Für viele E-Commerce-Teams ist A/B-Testing ein fester Bestandteil der Optimierung. Man testet zwei Varianten, schaut, welche besser konvertiert, und rollt den Gewinner aus. Fertig.
In der Praxis zeigt sich jedoch häufig, dass die Wirkung eines Tests über die reine Steigerung oder Senkung einer einzelnen Kennzahl hinausgeht.
Was ist, wenn ein Test bei der Conversion „gewinnt“, während der durchschnittliche Bestellwert sinkt? Oder die Anzahl der Produkte pro Bestellung abnimmt? Ist das wirklich eine Verbesserung?
In diesem Blog zeigen wir, warum A/B-Testing erst dann wertvoll wird, wenn man über eine einzelne Kennzahl hinausblickt, und warum AOV und UPT bei der Interpretation von Testergebnissen unverzichtbar sind.
Der häufigste Fehler beim A/B-Testing ist die Optimierung auf Basis von Annahmen. Zum Beispiel: besser sichtbare Filter sorgen bestimmt für mehr Conversion. Weniger Auswahl macht den Kauf einfacher. Das klingt logisch, doch das Verhalten von Besuchern ist oft komplexer, als man denkt. Deshalb testet man.
Die zweite Falle folgt oft direkt danach: nur auf die Conversion zu schauen.
Die Conversion sagt aus, wie viele Besucher kaufen, aber nicht, wie sie kaufen. Und genau dort liegt häufig die tatsächliche Wirkung eines Tests.
Um Testergebnisse richtig zu bewerten, ist es wichtig, über die Conversion hinauszublicken. In der Praxis spielen folgende Kennzahlen eine entscheidende Rolle:
Zusammen zeigen diese Kennzahlen, was sich tatsächlich im Kaufverhalten der Besucher verändert.
Doch wie funktioniert das in der Praxis? Um das zu veranschaulichen, betrachten wir zwei A/B-Tests, die bei Studio Anneloes durchgeführt wurden. Diese Praxisbeispiele zeigen, dass A/B-Tests erst dann wirklich wertvoll werden, wenn mehrere KPIs im Zusammenhang analysiert werden.
Im ersten A/B-Test wurde ein Builder-Template ohne Personalisierung mit einer Variante verglichen, in der Personalisierung aktiv eingesetzt wurde. In der Testvariante wurde den Besuchern ein personalisiertes Produkt-Grid angezeigt, das auf ihrem bisherigen Verhalten basierte.
Die Ergebnisse waren eindeutig positiv. Nicht nur die Conversion stieg, auch der durchschnittliche Bestellwert (AOV), die Anzahl der Produkte pro Bestellung (UPT) sowie der Gesamtumsatz nahmen zu. Besucher schlossen ihre Käufe häufiger ab und legten gleichzeitig mehr Produkte in den Warenkorb.
Dieser A/B-Test zeigt, dass Personalisierung nicht nur das Kaufverhalten beeinflusst, sondern auch direkt zu einem höheren kommerziellen Wert beiträgt.
Durch die Analyse mehrerer KPIs im Zusammenhang wird sichtbar, wie die Einführung von Personalisierung eine messbare Wirkung auf das Gesamtergebnis hat.
Der zweite A/B-Test konzentrierte sich darauf, beliebte Filterwerte an festen Positionen im Builder-Template anzuzeigen. Beispielsweise wurde eine häufig gewählte Farbe direkt sichtbar gemacht.
Auch in diesem A/B-Test stieg die Conversion. Gleichzeitig zeigte sich, dass Besucher weniger scrollten und weniger verglichen. Dies führte zu einer niedrigeren UPT und letztlich zu einem geringeren Umsatz.
Dieser A/B-Test unterstreicht, dass eine höhere Conversion nicht automatisch bedeutet, dass eine Änderung auch für das Gesamtergebnis besser ist. Erst durch die Einbeziehung mehrerer KPIs wird deutlich, ob ein A/B-Test zum gewünschten Geschäftsziel beiträgt.
Ein A/B-Test ist nicht automatisch erfolgreich, nur weil die Conversion steigt.
Ein Test wird erst dann wertvoll, wenn man versteht:
Manchmal ist eine höhere Conversion bei niedrigerem AOV akzeptabel, zum Beispiel bei Einstiegsprodukten oder Lagerabbau. In anderen Fällen möchte man gezielt auf den Wert pro Bestellung oder pro Kunde steuern.
Deshalb geht es beim A/B-Testing nicht ums Gewinnen, sondern ums Verstehen.
Gutes A/B-Testing bedeutet nicht, einen Test zu gewinnen, sondern das Gesamtergebnis zu verbessern. Es ist ein kontinuierlicher Prozess aus Messen, Interpretieren und Anpassen auf Basis mehrerer KPIs.
Die Beispiele bei Studio Anneloes zeigen, dass Optimierungen erst dann wirklich wertvoll sind, wenn sie zu Umsatz, Bestellwert und Kaufverhalten im Zusammenspiel beitragen.
Wer über die Conversion hinausblickt und AOV, UPT sowie Umsatz systematisch berücksichtigt, steuert nicht auf isolierte Kennzahlen, sondern auf nachhaltiges Wachstum.
Das ist der Unterschied zwischen Testen, um zu gewinnen, und Testen, um zu wachsen.
