Gemeinsam mit unserem Partner konversionsKRAFT und unserem Kunden Christ präsentieren wir in diesem Webinar die neuesten Entwicklungen zur Emotional Segmentation, gehostet von unserem Partner konversionsKRAFT. Christ teilt dabei einen spannenden und erfolgreichen Use Case zur emotionalen Segmentierung und welche Ergebnisse erzielt werden konnten.

Das erwartet dich im Detail:

• ​​​​​​EmotionsAI 2025: Aktueller Stand, Entwicklungen und Erfahrungen
• Learnings aus der Zusammenarbeit mit Christ
• Praktische Tipps für deine Segmentierungsstrategie im Marketing

Der Beitrag Emotional Segmentation: How AI can understand emotional needs (EN) erschien zuerst auf abtasty.

Für Chad Sanderson, Head of Product – Data Platform bei Convoy, sind die Rolle von Daten und Experimenten untrennbar miteinander verbunden.

Bei Convoy leitet er das End-to-End-Team für die Datenplattform, das u. a. die Bereiche Data Engineering, Machine Learning, Experimentation und die Data Pipeline umfasst – sowie zahlreiche weitere Teams, die alle dazu beitragen, dass Tausende von Transportunternehmen ihre Fracht effizienter verschicken können. Diese Rolle verschafft ihm einen umfassenden Überblick über den gesamten Prozess, von der Ideenfindung über die Entwicklung bis hin zur Umsetzung.

Dadurch hat Chad eine Perspektive, die den meisten Praktikern verwehrt bleibt: den End-to-End-Prozess der Experimentation – von der Hypothese über die Definition von Daten, die Analyse und das Reporting bis hin zu den Finanzkennzahlen am Jahresende. Im Gespräch mit Marylin Montoya, VP Marketing bei AB Tasty, teilte er daher einige seiner Erkenntnisse über die Disziplin der Experimentation und die Herausforderungen bei der Identifikation vertrauenswürdiger Kennzahlen.

Einführung von Experimentation als Disziplin

Experimente, trotz all ihrer Anerkennung, sind noch immer ein relativ neues Feld. Es ist schwierig, umfangreiche Sammlungen von Fachliteratur oder einen akademischen Ansatz zu finden (auch wenn Ronny Kohavi einige Gedanken zu diesem Thema niedergeschrieben hat). Außerdem wird Experimentation nicht als eigenständige Disziplin der Datenwissenschaft angesehen, insbesondere im Vergleich zu Bereichen wie Machine Learning oder Data Warehousing.

Auch wenn es hier und da einige Tipps in Blogs gibt, fehlt es häufig an fundiertem technischem Wissen und bewährten Praktiken, um eine Plattform aufzubauen, eine Metrikbibliothek zu erstellen und die richtigen Kennzahlen systematisch auszuwählen.

Chad beschreibt die Zugänglichkeit von Experimenten als zweischneidiges Schwert. Viele Unternehmen wenden nicht die gleiche Strenge an wie in anderen Bereichen der Datenwissenschaft, weil es leicht ist, mit einem Marketingansatz zu starten. Doch mit dem Wachstum des Unternehmens steigen auch die Reife und die Komplexität der Experimente. Genau dann ist die Fachliteratur zu Plattformentwicklung und Skalierung jedoch spärlich, was dazu führt, dass das Feld unterschätzt wird und es schwierig ist, die richtigen Profile zu rekrutieren.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Wann kleinskalige Experimente die beste Wahl sind

Wenn du ein Unternehmen in gigantischem Maßstab bist – wie Microsoft oder Google mit unterschiedlichen Geschäftseinheiten, Datenquellen, Technologien und Abläufen – ist die Einführung neuer Features oder Änderungen ein extrem riskantes Unterfangen. Jeder Fehler könnte Millionen von Nutzern betreffen. Stell dir vor, ein Bug würde versehentlich in Microsoft Word oder PowerPoint eingeführt werden: Die Auswirkungen auf das Geschäftsergebnis wären verheerend.

Der beste Ansatz für solche Unternehmen ist ein vorsichtiger, kleinskaliger Experimentierprozess. Das Ziel besteht darin, schnelle Maßnahmen zu ergreifen, Probleme in Echtzeit zu erkennen und sie umgehend rückgängig zu machen.

Andererseits sieht der Ansatz völlig anders aus, wenn du ein Startup in einer Phase des Hyperwachstums bist. Diese kleineren Unternehmen müssen ihren Investoren in der Regel zweistellige Wachstumsraten mit jeder neuen Funktion vorweisen. Das bedeutet, dass ihre Maßnahmen darauf abzielen, die positive Wirkung der Funktion und die Nachhaltigkeit ihres Erfolgs zu beweisen.

Mach Kennzahlen zu deinen vertrauenswürdigen Verbündeten

Jedes Unternehmen hat sehr unterschiedliche Kennzahlen, je nachdem, was es erreichen möchte. Es ist entscheidend, genau zu definieren, was du willst, bevor du mit dem Experimentieren beginnst und dein Programm aufbaust.

Eine wichtige Frage, die du dir stellen solltest, ist: Was ist den Entscheidungsträgern wichtig? Was möchte die Führungsebene erreichen? Dies ist der Schlüssel, um die richtigen Kennzahlen zu definieren, die dein Unternehmen tatsächlich in die gewünschte Richtung bewegen. Chad empfiehlt, dies zu tun, indem du zwischen Frontend- und Backend-Kennzahlen unterscheidest: Erstere sind leicht verfügbar, letztere eher weniger. Client-seitige Kennzahlen, die er als Frontend-Kennzahlen bezeichnet, messen beispielsweise den Umsatz pro Transaktion. Alle Kennzahlen führen letztlich zum Umsatz, was an sich nicht unbedingt schlecht ist. Allerdings bedeutet das, dass alle Entscheidungen auf Umsatzwachstum basieren und weniger darauf, die Skalierbarkeit oder den tatsächlichen Erfolg einer Funktion zu beweisen.

Chad rät, mit den bestehenden Messproblemen zu beginnen, daraus eine Experimentierkultur aufzubauen, das System zu entwickeln und schließlich eine Plattform auszuwählen.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Was kannst du noch aus unserem Gespräch mit Chad Sanderson lernen?

• Unterschiedliche Anforderungen an Experimente in Engineering und Marketing
• Aufbau einer Experimentierkultur von oben nach unten
• Die Nachteile bei der Skalierung von MVPs
• Warum Marketer die Vorreiter der Experimentation sind

Über Chad Sanderson

Chad Sanderson ist Experte für digitale Experimente und Analysen im großen Maßstab. Er ist Produktmanager, Autor und Redner, der Vorträge zu Themen wie fortgeschrittene Experimentanalyse, die Statistik digitaler Experimente, kleinskalige Experimente für kleine Unternehmen und mehr gehalten hat. Zuvor war er als Senior Program Manager für Microsofts KI-Plattform tätig. Davor arbeitete Chad im Experimentation-Team von Subway als Personalisierungsmanager.

Über den 1,000 Experiments Club

Der 1,000 Experiments Club ist ein von AB Tasty produzierter Podcast, der von Marylin Montoya, VP of Marketing bei AB Tasty, moderiert wird. Begleite Marylin und das Marketing-Team, wenn sie sich mit den erfahrensten Experten in der Welt des Experimentierens zusammensetzen, um Erkenntnisse darüber zu sammeln, was nötig ist, um erfolgreiche Experimente zu entwickeln und durchzuführen.

Kennst du diese Folge schon?

Wenn nicht, wirf doch gerne direkt einen Blick in unseren letzten Artikel zur Podcast-Episode mit Ronny Kohavi, mit dem wir darüber gesprochen haben, warum Scheitern eigentlich eine gute Sache ist.

Der Beitrag 1,000 Experiments Club: Ein Gespräch mit Chad Sanderson von Convoy erschien zuerst auf abtasty.

Deshalb freue ich mich, ein Update zu unserer Leistung zu geben und zu zeigen, wie hart wir daran gearbeitet haben, die Besten zu sein. Wir bieten jetzt Ladezeiten, die bis zu 4-mal schneller sind als andere Lösungen auf dem Markt.

