A/B-testing is voor veel e-commerce teams een vast onderdeel van optimalisatie. Je test twee varianten, kijkt welke beter converteert en rolt de winnaar uit. Klaar.
In de praktijk blijkt het effect van een test vaak breder dan alleen de stijging of daling van één metric.
Wat als een test “wint” op conversie, terwijl de gemiddelde orderwaarde daalt? Of het aantal producten per bestelling afneemt? Is dat dan echt een verbetering?
In deze blog laten we zien waarom A/B-testing pas waardevol wordt als je verder kijkt dan één metric, en waarom AOV en UPT onmisbaar zijn bij het interpreteren van testresultaten.
De meest gemaakte fout bij A/B-testing is optimaliseren op aannames. Bijvoorbeeld: meer zichtbare filters zorgen vast voor meer conversie. Minder keuzes maken kopen makkelijker. Dat klinkt logisch, maar gedrag van bezoekers is vaak complexer dan je denkt. Daarom test je.
De tweede valkuil volgt vaak direct daarna: alleen kijken naar conversie.
Conversie zegt iets over hoeveel bezoekers kopen, maar niet over hoe ze kopen. En juist daar zit vaak de echte impact van een test.
Om testresultaten goed te beoordelen, is het belangrijk om verder te kijken dan conversie alleen. In de praktijk spelen deze metrics een cruciale rol:
Samen laten deze cijfers zien wat er daadwerkelijk verandert in het koopgedrag van bezoekers.
In de eerste A/B-test werd een builder template zonder personalisatie vergeleken met een variant waarin personalisatie actief werd ingezet. Bezoekers kregen in de testvariant een gepersonaliseerde grid te zien, afgestemd op hun eerdere gedrag.
De resultaten waren duidelijk positief. Niet alleen steeg de conversie, ook de gemiddelde orderwaarde (AOV), het aantal producten per bestelling (UPT) en de totale omzet namen toe. Bezoekers rondde hun aankoop vaker af én voegden meer producten toe aan hun winkelmand.
Deze A/B-test laat zien dat personalisatie niet alleen invloed heeft op koopgedrag, maar ook direct bijdraagt aan hogere commerciële waarde.
Door meerdere KPI’s in samenhang te analyseren, wordt zichtbaar hoe het toevoegen van personalisatie een meetbaar effect heeft op het totaalresultaat.
De tweede A/B-test richtte zich op het tonen van populaire filterwaarden op vaste posities in het builder template. Denk bijvoorbeeld aan een veelgekozen kleur die direct zichtbaar wordt gemaakt.
Ook in deze A/B-test steeg de conversie. Tegelijkertijd was te zien dat bezoekers minder scrolden en minder vergeleken. Dit resulteerde in een lagere UPT en uiteindelijk een lagere omzet.
Deze A/B-test onderstreept dat een hogere conversie niet automatisch betekent dat een wijziging ook beter is voor het totaalresultaat. Juist door meerdere KPI’s mee te nemen, wordt duidelijk of een A/B-test bijdraagt aan het gewenste businessdoel.
Een A/B-test is niet automatisch succesvol als de conversie stijgt.
Een test is pas waardevol als je begrijpt:
Soms is een hogere conversie met een lagere AOV acceptabel, bijvoorbeeld bij instapproducten of voorraadreductie. In andere gevallen wil je juist sturen op waarde per bestelling of klant.
Daarom gaat A/B-testing niet over winnen, maar over begrijpen.
Goede A/B-testing draait niet om het winnen van een test, maar om het verbeteren van het totaalresultaat. Het is een continu proces van meten, duiden en bijsturen op basis van meerdere KPI’s.
De cases bij Studio Anneloes laten zien dat optimalisaties pas echt waardevol zijn wanneer ze bijdragen aan omzet, orderwaarde én koopgedrag in samenhang.
Door verder te kijken dan conversie alleen en AOV, UPT en omzet structureel mee te nemen, stuur je niet op losse metrics, maar op duurzame groei.
Dat is het verschil tussen testen om te winnen en testen om te groeien.
