Sorry, er is geen overeenkomst gevonden voor uw zoekopdracht

We raden u aan het volgende te proberen om te vinden wat u zoekt:

  • Controleer de spelling van het trefwoord in uw zoekopdracht.
  • Gebruik synoniemen voor het trefwoord dat u hebt getypt. Probeer bijvoorbeeld “applicatie” in plaats van “software”.
  • Start een nieuwe zoekopdracht.
Cloudaccount Aanmelden bij de cloud
Oracle-account

Wat zijn A/B-tests?

Definitie A/B-test

Bij een A/B-test – ook wel 'split test' of 'bucket test' genoemd – worden de prestaties van twee versies van content met elkaar vergeleken om te zien welke versie bezoekers/kijkers meer aanspreekt. Hierbij wordt een controleversie (A) vergeleken met een variant (B) om te meten welke versie het meest succesvol is op basis van uw belangrijkste meetcriteria. Als digitale marketeer die B2B-marketing of B2C-marketing uitvoert, hebt u de volgende opties voor het uitvoeren van A/B-tests:

  • A/B-tests van websites (tekst, afbeeldingen, kleuropmaak, calls to action), waarbij verkeer wordt gesplitst tussen twee versies:A en B. U monitort bezoekersacties om te identificeren welke versie het hoogste aantal 1) conversies of 2) bezoekers oplevert die de gewenste actie hebben uitgevoerd.
  • A/B-tests van e-mailmarketing (onderwerpregel, afbeeldingen, calls-to-action), waarbij ontvangers in twee segmenten worden verdeeld om te bepalen bij welke versie het percentage geopende e-mails hoger is.
  • Door editors of door een algoritme geselecteerde content op basis van gebruikersgedrag om te zien welke content tot meer betrokkenheid leidt.

Ongeacht de invalshoek helpen A/B-tests u te bepalen hoe u de beste klantervaring (CX) kunt bieden.

Naast A/B-tests zijn er ook A/B/N-tests, waarbij de 'N' staat voor 'onbekend'. Een A/B/N-test heeft meer dan twee variaties.

Wanneer en waarom moet u A/B-tests uitvoeren?

A/B-tests leveren de meeste voordelen op als ze continu worden uitgevoerd. Een regelmatige stroom van tests kan een reeks aanbevelingen opleveren over hoe de prestaties kunnen worden verbeterd. Continu testen is mogelijk omdat de beschikbare opties voor testen vrijwel onbeperkt zijn.

Zoals hierboven is opgemerkt, kunnen A/B-tests worden gebruikt om zowat alle middelen voor digitale marketing te evalueren, zoals:

  • E-mails
  • Nieuwsbrieven
  • Advertenties
  • Tekstberichten
  • Websitepagina's
  • Onderdelen van webpagina's
  • Mobiele apps

A/B-tests spelen een belangrijke rol in campagnebeheer omdat ze helpen bepalen wat er wel en niet werkt. A/B-tests laten zien waar uw doelgroep in geïnteresseerd is en op reageert. Met behulp van A/B-tests kunt u zien welk element van uw marketingstrategie de grootste impact heeft, waar verbeteringen nodig zijn en welke elementen helemaal geschrapt moeten worden.

Nu we hebben besproken waarom u A/B-tests zou moeten uitvoeren, gaan we twee criteria bekijken die aangeven wanneer u zou moeten testen.

  • U hebt een digitale marketingcampagne of een element dat niet optimaal presteert en (daardoor) niet aan de verwachtingen voldoet. Met behulp van A/B-tests kunt u het prestatieprobleem isoleren en de prestaties verbeteren.
  • U staat op het punt iets nieuws te lanceren (webpagina, e-mailcampagne) en u weet niet zeker welke aanpak (zoals berichtgeving) de beste resultaten oplevert. Door proactief gebruik te maken van A/B-tests kunt u de prestaties van twee verschillende methoden vergelijken en tegen elkaar afzetten en zo vaststellen wat de beste methode is.

Voordelen van het uitvoeren van A/B-tests op uw website

A/B-tests van websites zijn een geweldige manier om kwantitatief te bepalen welke tactieken het beste werken voor de bezoekers van uw website. Het kan zijn dat u simpelweg een voorgevoel bevestigt, maar het kan ook zijn dat uw voorgevoel onjuist blijkt te zijn. Toch biedt dit ook een voordeel, omdat u niet blijft vasthouden aan iets dat niet werkt. U zult meer bezoekers aantrekken die meer tijd op uw site doorbrengen en op meer koppelingen klikken.