In einer Welt, in der jede Sekunde zählt, führen langsam ladende Seiten schnell zu Umsatzeinbußen. Bei AB Tasty wissen wir, dass Geschwindigkeit nicht nur eine Frage des Komforts ist, sondern entscheidend für ein reibungsloses, verlässliches Erlebnis, das heutige Verbraucher erwarten.

Deshalb sind wir stolz darauf, von ThirdPartyWeb.today als eine der Plattformen mit den geringsten Auswirkungen auf die Web-Performance unter den führenden Experimentation- und Personalisierungsplattformen anerkannt zu werden. Diese Auszeichnung bestätigt unser Engagement für Geschwindigkeit, Skalierbarkeit und Kundenzufriedenheit.

Aber was bedeutet das eigentlich für Marken, die AB Tasty nutzen?

Werfen wir einen Blick darauf, wie die Priorisierung der Performance deine SERP-Rankings, die Customer Experience (CX) und die Effektivität deiner Kampagnen insgesamt verbessern kann.

Warum Web-Performance deine Ergebnisse beeinflusst

Stell dir vor, du klickst auf eine Seite, die ewig lädt. Wahrscheinlich wärst du schneller wieder weg, als du „Conversion Rate“ sagen kannst. Und du wärst nicht allein: Langsame Ladezeiten führen oft zu höheren Absprungraten, verpassten Chancen und letztlich frustrierten Besuchern.

Gute Performance bedeutet eine reibungslose Customer Journey, was zu besserem Engagement und höheren Conversion Rates führt.

ThirdPartyWeb.today: Der Performance-Benchmark

ThirdPartyWeb.today ist eine unabhängige Plattform zur Visualisierung von Performance-Daten, die den Einfluss verschiedener Tools auf die Seitenladezeit analysiert. Sie stuft Tools nach ihrem Performance-Kostenfaktor ein, basierend auf Daten von fast 4 Millionen Websites, und schafft so einen objektiven Performance Benchmark. Für Marken, die eine nahtlose Benutzererfahrung ohne Geschwindigkeitseinbußen bieten wollen, ist ThirdPartyWeb.today eine zuverlässige Quelle zur Bewertung der Performance-Auswertungen ihrer Tools.

Dass wir von ThirdPartyWeb.today als eine der performancefreundlichsten Experience-Optimierungsplattformen anerkannt wurden, zeigt, dass unsere Kunden auf eine Technologie setzen, die Geschwindigkeit in den Vordergrund stellt.

Warum ist AB Tasty so schnell?

Unsere Entwicklerteams haben hart daran gearbeitet, AB Tasty nicht nur zu einer intuitiven Plattform für Experimentation und Personalisierung zu machen, sondern auch eine, die hohe Performance in den Vordergrund stellt. Hier ein kurzer Überblick über die Innovationen, die AB Tasty so schnell und zuverlässig machen:

1. Modulare Architektur mit innovativem Dynamic Importing und Smart-Caching-Technologie

Unsere Plattform basiert auf einer modularen Architektur, bei der nur der essentielle Code für jede Kampagne geladen wird. So bleiben die Dateigrößen schlank, was Ladezeit und Ressourcenverbrauch reduziert. Unsere firmeneigene Smart-Caching-Technologie stellt sicher, dass Besucher nur die Daten laden, die sie noch nicht abgerufen haben. Durch die Minimierung redundanter Datenabrufe verkürzen wir die Ladezeiten auf allen Geräten erheblich. Zusätzlich bieten wir weltweite API-Endpunkte und verfügen über eine globale CDN-Präsenz mit mehreren Edge-Standorten und regionalen Edge-Caches, die schnelle Antwortzeiten gewährleisten – egal, wo du und deine Website-Besucher sich befinden.

2. Performance Center

Das spezielle Performance Center von AB Tasty ermöglicht es dir, die Performance deiner Kampagnen in Echtzeit zu überwachen. Dieses Tool bietet dir volle Transparenz darüber, was hinter den Kulissen passiert, sodass du bei Bedarf Anpassungen vornehmen kannst, um einen reibungslosen Ablauf zu gewährleisten. Es gibt Empfehlungen, um die Tag-Größe zu überwachen und zu optimieren.

Erfahre hier alles darüber.

3. Kompatibilität mit Single-Page Applications (SPA)

Die Plattform von AB Tasty ist ohne benutzerdefinierten Code SPA-kompatibel, was es Entwicklern erleichtert, AB Tasty in ihre Technologie-Umgebung zu integrieren. AB Tasty basiert auf einem nativen Vanilla-TypeScript-Framework. Unser Tag ist kompatibel mit modernen JS-Frameworks wie React, Angular, Vue, Meteor und Ember. Das Tag ist für alle Umgebungen einzigartig und erfordert keine zusätzliche Implementierung. Viele unserer Kunden sind von ihrem vorherigen Anbieter zu uns gewechselt, da es bei anderen Tools Herausforderungen mit SPA-Seiten gab. In diesen Tools sind Änderungen bei dynamischem Content oft nicht „persistent“ oder flackern. Zudem benötigen SPA-Tests in solchen Umgebungen häufig benutzerdefinierten Code für jeden Test, was das Testen komplizierter und weniger benutzerfreundlich macht.

4. Flicker-freie Erlebnisse

Das Tag von AB Tasty verwendet eine kombinierte Methode aus synchronen und asynchronen Skripten, um Flackern zu vermeiden und gleichzeitig eine optimierte Performance aufrechtzuerhalten. Andere Lösungen empfehlen „Anti-Flicker“-Snippets, um das Flackern zu verhindern – was jedoch nicht als bestes Verfahren gilt. Dabei wird der Seiteninhalt ausgeblendet, während das Tag lädt, was letztlich die Seitenanzeige verzögert. Dies verschlechtert das Benutzererlebnis, erhöht den Largest Contentful Paint (LCP)-Wert und kann letztlich zu höheren Absprungraten und geringeren Conversions führen. Im Gegensatz dazu verwendet das synchrone Tag von AB Tasty nur 3 KB render-blockierende Daten, um eine schnelle Ausführung des Tags vor dem Laden der Seite zu ermöglichen, anstatt die gesamte Seitensichtbarkeit für die volle Paketgröße zu blockieren.

Und das bedeutet…

Erste Ladezeit < 100 ms
Cache-Ladezeit < 10 ms
Ausführungszeit < 500 ms
Minimale Auswirkungen auf die Core Web Vitals von Lighthouse

Ein Dank an unsere Produkt- und Tech-Teams

Das wäre ohne das Engagement unserer Produkt- und Tech-Teams nicht möglich (danke, Team!). Wir haben es gewagt, innovativ zu sein und die Grenzen dessen, was im Bereich Web-Performance für Experimentation und Personalisierung möglich ist, neu zu definieren.

Fazit

Wenn Marken sich für AB Tasty entscheiden, wählen sie eine Plattform, die sowohl Innovation als auch Performance priorisiert. Indem wir die Auswirkungen auf die Web-Performance minimieren, helfen wir Marken, schnellere und bessere Erlebnisse zu schaffen, die Kunden begeistern und Ergebnisse liefern.

Neugierig, mehr zu erfahren? Kontaktiere uns noch heute, um herauszufinden, was uns sonst noch auszeichnet.

Der Beitrag Skriptausführungszeit: Warum AB Tasty 4x schneller liefert erschien zuerst auf abtasty.

Ende 2023 sind fast 70 % der Weltbevölkerung Smartphone-Nutzer. Und da immer mehr Menschen mehr als ein Telefon besitzen, hat die Anzahl der Abonnements mit schätzungsweise 7 Milliarden in diesem Jahr (und voraussichtlich 8 Milliarden im Jahr 2028) die Zahl der Smartphone-Besitzer überholt.

Smartphones haben die Art und Weise, wie Verbraucher mit Marken interagieren, verändert und schaffen eine nahezu unmittelbare Verbindung zwischen Inspiration und Handlung.

Der mobile Website-Traffic erreichte 2022 einen Spitzenwert von 59 %, bevor er sich 2023 auf 54 % einpendelte.

Die mobilen Conversion Rates hinken jedoch hinterher. Desktop- und Tablet-Conversions führen mit 3,1 % und 2,8 %, während Smartphones mit 2,3 % zurückliegen.

Aber warum diese Diskrepanz?

