Meer bestellingen met A/B testen in vier stappen

A/B testen en experimenten. Ze vormen de kern van succesvolle webshops. Hoewel ze technisch snel zijn in te zetten, ligt mislukking op de loer. Het formuleren van heldere doelen, hypothesen én kennis over de betrouwbaarheid van de uitkomsten schiet dikwijls te kort. Met verkeerde beslissingen en kostbare blunders tot gevolg.

Succes met de juiste werkwijze

Wat is het geheim van succesvolle webshops? Helaas, er is niet een formule die leidt tot succes. Er is wel een werkwijze met bewezen positieve resultaten op conversie en opbrengst. Deze is bekend als de Deming-cycle of PDCA-cyclus. Een PDCA-cyclus bestaat, vrij vertaalt, uit vier fasen:

• doelen stellen
• veranderingen doorvoeren
• effect van acties meten
• bijsturen op basis van resultaten

Doordat de cyclus steeds opnieuw start, blijven resultaten verbeteren. Na iedere cyclus is standaard verhoogd, waarna wordt gezocht naar de volgende verbetering. Zoals hieronder weergegeven.

PDCA-Cyclus korte en lange termijn. Credits afbeelding: Johannes Vietze, gebruik onder CC BY-SA 3.0 licentie

Klinkt simpel. En dat is het ook. Vooraanstaande sites en webshops halen hiermee goede resultaten. Toch maken veel ondernemers nog geen gebruik van de kansen die de PDCA-cyclus biedt. Ze beperken zich tot algemene tips voor meer nieuwsbriefabonnees of extra websitebezoekers. Dat is een begin. Echter ligt de sleutel tot succes in wat jouw specifieke klanten doen met jouw unieke uiting. Angst om klanten te verliezen of lastig te vallen met testen en experimenten houdt hen tegen. Praktisch gezien zijn er vaak twee beren op de weg:

• de technische (hoe doe ik dit?) en,
• de statistische (wat betekent dit?)

Dit artikel bevat allereerst de technische kant. Daarna volgt een korte uitleg met betrekking tot het statische deel. Met verwijzingen naar SPSSkoning.nl voor meer uitleg en verdieping. Zodat ook jij als ondernemer zelf aan de slag kunt!

Het doel van A/B testing scherp krijgen

Bij grotere online shops spelen A/B testen een belangrijke rol. Voorbeelden van uitdagingen die online marketeers oplossen met behulp van A/B testen zijn:

• de click-trough-rate van mijn banners is te laag
• de omzet in mijn webshop moet verdubbelen
• mijn nieuwsbrief wordt maar matig geopend

Met A/B testing kun je bovenstaande uitdagingen direct aanpakken en snel resultaten verbeteren. Het begint met een duidelijk doel stellen. Wat wil je bereiken met de test? Voorbeelden van doelen zijn: de openrate van de nieuwsbrief in de komende maand verhogen van 48% naar 54% of de gemiddelde duur van een sitebezoek binnen twee weken verhogen van 1 minuut en 30 seconden naar 2 minuten.

Welke veranderingen ga je testen?

Denk vervolgens na welke variabelen invloed kunnen hebben of het hoofddoel. Waar kan bijvoorbeeld de openrate van een nieuwsbrief of gedrag op een webpagina door worden beïnvloed? Mogelijke zaken die invloed hebben op het hoofddoel kunnen zijn:

• de doelgroep die de nieuwsbrief ontvangt of de webpagina bezoekt
• het moment van verzending nieuwsbrief of bezoek aan de webpagina
• de inhoud van de nieuwsbrief of webpagina. Is het effect anders bij aanbiedingen?

Dit zijn aannames (ook wel hypothesen genoemd). Je spreekt de verwachting uit dat als je (bijvoorbeeld) het verzendmoment van vrijdag naar woensdag verplaatst de nieuwsbrief vaker geopend wordt. Je test de aanname door een deel van de nieuwsbrieven op vrijdag (A) en een ander deel op woensdag (B) te versturen. Vandaar de naam A/B test.