Door veelgebruikte onderdelen/secties van uw website te testen, kunt u beslissingen nemen die niet alleen de testpagina, maar ook andere, vergelijkbare pagina's verbeteren.

Hoe voert u een A/B-test uit?

A/B-tests zijn niet moeilijk, maar marketeers moeten wel een duidelijk gedefinieerd proces volgen. Hieronder vindt u de negen basisstappen:

Essentiële stappen voor het plannen en uitvoeren van een A/B-test

  • 1. Meet en beoordeel de uitgangswaarde van de prestaties.
  • 2. Bepaal het testdoel aan de hand van de uitgangswaarde van de prestaties.
  • 3. Ontwikkel een hypothese over de manier waarop uw test de prestaties zal verbeteren.
  • 4. Stel testdoelen of -locaties vast.
  • 5. Maak een A- en B-versie die u wilt testen.
  • 6. Gebruik een QA-tool om de instelling te valideren.
  • 7. Voer de test uit.
  • 8. Houd de resultaten bij en evalueer deze met behulp van web- en testanalyses.
  • 9. Pas het geleerde toe in de praktijk om de klantervaring te verbeteren.

Door bovenstaande stappen te volgen – met duidelijke doelstellingen en een solide hypothese – voorkomt u veelgemaakte fouten bij A/B-tests.

Tests leveren data en empirisch bewijs om u te helpen de prestaties te verfijnen en te verbeteren. Door gebruik te maken van wat u van A/B-tests hebt geleerd, kunt u een grotere impact maken door een aantrekkelijkere klantervaring te ontwerpen, overtuigendere teksten te schrijven en beelden te maken die kijkers nog meer fascineren. Als u voortdurend blijft optimaliseren, worden uw marketingstrategieën nog effectiever, neemt u ROI toe en genereert u meer omzet.

Voorbeelden van A/B-tests

Een lijst met elementen van digitale marketing die kunnen worden getest, omvat een of meer van de onderstaande items:

  • Navigatiekoppelingen
  • Calls-to-action (CTA's)
  • Ontwerp/lay-out
  • Tekst
  • Contentaanbod
  • Koptekst
  • Onderwerpregel e-mail
  • Alternatief e-mailadres afzender
  • Afbeeldingen
  • Knoppen voor sociale media (of andere knoppen)
  • Logo's en taglines/slogans

Uw bedrijfsdoelstellingen, prestatiedoelstellingen en uitgangswaarden, en de huidige combinatie van marketingcampagnes helpen u te bepalen wat u het beste kunt gaan testen.

De rol van analyses bij het A/B-testen van websites

Gedurende de hele levenscyclus van een A/B-test staan analyses centraal bij aanbevelingen voor de planning, uitvoering en prestaties.

Voor het ontwikkelen van een testhypothese is een sterke analytische basis nodig. U moet inzicht hebben in de huidige prestaties en verkeersniveaus. Op het gebied van webanalyse (bijvoorbeeld) zijn er enkele belangrijke datapunten die tijdens het planningsproces door uw analysesysteem worden aangeleverd, waaronder:

  • Verkeer (paginaweergaven, unieke bezoekers) naar de pagina, onderdelen of andere elementen die worden beoordeeld voor testscenario's
  • Betrokkenheid (bestede tijd, pagina's per bezoek, bouncepercentage)
  • Conversies (klikken, registraties, uitval)
  • Prestaties over een langere periode

Zonder deze analytische basis zal elk testscenario en elke prestatiebeoordeling waarschijnlijk zijn gebaseerd op persoonlijke voorkeuren of indrukken. Tests tonen vaak aan dat deze aannames onjuist zijn.

Zodra een A/B-test is gestart, spelen analyses ook een centrale rol. Met behulp van een dashboard worden de prestatiedata in realtime gemonitord, wordt gecontroleerd of de test naar verwachting verloopt en wordt gereageerd op eventuele afwijkingen of onverwachte resultaten. Dit kan inhouden dat de test wordt stopgezet, dat er aanpassingen worden gedaan en dat de test opnieuw wordt opgestart, maar ook dat in de prestatiedata de veranderingen worden weerspiegeld, evenals de timing van die veranderingen. Het prestatiedashboard helpt te bepalen hoe lang u de test moet laten doorgaan en om ervoor te zorgen dat de statistische significantie wordt gehaald.