In unserem E-Book „Mobile Optimization Guide: Tipps für die UX auf Smartphones“ beleuchten wir das Verbraucherverhalten, Branchentrends und mobile Optimierungstests von AB Tasty Kunden. Entdecke, wie sich Smartphones auf die Customer Journey auswirken, und lerne Strategien zur Optimierung der Nutzererfahrung und zur Steigerung der Conversions kennen.

In diesem E-Book geht es um folgende Themen:

• Smartphones und die Customer Journey
• Die Bedeutung von Geschwindigkeit
• Die Thumb Zone
• Maximierung des verfügbaren Platzes
• Optimierung des Call-to-Action
• Optimierung von Prozessen

74 % der Gen Z geben an, dass sie beim Online-Einkauf am häufigsten zu mobilen Geräten greifen.

Lade noch heute dein Exemplar des „Mobile Optimization Guide“ herunter und beginne mit der Umgestaltung deiner mobilen Strategie!

Der Beitrag Mobile Optimization Guide: Tipps für die UX auf Smartphones erschien zuerst auf abtasty.

Die Idee ist, mehrere Elemente gleichzeitig auf derselben Seite zu ändern und dann herauszufinden, welche Kombination unter allen möglichen die größte Auswirkung auf die überwachten Indikatoren hat.

Multivariate Testing (MVT) hilft dabei, Zusammenhänge zwischen Variablen zu testen, was bei aufeinanderfolgenden A/B-Tests (oder A/B/C-Tests usw.) nicht der Fall ist. Im Gegensatz zum klassischen A/B-Test ermöglicht das multivariate Testen, zu verstehen, welche Kombination von Elementen am besten für deine Besucher und deren spezifische Bedürfnisse funktioniert. Klingt verlockend, oder? In diesem Leitfaden zum multivariaten Testen erfährst du alles, was du wissen musst, und kannst jede Kombination deiner Ideen ausprobieren.

Was ist ein multivariater Test?

Während eines A/B-Tests darfst du nur ein Element gleichzeitig ändern (zum Beispiel den Text eines Buttons), um die Auswirkungen messen zu können. Wenn du sowohl den Text als auch die Farbe des Buttons änderst (zum Beispiel einen blauen „Kaufen“-Button vs. einen roten „Nutze es aus“-Button) und eine Verbesserung feststellst, wie wirst du wissen, ob es die Änderung des Textes oder der Farbe war, die zur Leistung beigetragen hat? Der Effekt einer einzelnen Änderung könnte geringfügig sein oder sie könnten beide gleichwertigen Einfluss haben.

Das multivariate Testen bietet hier eine Lösung. Du kannst gleichzeitig einen Titel und ein Bild ändern. Mit multivariaten Tests testest du eine Hypothese, bei der mehrere Variablen verändert werden, und bestimmst, welche Kombination aus allen möglichen Lösungen am besten abgeschnitten hat. Wenn du 3 verschiedene Versionen von 2 spezifischen Variablen erstellst, hast du insgesamt neun Kombinationen (Anzahl der Varianten der ersten Variablen X Anzahl der Varianten der zweiten).

Weitere Artikel zu Multivariate Testing:

• Was sind multivariate Tests
• Multivariate testing (Wikipedia)

Die Geschichte des Multivariate Testing

Testmethoden wie das multivariate Testen (MVT) begannen bereits im 18. Jahrhundert. Skorbut war damals ein großes Problem. Ohne es zu wissen, führte ein Schiffsarzt der britischen Marine den allerersten multivariaten Test in der Geschichte durch, als er kranken Crewmitgliedern verschiedene Lösungen verabreichte und sie unter unterschiedlichen Bedingungen behandelte. Eine hohe Anzahl an Variablen, die er schließlich vergleichen konnte, um zu sehen, wie diese Variablen miteinander interagierten.

Dieses multivariate Testen ermöglichte es ihm, die Wirksamkeit jeder Kombination zu messen und die perfekte Behandlung für Skorbut herauszufinden: Zitrusfrüchte, frische Luft und viel Schlaf.

Welche Art von Website ist für Multivariate Testing relevant?

Multivariate Testing kann jede Website verbessern, die ein Ziel verfolgt. Denn technisch gesehen kann der Weg, ein Ziel zu erreichen, immer verbessert werden. Und das gilt auch für jede Website. Einige Seiten zielen auf die Generierung von Leads ab, E-Commerce-Seiten auf Verkäufe. Medienseiten könnten beispielsweise von multivariaten Tests profitieren, indem sie redaktionelle Funktionen verbessern, nicht die Anzahl der Transaktionen.

Die meisten Websites führen multivariate Tests wie folgt durch:

• Testen verschiedener Kombinationen von Text und Farbe eines Call-to-Action-Buttons.
• Testen, wie Text und visuelle Elemente auf einer Webseite am effektivsten zusammenarbeiten.

Welche Arten von multivariaten Tests gibt es?

Es gibt 2 Hauptmethoden zur Durchführung multivariater Tests:

• “Full Factorial”: Dies ist die Methode, die normalerweise gemeint ist, wenn wir über multivariates Testen sprechen. Bei dieser Methode werden alle möglichen Kombinationen von Variablen erstellt und auf gleichmäßige Teile des Traffics getestet. Wenn du 2 Varianten eines Elements und 3 Varianten eines anderen testest, erhält jede der 6 Kombinationen 16,66 % deines Traffics.
• “Fractional Factorial”: Wie der Name schon sagt, wird hier nur ein Bruchteil der möglichen Kombinationen tatsächlich getestet. Die Conversion Rate der ungetesteten Kombinationen wird statistisch anhand der getesteten Kombinationen abgeleitet. Diese Methode ist weniger präzise, benötigt aber weniger Traffic.

Warum Multivariate Testing durchführen?

Die drei Vorteile des MVT:

• Vermeide aufeinanderfolgende A/B-Tests und spare Zeit, da multivariates Testen als Durchführung mehrerer A/B-Tests auf derselben Seite zur gleichen Zeit betrachtet werden kann.
• Bestimme die Auswirkungen jeder Variable auf die gemessenen Ergebnisse.
• Miss die Auswirkungen der Interaktionen zwischen verschiedenen Elementen, die als unabhängig angesehen werden (zum Beispiel Seitentitel und bildliche Darstellung).

Grenzen des Multivariate Testing

Die erste Einschränkung betrifft die Anzahl der Besucher, die erforderlich ist, damit die Ergebnisse deines multivariaten Tests signifikant sind. Wenn du die Anzahl der getesteten Variablen und Versionen in deinem multivariaten Test vervielfachst, erreichst du schnell eine große Anzahl von Kombinationen. Die für jede Kombination zugewiesene Stichprobe wird proportional reduziert.

Bei einem traditionellen A/B-Test würdest du 50 % deines Traffics der Originalversion und den Rest der Variante zuweisen. Bei einem multivariaten Test weist du nur 5 %, 10 % oder 15 % deines Traffics jeder Kombination zu. In der Praxis führt dies oft zu längeren Tests und einer Unfähigkeit, die statistische Signifikanz zu erreichen, die für eine Entscheidungsfindung erforderlich ist. Dies ist besonders der Fall, wenn du Seiten testest, die tief in deiner Website liegen und wenig Traffic haben, was häufig bei Funnel-Seiten oder Landing Pages für deine Traffic-Akquisitionskampagnen der Fall ist.

Die zweite Einschränkung hängt mit der Definition des multivariaten Tests zusammen. In einigen Fällen ist es das Ergebnis einer Schwächeanerkennung: Die Nutzer wissen nicht genau, was sie testen sollen, und denken, dass sie durch das Testen mehrerer Dinge gleichzeitig in einem multivariaten Test schließlich eine Lösung finden werden, von der sie profitieren können. Oft finden wir dann kleine Änderungen, die in diesen multivariaten Tests wirken. A/B-Tests hingegen erfordern große Strenge und helfen dabei, Testhypothesen besser zu identifizieren, was in der Regel zu kreativeren Tests führt, die durch Daten gestützt werden und bessere Ergebnisse liefern.