Test of aanpassingen geschikt of ongeschikt zijn voor behalen van doelen

Aandachtspunten bij A/B testing

Bovenstaande klinkt wederom simpel. Toch zijn er wel een aantal aandachtspunten. Het is belangrijk dat als je begint met A/B testing dat je maar aan één knop gelijk gaat draaien. Pas aan het einde van het experiment draai je eventueel aan een andere knop. Want als je aan meerdere knoppen tegelijk gaat draaien, weet je niet meer welke verandering nu voor het effect heeft gezorgd.

Het kan dus zijn dat je meer aannames hebt. Zet ze in volgorde van waarschijnlijkheid en begin met degene waar je de meeste winst verwacht. Nu je weet wat je doel is (hogere open rate), bij wie (de hele doelgroep) en aan welke knop je gaat draaien (verzendmoment) ben je bijna klaar voor je experiment. Je moet nu de groep aan wie je de nieuwsbrief gaat verzenden nog in twee groepen splitsen. De controle groep (alles blijft bij het oude) en de experimentele groep (ander verzendmoment). Bij grote aantallen waarnemingen is het wel mogelijk met statistische technieken meer tegelijk te testen. Dat voert hier echter te ver. Lees verder over meerdere veranderingen tegelijk A/B testen.

A/B testen in de praktijk is simpel

Het technische aspect is voor ondernemers een reden om niet aan A/B testing te beginnen. Onterecht! Wie nieuwsbrieven verstuurt via bijvoorbeeld Mailchimp of Mailerlite kan gratis gebruik maken uitgebreide mogelijkheden om te A/B-testen op onderwerpregel, verzendmoment en inhoud van de nieuwsbrief. Dit kan stapsgewijs worden ingesteld. Technische kennis is niet vereist. Het programma zorgt zelf dat een deel van ontvangers variant A, en een ander deel variant B ontvangt. Een experiment is zo gestart.

Ook voor het testen van websites zijn tools beschikbaar die het eenvoudig maken. Betaald en gratis. Wie wil starten kan bijvoorbeeld gebruik maken van Google Optimize. Als je duidelijk hebt wat je wilt testen en in welke volgorde, dan is dat technisch relatief makkelijk in te stellen. Bij voldoende verkeer is het overigens mogelijk meerdere veranderingen tegelijk te testen.

Techniek klopt, nu de betrouwbaarheid nog

Met bovenstaande stappen en tools is een A/B test die bruikbare gegevens levert voor het verbeteren van doelen snel op te zetten. Daarmee is succes helaas nog niet gegarandeerd. Sterker nog: een grote mislukking ligt nu op de loer. Bij het doen van experimenteren hoort ook de basiskennis om een toets te interpreteren. Ofwel statistische kennis. En dat is waar het vaak mis gaat. Op SPSSkoning.nl vond ik een goed stappenplan voor het opzetten van een betrouwbare  A/B test met behulp van SPSS. De eerder genoemde e-mail en website tools bieden slechts beperkt inzicht in de betrouwbaarheid van de uitkomsten.

Significant genoeg voor deze beslissing?

Een belangrijk begrip om missers te voorkomen is significantie. Dit draait om het beantwoorden van de volgende vraag: Is een gevonden verschil in bijvoorbeeld open rate ook daadwerkelijk een verschil en is deze niet ontstaan door toeval? In je experiment probeer je toeval zoveel mogelijk uit te sluiten. De grens van betrouwbaarheid bepaal je zelf. In de praktijk is 95% (samen met 99% en 90%) gangbaar. Wat betekent een betrouwbaarheid van 95%? Een betrouwbaarheid van 95% betekent dat als je het experiment 100 keer herhaalt, er 95 keer dezelfde uitkomst uit komt. 5 keer heb je dan een uitkomst die niet klopt met de werkelijkheid. Ofwel: een lage betrouwbaarheid kan veel geld kosten. Lees daarom op SPSSkoning.nl de uitleg en het stappenplan over de juiste opzet van de toets en betrouwbaarheid.

Mis de extra tips voor meer bestellingen niet

Over de auteur

Nick Nijhuis vergroot als marketingcoach de opbrengsten uit online marketing. Daarnaast is hij hogeschooldocent en projectleider op het gebied van digital marketing.