Nadat de test is afgelopen, vormen de analyses de basis voor het bepalen van de volgende stappen. Aan de hand daarvan kan bijvoorbeeld worden besloten of de winnaar van de test de standaardpresentatie wordt op de geteste websitepagina en of dit de standaard blijft. Marketeers zouden een herbruikbaar analysesjabloon moeten ontwikkelen om testresultaten weer te geven en dit sjabloon zo aanpassen dat het de specifieke elementen van een bepaalde test weerspiegelt.

Meer informatie over A/B-tests voor e-mails

A/B-testresultaten interpreteren

Het is belangrijk om bij het plannen van een test doelen te stellen, zodat u de resultaten kunt evalueren, een winnaar kunt aanwijzen en uw marketingcampagne en/of website kunt bijwerken met het winnende resultaat. In veel situaties is een publiek vooraf gesegmenteerd met een groep die de uiteindelijke versie van een bericht zal ontvangen.

De testresultaten geven aan waarom het ene element succesvoller is dan het andere. Dit gebeurt op basis van wat u hebt gemeten, zoals:

  • Aantal bezoekers
  • Percentage geopende e-mails
  • Doorklikpercentages
  • Inschrijvingen (voor nieuwsbrieven, enz.)
  • Abonnementen

Tijdens de test worden de twee elementen gemonitord totdat een statistisch significante meting is bereikt.

Conversiepercentages kunnen ook worden gemeten op basis van inkomsten. U kunt hierbij denken aan de verkoopcijfers en de impact van een wijziging op de daadwerkelijke verkoopopbrengsten. Conversiepercentages kunnen voor elke meetbare actie worden vastgesteld en zijn niet beperkt tot e-commerce-websites en -verkopen. Conversiepercentages omvatten onder andere:

  • Verkoop
  • Gegenereerde leads/verstuurde leadregistraties
  • Inschrijvingen voor nieuwsbrieven
  • Aantal klikken op banneradvertenties
  • Op de website bestede tijd

Op welke statistieken moet u letten met betrekking tot A/B-tests?

Het antwoord op die vraag is afhankelijk van uw hypothese en uw doelen. Richt u echter voornamelijk op statistieken die aangeven hoe betrokken uw doelgroep is bij uw marketingcontent.

Als u een webpagina test, kijk dan naar het aantal unieke bezoekers, terugkerende bezoekers, de bestede tijd op de pagina en het bounce- en uitstappercentage. Bij e-mailmarketing wilt u weten wie de e-mail opent en doorklikt naar uw CTA's.

Wat zijn multivariatietests? Waarin verschillen deze van A/B-tests?

Multivariatietests worden vaak besproken in combinatie met A/B-tests, dus het is belangrijk om te begrijpen wat multivariatietests zijn en waarin deze tests verschillen van A/B-tests. De twee disciplines zijn onderling verwant, maar er zijn duidelijke verschillen.

Bij multivariatietests wordt verschillende content voor meerdere elementen getest (in tegenstelling tot A/B-tests, waar één element wordt getest) op een of meer websitepagina's of e-mailmarketingcampagnes om de combinatie te vinden die het hoogste conversiepercentage oplevert.

Bij multivariatietests wordt een statistisch model toegepast om combinaties van wijzigingen te testen die resulteren in een algehele succeservaring en website-optimalisatie. Hieronder vindt u een aantal belangrijke kenmerken van multivariatietests:

1

Breed scala aan elementen

Multivariatietests worden uitgevoerd voor een reeks wijzigingen op websites of in e-mails, inclusief alle onderdelen van een aanbod, zoals afbeeldingen, tekst, kleur, lettertypen, koppelingen en CTA-knoppen, samen met content en lay-out voor portalpagina's of processen zoals het afrekenen. Het is niet ongebruikelijk dat een multivariatietest 50 of meer combinaties omvat.

2

Van hypothese naar resultaten

Multivariatietests beginnen met een hypothese over wijzigingen in de content die het conversiepercentage zouden kunnen verbeteren. Bij multivariatietests kunnen contentwijzigingen worden opgesplitst in meerdere afzonderlijke elementen om combinaties te bepalen die het hoogste conversiepercentage opleveren. Of het nu gaat om kleine of grote veranderingen in de gebruikerservaring, beide kunnen van invloed zijn op de algemene resultaten.