Die dritte Einschränkung betrifft die Komplexität. Ein A/B-Test ist oft einfacher durchzuführen als ein multivariater Test, insbesondere bei der Analyse der Ergebnisse. Du musst keine komplexen Gedankengymnastiken durchführen, um zu verstehen, warum ein bestimmtes Element in einem Fall positiv mit einem anderen interagiert, in einem anderen Fall jedoch nicht. Einen einfachen und schnellen Prozess aufrechtzuerhalten hilft, Vertrauen zu bewahren und Optimierungsideen schnell zu wiederholen.

Multivariate Test-Ideen und Hypothesen

Der Schlüssel zu einem erfolgreichen MVT-Ansatz ist eine starke Hypothese für jedes getestete Element. Diese Hypothese sollte später in den verschiedenen Testmodulen und Kombinationen deines Multivariate Testing umgesetzt werden.

Um eine starke MVT-Hypothese zu erstellen, musst du:

• klar identifizieren, welche Frage du mit deinem MVT beantworten möchtest
• Aber Achtung: Eine Hypothese ist eine Aussage, keine Frage. Sie ist eine sehr klare, testbare Vorhersage darüber, was passiert, wenn bestimmte Änderungen an einer Website vorgenommen werden.
• sie eindeutig formulieren und deine Vorhersage mit einem Problem verknüpfen, das erkennbare Ursachen hat.
• eine mögliche Lösung nennen.

Weitere Artikel zur Erstellung von MVT-Testhypothesen:

• How to Find a Winning A/B Testing Hypothesis
• What type of hypothesis test for multivariate testing

Testgröße

Um eine MVT-Hypothese zu testen, benötigst du eine größere Stichprobengröße. Stell dir deinen multivariaten Test als mehrere parallele A/B-Tests vor und erhöhe entsprechend die Anzahl der getesteten Besucher.

Kurz gesagt: Ein guter multivariater Test erfordert genug Website-Traffic, um mehrere Varianten gleichzeitig zu testen. Daher sollte die erforderliche Stichprobengröße niemals dein vorhandenes Website-Traffic-Niveau überschreiten, es sei denn, du möchtest ewig auf valide Testergebnisse warten.

Was ist die ideale Dauer für meinen MVT?

Es gibt keine allgemeingültige Antwort auf diese Frage, aber um dir eine Vorstellung zu geben, hier eine einfache Berechnung: Angenommen, deine Website hat 30.000 Besucher am Tag und etwa 5 % der Besucher konvertieren, und du möchtest drei Varianten testen, dann sollte dein Test 11 Tage laufen. Wenn deine Website hingegen nur 5.000 Besucher am Tag hat und eine durchschnittliche Conversion Rate von 2 %, beträgt die erforderliche Anzahl getesteter Besucher pro Variation 78.039, was erfordert, dass dein Test 468 Tage läuft.

Wenn die durchschnittliche Besucherzahl sehr gering ist, ist ein multivariater Test möglicherweise nicht geeignet. Schau dir stattdessen A/B-Tests an! Außerdem findest du hier sechs Techniken, um mit Tests bei geringem Traffic zu beginnen.

Möchtest du wissen, wie wir diese Zahlen berechnet haben? Schau dir unseren kostenlosen Stichprobenrechner an!

Unser Stichprobenrechner hilft dir dabei, die minimale Stichprobengröße sowie die Dauer deiner Tests basierend auf deiner Zielgruppe, deinen Conversions und anderen Informationen wie dem Minimum Detectable Effect zu berechnen. So kannst du dein Vertrauen in die Ergebnisse erhöhen, bevor du Entscheidungen zur Verbesserung deiner Conversion Rate triffst.

Tipps und Best Practices für Multivariate Testing

Hier sind einige Tipps, die dir helfen, deine ersten multivariaten Tests einzurichten und häufige Fehler zu vermeiden.

1. Wähle ein starkes Testing-Tool

Multivariate Testing wird oft als sehr technisch angesehen, daher empfehlen wir ein Tool, das einfach zu bedienen ist. AB Tasty beispielsweise macht es Marketern leicht, ins multivariate Testen einzusteigen und wertvolle Kunden-Insights zu gewinnen, um die richtigen Entscheidungen zu treffen.

2. Stelle ein gutes Testing-Team zusammen

In einem starken CRO-Team sollten Aufgaben klar definiert und verteilt sein. Zum Beispiel könnte ein „Conversion Manager“ das Team leiten und für die Qualitätssicherung verantwortlich sein. Ein anderes Teammitglied könnte das Verhalten der Besucher und den Status quo analysieren. Ein Designer kümmert sich um ästhetische Änderungen auf der Website, und ein technischer Experte (JS und CSS Developer) sollte die Implementierung fortgeschrittener Tests übernehmen. Ein Data Scientist könnte am Ende die Ergebnisse auswerten. Eine Person kann auch mehrere Aufgaben übernehmen, wenn sie die nötigen Fähigkeiten und ausreichend Zeit hat.

3. Erstelle einen Plan und kläre den Zeitrahmen

Eine gute Struktur ist entscheidend. Bevor du multivariate Tests erstellst, definiere klar, welche Elemente getestet werden sollen, warum sie getestet werden und setze einen Zeitrahmen. Zu wissen, wann die MVT-Ergebnisse benötigt werden, hilft dir, effizienter zu arbeiten.

4. Setze Ziele und definiere Erfolg und Misserfolg

Setze jährliche Ziele, die jedes Jahr angepasst werden können, zum Beispiel die Anzahl der gestarteten Kampagnen. Quantitative Messungen sind einfach und präzise. Definiere klar, was einen Test erfolgreich macht. Beachte, dass auch ein fehlgeschlagener Test wertvoll ist, weil er zeigt, was nicht funktioniert und in Zukunft geändert werden muss.

5. Erstelle eine Wissensdatenbank

Halte die wichtigsten Erkenntnisse fest, speichere das Testing-Wissen in einer Datenbank und vermeide zukünftige Fehler. Einmal erworbenes Wissen sollte allen Teammitgliedern zur Verfügung stehen. Dies macht auch den Onboarding-Prozess neuer Teammitglieder effizienter.

6. Integriere alle notwendigen Dritten

Isolation am Arbeitsplatz ist ein echtes Problem. Dein CRO-Team sollte nicht isoliert arbeiten. Lass andere wissen, woran das CRO-Team arbeitet, und teile die Testergebnisse. Sei offen für neue Ideen und Input von außerhalb deines Teams!

7. Identifiziere und teste verschiedene Zielgruppensegmente

In deinen multivariaten Testkampagnen könntest du feststellen, dass wiederkehrende Besucher ein anderes Website-Design bevorzugen als neue Besucher. Innovative Tools wie AB Tasty erkennen und schlagen automatisch Besuchersegmentierungen vor.

Artikel zu Best Practices, die sich lohnen, gelesen zu werden:

• Grundlagen und Best Practices für multivariates Testing
• Multivariate Testing – Best Practices & Tools für MVT
• A/B-, Split Testing oder MVT: So wählst du die richtige Testmethode aus

Beispiele

Suchst du nach Ideen für deine eigenen multivariaten Tests? Unten findest du einige Links zu Beispielen und Inspirationen für Tests:

• AB Tasty Case Studies
• Multivariate Tests oder A/B/n-Tests
• Kissmetrics

Software für Multivariate Testing

Stelle sicher, dass du ein Tool verwendest, das tatsächlich die Probleme löst, die du angehen möchtest. Bei der Optimierung der Conversion Rates deiner Website sollte ein umfassender Optimierungsprozess mehr beinhalten als nur das Testen. Wähle daher ein Tool, das dir hilft, das Nutzerverhalten vollständig zu verstehen. Wir empfehlen AB Tasty, da es dir zahlreiche Informationsquellen bietet, die du nutzen kannst, um ein vollständiges Bild zu erhalten:

• Heatmaps
• Session Recording
• Kunden-Feedback
• Mehrere Zielkriterien und Nutzer-Segmentierung

Weitere Testmethoden

Es gibt weitaus mehr als nur Multivariate Testing. Hier ist eine Liste weiterer Testszenarien:

• A/B/n Testing: Vergleiche zwei oder mehr Varianten desselben Elements, um herauszufinden, welche am besten funktioniert.
• Split Testing: Leite den Verkehr auf verschiedene URLs um. Ideal für neue Seiten, die auf deinen Servern gehostet werden.
• Multi-Page Testing: Führe konsistente Änderungen über mehrere Seiten hinweg durch (Funnel Testing), um den gesamten Nutzerpfad zu optimieren.

