  // vervang UA-XXXXXXX-Y door je tracking-ID

ga(‘require’, ‘GTM-XXXXXX’);  // vervang GTM-XXXXXX door het container ID van Google Optimize

</script>

Kopieer je bestaande UA-trackingcode met alle aanpassingen die je hebt gedaan. Als je Analytics-tags in Google Tag Manager aangepaste instellingen hebben, neem je deze op in de opdracht ‘create’. Voeg op de volgende regel de code van Google Optimize toe en verwijder de regel ga('send', 'pageview'); uit het script.

Is dit ingeregeld en heb je Google Analytics gekoppeld in Google Optimize? Dan kun je aan de slag!

1. Maak een experiment aan

Geef je experiment een naam. Kies een duidelijke naam, zodat je je experiment gemakkelijk kunt terugvinden. Voer de URL in van de pagina die je wilt bewerken. Vindt de A/B-test op meerdere, soortgelijke pagina’s plaats? Vul dan één van deze pagina’s in. Later kun je door middel van een reguliere expressie aangeven dat het experiment op soortgelijke pagina’s uitgevoerd dient te worden. Kies vervolgens welk type experiment je wilt maken: in dit geval een A/B-test. Bij een A/B-test doe je een experiment met de originele website en één of meerdere varianten.

2. Voeg varianten toe

Voeg naast het origineel een of meerdere varianten toe. Bewerk in elke variant dat wat je wilt testen. Wil je bijvoorbeeld testen of je meer conversies genereert als je de tekst van een CTA verandert? Bewerk dan de button in alle varianten. Je kunt dit gemakkelijk zelf aanpassen in Google Optimize. Ook het aanpassen van kleuren en het verschuiven of verwijderen van complete elementen is gemakkelijk zelf te doen.

3. Bepaal de targeting

Op welke pagina’s van je website dient het experiment te worden uitgevoerd? Krijgen alle bezoekers de test te zien of target je alleen mobiele gebruikers? In de targeting-instellingen maak je deze keuzes.

4. Bepaal je doelen

Wat is het primaire doel van het experiment? Op welke conversie-actie richt je je? En wat zijn aanvullende doelen? Ook deze doelen kun je gemakkelijk instellen in Google Optimize. In mijn test is het primaire doel het verhogen van het aantal aankopen; het secundaire doel is het genereren van klikken naar het checkout-formulier.

5. Verkeerstoewijzing

Heeft je website veel verkeer? Dan heb je de mogelijkheid om je experiment eerst onder een gedeelte van het verkeer uit te voeren, voordat je iedereen target. Heb je een website met weinig verkeer? Dan raad ik aan alle bezoekers te targeten die in aanmerking komen voor het experiment, anders doe je er lang over om genoeg data te verzamelen voor een valide resultaat. Alles ingesteld? Dan ben je klaar om je A/B-test te draaien! Start het experiment en wacht totdat je voldoende respondenten hebt voor valide onderzoeksresultaten. In de rapportage van Google Optimize wordt automatisch berekend welk experiment het beste uit de test komt.

Extra tips

Richt je bij een A/B-test niet op nieuwe features, maar op de uitval in de customer journey. Haal irritatiepunten bij de klant weg; richt je niet op iets extra’s wat aan de site wordt toegevoegd.

Blijf testen

Je A/B-test afgerond? Analyseer de digital journey van je bezoekers opnieuw en test meerdere aannames die vanuit kwalitatief en/of kwantitatief onderzoek zijn onderbouwd. Zo blijf je optimaliseren en kun je je conversie-ratio steeds verder opschroeven.

Over de auteur: Laura de Rooij is digital marketing consultant bij Hoppinger.