3

Conversiepercentages

Het conversiepercentage is de snelheid waarmee bezoekers een gewenste actie uitvoeren, zoals het klikken op een aanbod of het toevoegen van producten aan hun winkelwagen. Er worden aanvullende statistieken gebruikt om de test te evalueren, zoals de omzet per bestelling of het doorklikpercentage. Op basis van het conversiepercentage of de stijging van de door u gedefinieerde meetcriteria, kunt u in analyses zien welke combinatie van wijzigingen de beste resultaten heeft opgeleverd.

4

Voortdurende optimalisatie

Aangezien u een bedrijfsdoel kunt definiëren waarbij de test voor het bereiken van uw doel de beste ervaring voor bezoekers bepaalt, kunt u de optie overwegen waarbij de software ervaringen automatisch optimaliseert voor een test.

Kunnen A/B- en multivariatietests worden uitgevoerd op iOS- en Android-apps?

In 2020 waren mobiele apps goed voor 2,9 biljoen dollar aan e-commerce-uitgaven. Dit bedrag zal naar verwachting eind 2021 met nog eens één biljoen stijgen. En de groei gaat verder dan de detailhandel en de e-commerce. Het aandeel van mobiele apparaten in het totale online verkeer blijft veel sneller groeien dan dat van desktopcomputers, aangezien mobiele telefoons in veel landen toegankelijker zijn dan laptops. In steeds meer gevallen begint en eindigt het aankooptraject van de klant dan ook met een iOS- of Android-app. Maar gezien het kleine scherm is het percentage gebruikers dat het koopproces afbreekt op mobiele apparaten hoger (87%) dan op desktops/laptops (73%).

Het is dus belangrijker dan ooit om ervoor te zorgen dat uw mobiele ervaring is geoptimaliseerd, maar gezien de beperkingen van iOS- en Android-apps hebt u de juiste tools nodig.

Bekijk onderstaande video voor meer informatie.

Bezoekerssegmentatie en segmentclustering in multivariatietests

Een bepaalde ervaring is niet altijd voor alle bezoekers/ontvangers geschikt. Een belangrijk voordeel van multivariatietests is de mogelijkheid om bezoekerssegmenten te identificeren en te bepalen hoe ze reageren op verschillende ervaringen. U kunt bijvoorbeeld vaststellen dat nieuwe bezoekers de voorkeur geven aan een bepaalde ervaring en terugkerende bezoekers juist weer aan een andere. Dit kan betere algemene resultaten opleveren. Geavanceerdere systemen zullen automatisch bezoekerssegmentatie voorstellen om de tijd te beperken die nodig is om de testresultaten te analyseren aan de hand van honderden bezoekersattributen.

Door verschillende bezoekerssegmenten verschillende ervaringen te bieden, kunt u uw converteringspercentages aanzienlijk verhogen. Kies ze op basis van een groot aantal bezoekerskenmerken, van omgevingskenmerken tot gedragingen, en neem klantkenmerken op uit andere systemen, zoals uw CRM-systeem.

Wanneer kunt u een A/B-test of multivariatietest het beste uitvoeren? Dat is de vraag.

Een A/B-test is een geweldig hulpmiddel, maar als er meer dan twee opties moeten worden getest om de 'beste ervaring' te bepalen, zult u waarschijnlijk een multivariatietest willen doen in plaats van een A/B-test.

Tests met meer dan twee opties vergen meer tijd en vertellen niets over de interactie tussen variabelen op één afzonderlijke pagina. A/B-tests zijn echter heel inzichtelijk en kunnen een goede manier zijn om sceptici vertrouwd te maken met de concepten van website- en campagneoptimalisatie of om de meetbare impact van een ontwerpwijziging of -tweak te laten zien.

Multivariatietests zijn uiterst nuttig voor een activum (websitepagina of e-mail) waarvan meerdere elementen moeten worden vergeleken – bijvoorbeeld verschillende combinaties van afbeeldingen en pakkende titels. Maar hoe meer opties, hoe meer verkeer er nodig is. U wilt dus niet alles op een bepaalde pagina testen. Wanneer er te veel pagina-elementen veranderen, leidt dat tot een onmogelijk groot aantal combinaties. Wanneer u bijvoorbeeld een test uitvoert op 10 verschillende elementen, kan dat resulteren in meer dan 3,5 miljoen permutaties. Voor de meeste websites en e-mailcampagnes is het lastig om daar voldoende verkeer voor te vinden.