Sieh dir diesen Artikel an, um zu erfahren, wie du zwischen diesen verschiedenen Testmethoden wählen kannst.

Website-Optimierung beschränkt sich nicht nur auf Tests. Du kannst fortschrittliche Zielgruppensegmentierung und Personalisierung nutzen, um maßgeschneiderte Erlebnisse an jedem Kundenkontaktpunkt und darüber hinaus zu bieten.

Der Beitrag Multivariate Testing – Alles was du über MVT wissen musst​ erschien zuerst auf abtasty.

Jede Marketingstrategie ist verbesserungsfähig, und das Erkennen versteckter Möglichkeiten ist die Voraussetzung dafür, mehr zu erreichen.

Mit Analysedaten und ein wenig Kreativität kannst du wertvolle Erkenntnisse darüber gewinnen, wie du deine Conversion Rate auf deiner Website oder den Landing Pages deiner Kampagne optimieren kannst. Um jedoch strukturierte und optimierte Daten aus deinen Annahmen zu erhalten, musst du sorgfältig testen.

Marketingfachleute haben immer wieder verschiedene Testmethoden wie A/B-Tests, Split-Tests, multivariates Testing (MVT) und Multipage-Tests eingesetzt, um die Conversion Rate zu erhöhen und die digitale Performance zu verbessern.

Experimente und Tests sind unerlässlich, da sie Meinungen und Voreingenommenheit aus dem Entscheidungsprozess ausschließen und datengestützte Entscheidungen gewährleisten.

Angesichts der vielen verschiedenen Testmöglichkeiten kann es schwierig sein, den richtigen Ausgangspunkt zu finden. In diesem Artikel gehen wir auf die Besonderheiten der verschiedenen Testformen ein, um dir die Navigation in dieser Testing-Landschaft zu erleichtern.

Was ist A/B-Testing?

A/B-Testing ist eine Methode der Website-Optimierung, bei der zwei Versionen derselben Seite miteinander verglichen werden: Variante A und Variante B. Für den Vergleich werden üblicherweise die Conversion Rate und die für dein Unternehmen wichtigen Metriken (Klicks, Seitenaufrufe, Käufe usw.) unter Verwendung von Live Traffic betrachtet.

Es ist auch möglich, einen A/B/C/D-Test durchzuführen, wenn du mehr als zwei Inhaltsvarianten testen musst. Mit der A/B/C/D-Methode kannst du drei oder mehr Varianten einer Seite auf einmal testen, anstatt nur eine Variante gegen die Kontrollversion der Seite zu testen.

Wann sind A/B-Tests sinnvoll?

A/B-Tests sind eine hervorragende Methode, um radikal unterschiedliche Ideen zur Optimierung der Conversion Rate oder kleine Änderungen auf einer Seite zu testen.

A/B-Testing ist die richtige Methode für dich, wenn du keine großen Besucherzahlen auf deiner Website hast. Warum ist das so? A/B-Tests können sehr schnell verlässliche Daten liefern, ohne dass eine große Anzahl von Besuchern erforderlich ist. Dies ist ein großartiger Ansatz zum Experimentieren, um die Testzeit zu maximieren und schnelle Ergebnisse zu erzielen.

Wenn du eine stark frequentierte Website hast, kannst du die Performance einer viel breiteren Palette von Varianten bewerten. Es ist jedoch nicht notwendig, 20 verschiedene Varianten desselben Elements zu testen, selbst wenn du genügend Besucher hast. Es ist wichtig, mit einer Strategie an das Experimentieren heranzugehen.

Möchtest du mit dem Testen beginnen? AB Tasty ist die best-in-class Plattform zur Optimierung von Erlebnissen, mit der du schnell eine reichhaltigere digitale Experience schaffen kannst. Von Experimentation bis hin zur Personalisierung kann dir diese Lösung helfen, deine Zielgruppe zu aktivieren und zu binden, um deine Conversions zu steigern.

Split Testing vs. A/B-Testing

A/B-Tests und Split-Tests entsprechen im Wesentlichen demselben Konzept.

„A/B“ bezieht sich auf zwei Varianten derselben URL, wobei die Änderungen „live“ mithilfe von JavaScript auf der Originalseite vorgenommen werden. SaaS-Tools, die dir einen visuellen Editor zur Verfügung stellen, wie AB Tasty, ermöglichen es dir, diese Änderungen schnell und ohne technische Kenntnisse zu erstellen.

Der Begriff „Split“ bezieht sich auf die Umleitung des Traffics auf die eine oder andere Variante, die jeweils unter einer eigenen URL gehostet und im Code völlig neu gestaltet wird.

A/B-Tests funktionieren auf die gleiche Weise wie Split-Tests.

Die Variantenseite kann sich in vielen Aspekten unterscheiden, je nach der von dir aufgestellten Testhypothese und deinen Branchenzielen (Layout, Design, Bilder, Überschriften, Unterüberschriften, Call-to-Actions, Angebote, Button-Farben usw.).

In jedem Fall wird die Anzahl der Conversions auf jeder Seitenvariante verglichen, sobald jede Variante genügend Besucher erhält.

Bei A/B-Tests wird die Auswirkung des Designs als Ganzes verfolgt, nicht einzelne Elemente – auch wenn viele Designelemente bei den Varianten gleichzeitig geändert werden können.

TIPP: Denk daran, dass es beim Testen vor allem darum geht, die Leistung der Varianten zu vergleichen. Es wird empfohlen, nicht zu viele Änderungen zwischen der Kontroll- und der Variationsversion der Seite gleichzeitig vorzunehmen. Du solltest die Anzahl der Änderungen begrenzen, um die Auswirkungen der Ergebnisse besser zu verstehen. Langfristig wird ein kontinuierlicher Verbesserungsprozess zu einer besseren und dauerhaften Leistung führen.

Was ist Multivariate Testing (MVT)?

Multivariate Testing (MVT) oder Multivariantentests sind in ihrem Kernmechanismus und ihrer Philosophie mit A/B-Tests identisch. Der Unterschied besteht darin, dass du mit multivariaten Tests eine größere Anzahl von Variablen und die Wechselwirkungen zwischen ihnen vergleichen kannst. Mit anderen Worten: Du kannst Änderungen an mehreren Abschnitten auf einer einzigen Seite testen und verfolgen.

Für multivariate Tests musst du einige wichtige Seitenabschnitte identifizieren und dann Varianten speziell für diese Abschnitte erstellen. Du erstellst keine Variationen für eine ganze Seite, wie du es bei A/B-Tests tust.

TIPP: Verwende Multivariate Testing (MVT), wenn mehrere Elementkombinationen auf deiner Website oder Landing Page in Frage gestellt werden sollen.

Multivariate Testing (MVT) liefert mehr Informationen darüber, wie diese Änderungen an mehreren Abschnitten miteinander interagieren. Bei multivariaten Tests wird der Website-Traffic auf jede mögliche Kombination einer Seite aufgeteilt, wobei die Wirksamkeit der Änderungen gemessen wird.

Es ist sehr üblich, multivariate Tests zu verwenden, um eine bestehende Website oder Landing Page zu optimieren, ohne eine bedeutende Investition in ein Redesign zu tätigen.

Obwohl diese Art des Testens als eine einfachere Art des Experimentierens wahrgenommen werden kann, sollte man nicht vergessen, dass multivariate Tests komplizierter sind als traditionelle A/B-Tests.

Multivariate Tests sind am besten für fortgeschrittene Tester geeignet, da sie den Besuchern deiner Website viel mehr Kombinationsmöglichkeiten bieten. Zu viele Änderungen auf einer Seite auf einmal können sich schnell summieren. Du möchtest nicht mit einer sehr großen Anzahl von Kombinationen konfrontiert werden, die getestet werden muss.

Beispiel für einen multivariaten Test

Angenommen, du hast beschlossen, einen multivariaten Test auf einer deiner Landing Pages durchzuführen. Du entscheidest dich, zwei Elemente auf deiner Landing Page zu ändern. Bei der ersten Variante tauschst du ein Bild gegen ein Video aus, und bei der zweiten Variante tauschst du das Bild gegen einen Slider aus.

Für jede Seitenvariante fügst du eine weitere Version der Überschrift hinzu. Dies bedeutet, dass du nun drei Versionen des Hauptinhalts und zwei Versionen der Überschrift hast. Dies entspricht sechs verschiedenen Kombinationen der Landing Page.

Wenn du nur zwei Abschnitte änderst, hast du schnell sechs Varianten. An dieser Stelle kann das Multivariate Testing (MVT) knifflig werden.

Wann ist Multivariate Testing (MVT) sinnvoll?

Multivariate Tests werden für Websites mit einem hohen täglichen Besucheraufkommen empfohlen. Du benötigst eine Website mit einem hohen Traffic-Volumen, um mehrere Kombinationen zu testen, und es dauert länger, bis du aussagekräftige Daten aus dem Test erhältst.

Die multivariate Testmethode ermöglicht es dir, ein bestehendes Design schrittweise zu verbessern, während die Testergebnisse für die Neugestaltung einer größeren Website oder Landing Page verwendet werden können.

Was ist Multipage Testing?

Multipage Testing ist eine Testmethode, die dem Standard-A/B-Testing ähnelt. Wie wir bereits besprochen haben, können bei A/B-Tests Änderungen an einer bestimmten Seite oder an einer Gruppe von Seiten vorgenommen werden.

Wenn das geänderte Element auf mehreren Seiten erscheint, kannst du wählen, ob es auf jeder Seite geändert werden soll oder nicht. Wenn das Element jedoch auf mehreren Seiten vorkommt, aber nicht identisch ist, an einer anderen Stelle erscheint oder einen anderen Namen hat, musst du einen Multipage-Test einrichten.

Mehrseitige Tests ermöglichen es dir, Änderungen konsistent über mehrere Seiten hinweg zu implementieren.

Das bedeutet, dass Multipage-Tests es ermöglichen, Varianten verschiedener Seiten miteinander zu verknüpfen, was besonders bei Funnel-Tests nützlich ist.

Bei Multipage-Tests werden die Website-Besucher in die eine oder andere Funnel-Version geleitet. Du musst verfolgen, wie die Besucher mit den verschiedenen Seiten interagieren, die ihnen angezeigt werden, damit du feststellen kannst, welche Funnel-Variante am effektivsten ist.

Du musst sicherstellen, dass die Benutzer eine konsistente Variation von Änderungen auf einer Reihe von Seiten sehen. Dies ist der Schlüssel zur Gewinnung verwertbarer Daten und ermöglicht einen fairen Vergleich zwischen den verschiedenen Varianten.

Beispiel für einen Multipage-Test

Angenommen, du möchtest einen mehrseitigen Test mit einem Gutschein für kostenlosen Versand durchführen, der an verschiedenen Stellen im Funnel angezeigt wird. Du möchtest die Ergebnisse dieses Tests mit dem ursprünglichen Purchase Funnel ohne Coupon vergleichen.

Zum Beispiel könntest du Besuchern auf einer Produktkategorieseite einen Gutschein für den kostenlosen Versand anbieten – wo sie „Kostenloser Versand über 50 €“ als statisches Banner auf der Seite sehen können. Sobald der Besucher ein Produkt in den Einkaufswagen legt, kannst du ihm eine neue dynamische Nachricht je nach dem Stand des Warenkorbs anzeigen – „Füge deinem Warenkorb X € für kostenlosen Versand hinzu“.

In diesem Fall kannst du mit der Position der Nachricht (in der Nähe des Buttons „Zur Kasse gehen“, in der Nähe des Buttons „Einkauf fortsetzen“, in der Nähe der Versandkosten für seine Bestellung oder an anderer Stelle) und mit den Call-to-Action-Varianten der Nachricht experimentieren.

Diese Art von Test hilft dir, das Kaufverhalten der Besucher besser zu verstehen – z. B. wie reduziert die Platzierung eines Gutscheins für kostenlosen Versand den Abbruch des Warenkorbs und erhöht den Umsatz? Nachdem genügend Besucher durch die verschiedenen Designs zum Ende des Purchase Funnels gelangt sind, kannst du die Wirkung der Designstile einfach und effektiv vergleichen.

Wie testet man erfolgreich?

Denk daran, dass die getesteten Seiten einen hohen Traffic aufweisen müssen, damit die Tests relevante Daten zur Analyse liefern.

Unabhängig davon, ob du A/B-Tests, Split-Tests, multivariate Tests oder Multipage-Tests verwendest, um deine Conversion Rate oder Performance zu steigern, solltest du diese mit Bedacht einsetzen.

Jede Art von Test hat ihre eigenen Anforderungen und ist für bestimmte Situationen besonders geeignet, mit Vor- und Nachteilen.

Die Verwendung des richtigen Tests für die richtige Situation hilft dir, das Beste aus deiner Website herauszuholen und den besten Return on Investment für deine Testkampagne zu erzielen. Auch wenn das Testen einer wissenschaftlichen Methode folgt, ist für die Arbeit mit AB Tasty kein Abschluss in Statistik erforderlich.

Verwandtes Thema: Bayes vs. Frequentist: Wie AB Tasty sich für ein statistisches Modell entschieden hat

Der Beitrag A/B-, Split Testing oder MVT: So wählst du die richtige Testmethode aus erschien zuerst auf abtasty.

Talia Wolf, Gründerin und CEO von Getuplift, verfolgt einen kundenorientierten Marketingansatz. Sie nutzt die Kraft emotionaler Marketingtechniken, um die Besucherzahlen zu steigern.

Ihr Interesse an Conversion-Rate-Optimierung (CRO) und Experimenten wurde durch ihre frühe Arbeit in einer Social-Media-Agentur geweckt. Später entwickelte sie sich zu einer Expertin auf diesem Gebiet, beriet viele Unternehmen zu diesem Thema und hielt Vorträge auf der Bühne bei Google, MozCon und Search Love.

Gastmoderator John Hughes, Head of Growth Marketing UK bei AB Tasty, sprach mit Talia über Emotional Marketing als Optimierungstool und wie Customer Research den Experimentierprozess erleichtern, die Fehlerquote senken und die Zustimmung der beteiligten Unternehmensakteure gewinnen kann.

Hier sind einige der wichtigsten Erkenntnisse aus ihrem Gespräch.

Was ist Emotional Marketing?

Die emotionale Targeting-Methode basiert auf der Idee, dass jede einzelne Entscheidung, die wir im Leben treffen, von Emotionen gesteuert wird. So wird der Schwerpunkt deiner Online-Marketing-Inhalte von deinen Lösungen, Funktionen oder Preisen auf deine Kunden verlagert. Anstatt ein Ratespiel zu spielen und einfach Elemente auf einer Seite umzustellen, erfordert diese Technik ein tieferes Verständnis des menschlichen Verhaltens. Indem du die Absichten und Kaufmotive deiner Kunden ermittelst, kannst du ein optimiertes Erlebnis schaffen, das ihren Bedürfnissen entspricht und die Conversion Rate erhöht.

Die grundlegende Rolle von Emotionen bei unseren täglichen Entscheidungen kann, gestützt durch akademische Forschung, in deine Strategie integriert werden. Dadurch kannst du deine Kunden besser bedienen, indem du a) ihre größten Herausforderungen identifizierst und b) ermittelst, wie sie sich fühlen wollen, nachdem sie eine Lösung gefunden haben. Was ist ihr gewünschtes Ergebnis?

Vor diesem Hintergrund kannst du deine digitale Kommunikation mit hochgradig konvertierenden Texten und visuellen Elementen optimieren, die direkt auf die Bedürfnisse deiner Kunden eingehen. Indem du das Gespräch vom Produkt auf den Kunden verlagerst, eröffnen sich unglaubliche Möglichkeiten zur Skalierung und Vervielfachung der Conversions.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Wie erstellt und misst man ein emotionsbasiertes Experiment?

Erstens sollte Experimentation durch Forschung gestützt werden. Von Kunden- und Besucherbefragungen bis hin zum Review Mining, Social Listening und der emotionalen Konkurrenzanalyse – Talia ermutigt zu umfassender Forschung, um die geeignetste Hypothese zu erstellen, auf der ein A/B-Test basieren kann.

Sobald du mehr über deine Kunden weißt, kannst du beispielsweise die Texte und Bilder auf deiner Produktseite überprüfen. Vielleicht stellst du anhand deiner Recherchen fest, dass deine Inhalte für deine Zielkunden nicht relevant sind. Du kannst dann eine Hypothese aufstellen, die auf den tatsächlichen Bedürfnissen und Interessen der Kunden basiert und durch überzeugenden Social Proof untermauert wird. Auf dieser Grundlage der neuen Informationen kannst du ein Briefing für deine Designer oder Texter verfassen.

Von dort aus kannst du dein Experiment in deine A/B-Testing-Plattform mit einer ausgewählten North Star Metric einbauen, sei es Checkouts, Anmeldungen oder Add-to-Carts, um deine Hypothese zu testen. Und obwohl wir wissen, dass neun von zehn A/B-Tests fehlschlagen, erleichtert Emotional Marketing den Prozess der Hypothesenbildung. Es erhöht die Chance, ein erfolgreiches Experiment zu erstellen, indem Variablen getestet werden, die sich tatsächlich auf die Customer Journey auswirken können.

Wie du die Beteiligten davon überzeugen kannst, deine Experimente zu unterstützen.

Zu viele Köche verderben den Brei. Das gilt auch, wenn es um CRO geht, vor allem in kleineren Organisationen, deren Gründer eine konkrete Vorstellung von ihren Kunden und ihrer Botschaft haben.

Talia erklärt, dass ein forschungsbasierter Ansatz für Experimente als Teil einer langsamen, stetigen und beweisgestützter Strategie, Sicherheit bieten kann. Diese personalisierte Methodik beinhaltet Gespräche mit deinen Kunden und Website-Besuchern sowie die Suche im Internet nach Diskussionen über deine spezifische Branche, anstatt einfach dem Beispiel der Konkurrenz zu folgen.

Es ist viel einfacher, einem Gründer oder CEO einen Test vorzuschlagen, wenn deine Hypothese durch Daten und Forschung gestützt wird. Talia empfiehlt jedoch, dem Drang zu widerstehen, alles auf einmal ändern zu wollen und lieber klein anzufangen. Teste das emotionale Marketing in deinen Anzeigen oder versende eine E-Mail-Sequenz, für die du nur einen Texter benötigst, und teile die Ergebnisse.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Wenn du versuchst, Zustimmung zu erhalten, brauchst du eine starke Hypothese gepaart mit guter Forschung, um zu beweisen, dass sie sinnvoll ist. Wenn dies der Fall ist, kannst du die Kraft des emotionalen Marketings demonstrieren, indem du einige A/B-Tests durchführst: Einen, bei dem die Kontrollgröße der aktuelle lösungsorientierte Inhalt und die Variante eine kundenorientierte Alternative ist, und einen anderen, bei dem hervorgehoben wird, wie sich die Kunden jetzt fühlen und wie sie sich fühlen möchten. Zwei wichtige Varianten, die dir helfen, eine bessere Beziehung zu deinen Kunden aufzubauen. Der Schlüssel zum Erfolg liegt darin, in kleinen Schritten vorzugehen und deine Forschungsergebnisse kontinuierlich zu teilen und zu kommunizieren.

Was kannst du noch aus unserem Gespräch mit Talia Wolf lernen?

• Warum B2B-Käufe emotionaler sind als B2C. (15:50)
• Wie du in einem überfüllten Markt herausstichst, indem du deine Kunden kennst. (20:00)
• Wie sich emotionales Marketing auf die gesamte Customer Journey auswirkt. (25:50)
• Wie du eine Beziehung zu deinen Kunden aufbauen und die Conversion Rate verbessern kannst. (32:40)

Über Talia Wolf

Talia Wolf, Spezialistin für Conversion-Optimierung, ist Gründerin und CEO von Getuplift. Ein Unternehmen, das Optimierungsstrategien wie emotionales Targeting, überzeugendes Design und Verhaltensdaten einsetzt, um Unternehmen dabei zu helfen, mehr Umsatz, Leads, Engagement und Verkäufe zu erzielen.

Talia begann ihre Karriere in einer Social-Media-Agentur, wo sie das Konzept der Conversion-Optimierung kennenlernte. Anschließend wurde sie Marketing Director bei monday.com, bevor sie 2013 ihre erste Agentur für Conversion-Optimierung, Conversioner, gründete.

Heute unterrichtet Talia mit ihrer bewährten Strategie Unternehmen auf der ganzen Welt darin, ihre Online-Präsenz mit emotionalen Techniken zu optimieren.

Über den 1,000 Experiments Club

Der 1,000 Experiments Club ist ein von AB Tasty produzierter Podcast, der von Marylin Montoya, VP of Marketing bei AB Tasty, moderiert wird. Begleite Marylin und das Marketing-Team, wenn sie sich mit den erfahrensten Experten in der Welt des Experimentierens zusammensetzen, um ihre Erkenntnisse darüber zu enthüllen, was nötig ist, um erfolgreiche Experimente zu entwickeln und durchzuführen.

Kennst du diese Folge schon?

Wenn nicht, wirf doch gerne direkt einen Blick in unseren letzten Artikel zur Podcast-Episode mit Rand Fishkin, mit dem wir über die Culture of Experimentation gesprochen haben.

Der Beitrag Emotional Marketing nutzen | Talia Wolf erschien zuerst auf abtasty.

Ein Teil dieser Transformation liegt in der strategischen Partnerschaft mit AB Tasty und der Integration von EmotionsAI, um die Kunden besser zu verstehen und die Optimierung der Experience Optimization Roadmap voranzutreiben.

Da Versicherungskunden zunehmend nach Sicherheit, Vertrauen und intuitiven Erlebnissen suchen, erkannte DirectAsia die Notwendigkeit, über traditionelle Ansätze
hinauszugehen, um diese Anforderungen zu erfüllen. Wie viele Finanzdienstleistungen ist auch die Versicherung von Natur aus komplex.

DirectAsia führte Tests durch, die sich auf einen Bereich ihrer Website konzentrierten, von dem sie wussten, dass er verbesserungsbedürftig war. Sie verglichen die Ergebnisse dieses Tests mit von EmotionsAI ausgewählten Segmenten mit einem breiteren Publikum. Lade die Case Study herunter, um herauszufinden, wie EmotionsAI den Weg der Besucher zur Angebotsseite beschleunigt hat.

Der Beitrag Mit Empathie das Versicherungserlebnis vereinfachen: Eine DirectAsia Customer Story erschien zuerst auf abtasty.

Was ist A/B-Testing?

A/B-Tests, auch bekannt als Split-Tests, sind eine Marketing-Technik, bei der zwei Versionen einer Webseite oder Anwendung miteinander verglichen werden, um festzustellen, welche besser abschneidet. Diese Varianten, die als A und B bezeichnet werden, werden den Nutzern nach dem Zufallsprinzip präsentiert. Ein Teil von ihnen wird auf die erste Version geleitet, der Rest auf die zweite. Durch eine statistische Analyse der Ergebnisse wird dann ermittelt, welche Version, A oder B, nach bestimmten vordefinierten Indikatoren wie der Conversion Rate besser abschneidet.

Mit anderen Worten: Du kannst überprüfen, welche Version die meisten Klicks, Abonnements, Käufe usw. erhält. Anhand dieser Ergebnisse kannst du dann deine Website für die Conversion Rate optimieren.

A/B-Testing-Beispiele

Du bist auf der Suche nach Ideen für deine nächsten A/B-Tests? Obwohl die Möglichkeiten für A/B-Tests auf deiner Website endlos sind, kann manchmal eine kleine Inspiration durch eine Erfolgsgeschichte sehr hilfreich sein.

Hier sind ein paar Links zu einigen Beispielen von A/B-Tests und deren Ergebnissen:

• 5 A/B-Testing Case Studies und was du von ihnen lernen kannst
• AB Tasty Case Studies Übersicht
• 100 Case Studies zur Conversion-Optimierung
• 50 Case Studies zur Optimierung von A/B-Split-Tests (EN)

Welche Arten von Websites sind für A/B-Tests geeignet?

Jede Website kann von A/B-Tests profitieren, da sie alle eine Daseinsberechtigung haben – und diese ist quantifizierbar. Egal, ob es sich um einen Online Shop, eine Nachrichten-Website oder eine Website zur Lead-Generierung handelt, A/B-Tests können auf verschiedene Weise helfen. Ganz gleich, ob du deinen ROI verbessern, die Absprungrate senken oder die Conversion Rate erhöhen möchtest, A/B-Tests sind eine sehr relevante und wichtige Marketing-Technik.

Lead

Mit „Leads” sind qualifizierte Interessenten, also potenzielle Neukunden gemeint. E-Mail-Marketing ist sehr wichtig, um Leads mit weiteren Inhalten zu versorgen, die Conversion in Gang zu halten, Produkte vorzuschlagen und letztendlich deinen Umsatz zu steigern. Mit A/B-Tests von E-Mails sollte deine Marke beginnen, Trends und gemeinsame Faktoren zu identifizieren, die zu höheren Öffnungs- und Klickraten führen.

Medien

In einem Medienkontext ist es sinnvoller, von „redaktionellen A/B-Tests” zu sprechen. In Branchen, die eng mit der Presse zusammenarbeiten, besteht die Idee hinter A/B-Tests darin, den Erfolg einer bestimmten Inhaltskategorie zu testen. Zum Beispiel, wenn man herausfinden will, ob sie perfekt zur Zielgruppe passt. Im Gegensatz zum obigen Beispiel hat das A/B-Testing hier eine redaktionelle und keine vertriebliche Funktion. A/B-Tests von Headlines sind in der Medienbranche eine gängige Praxis.

E-Commerce

Es überrascht nicht, dass der Einsatz von A/B-Tests im Zusammenhang mit dem E-Commerce darauf abzielt, zu messen, wie gut eine Website oder eine kommerzielle Online App ihre Waren verkauft. Bei A/B-Tests wird anhand der Anzahl der abgeschlossenen Verkäufe ermittelt, welche Version am besten abschneidet. Es ist besonders wichtig, die Startseite und das Design der Produktseiten zu betrachten, aber es ist auch eine gute Idee, alle visuellen Elemente zu berücksichtigen, die beim Kaufabschluss eine Rolle spielen (Buttons, Call-to-Action).

Welche A/B-Tests solltest du verwenden?

Klassischer A/B-Test: Beim klassischen A/B-Test werden den Nutzern zwei Varianten deiner Seiten unter derselben URL präsentiert. Auf diese Weise kannst du zwei oder mehrere Varianten desselben Elements miteinander vergleichen.

Split-Tests oder Redirect-Tests: Beim Split-Test wird dein Traffic auf eine oder mehrere unterschiedliche URLs umgeleitet. Das kann besonders interessant sein, wenn du neue Seiten auf deinem Server hostest.

Multivariate oder MVT-Tests: Beim multivariaten Test werden die Auswirkungen mehrerer Änderungen auf ein und derselben Webseite gemessen. Du kannst zum Beispiel dein Banner, die Farbe deines Textes, deine Präsentation und vieles mehr ändern.

A/B-Testing ist möglich:

Auf Websites

Mit dem A/B- Test für Webseiten kann eine Version A einer Website mit einer Version B verglichen werden. Die Ergebnisse werden hinterher nach vorher festgelegten Zielen analysiert: Klicks, Einkäufe, Abonnements etc.

In nativen mobilen Apps

A/B-Tests in Apps sind komplex, weil es nicht möglich ist, nach dem Download zwei verschiedene Versionen anzuzeigen. Schnelle Aktualisierungen ermöglichen jedoch einfache Design-Änderungen und direkte Wirkungsanalysen.

Über serverbasierte APIs

Eine API ist eine Programmierschnittstelle, die eine Verbindung mit einer Software zum Austausch der Daten ermöglicht. Mit APIs kannst du anhand gespeicherter Daten automatisch Kampagnen oder Varianten erstellen.

A/B-Testing und Conversion Optimization

Conversion-Optimierung und A/B-Tests sind zwei Möglichkeiten für Unternehmen, ihre Gewinne zu steigern. Ihr Versprechen ist einfach: mehr Umsatz bei gleichem Traffic. Warum solltest du angesichts hoher Akquisitionskosten und komplexer Traffic-Quellen nicht damit beginnen, das Beste aus deinem derzeitigen Traffic herauszuholen?

Überraschenderweise liegen die durchschnittlichen Conversion Rates für E-Commerce-Websites nach wie vor zwischen 1 % und 3 %. Und warum? Weil die Conversion ein komplexer Mechanismus ist, der von einer Reihe von Faktoren abhängt. Dazu gehören Dinge wie die Qualität des generierten Traffics, die Benutzererfahrung, die Qualität des Angebots, der Ruf der Website sowie die Aktivitäten der Konkurrenz. E-Commerce-Profis sind natürlich bestrebt, die negativen Auswirkungen, die das Zusammenspiel der oben genannten Faktoren auf die Verbraucher während der Customer Journey haben könnte, zu minimieren.

Es gibt eine Reihe von Methoden, die dir dabei helfen, dies zu erreichen, darunter A/B-Tests, eine Disziplin, die Daten nutzt, um dir zu helfen, die besten Entscheidungen zu treffen. A/B-Tests sind nützlich, um eine umfassendere Strategie zur Optimierung der Conversion Rate zu entwickeln, reichen aber allein keineswegs aus. Mit einer A/B-Testing-Lösung kannst du bestimmte Hypothesen statistisch überprüfen, aber sie allein kann dir kein differenziertes Verständnis des Nutzerverhaltens vermitteln.

Allerdings ist das Verständnis des Nutzerverhaltens sicherlich der Schlüssel zum Verständnis von Problemen bei der Conversion. Deshalb ist es wichtig, A/B-Tests mit Informationen aus anderen Quellen anzureichern. Auf diese Weise erhältst du ein umfassenderes Bild von deinen Nutzern und kannst vor allem Hypothesen aufstellen, die du testen kannst. Es gibt viele Informationsquellen, die du nutzen kannst, um ein umfassenderes Bild zu erhalten:

• Web Analytics Daten. Diese Daten erklären zwar nicht das Nutzerverhalten, können aber Probleme bei der Conversion aufzeigen (z. B. bei der Identifizierung von Warenkorbabbrüchen). Sie können dir auch bei der Entscheidung helfen, welche Seiten zuerst getestet werden sollen.
• Ergonomische Prüfung. Diese Analysen geben – zu geringen Kosten – Aufschluss über die Erfahrung mit der Webseite aus der Sicht des Nutzers.
• User-Tests. Auch wenn die Stichprobengröße begrenzt ist, können User-Tests eine Vielzahl von Informationen liefern, die mit quantitativen Methoden nicht zugänglich sind.
• Heatmap und Session Recording. Diese Methoden machen sichtbar, wie Nutzer mit den Elementen auf einer Seite oder zwischen mehreren Seiten interagieren.
• Kunden-Feedback. Unternehmen sammeln große Mengen an Feedback von ihren Kunden (z. B. auf der Website aufgeführte Meinungen, Fragen an den Kundendienst). Neben der Feedback-Analyse können auch Kundenbefragungen, Live-Chats etc. genutzt werden.

Wie findet man Ideen für A/B-Tests?

Um einen A/B-Test durchzuführen, benötigst du zunächst zusätzliche Informationen, mit denen du deine Conversion-Probleme identifizieren und das Nutzerverhalten verstehen kannst. Diese Phase ist besonders wichtig und muss mit der Formulierung „starker” Hypothesen enden. Die oben genannten Disziplinen helfen dir bei dieser Aufgabe. Eine korrekt formulierte Hypothese ist der erste Schritt zu einem erfolgreichen A/B-Testing und muss die folgenden Regeln beachten. Hypothesen müssen:

• sich auf ein klar umrissenes Problem beziehen, dessen Ursachen identifizierbar sind
• eine mögliche Lösung für das Problem erwähnen
• das erwartete Ergebnis angeben, das direkt mit dem zu messenden KPI verknüpft ist

Wenn das Problem beispielsweise in einer hohen Abbruchrate bei einem Registrierungsformular besteht, das zu lang zu sein scheint, könnte eine Hypothese so lauten: „Das Kürzen des Formulars, wobei optionale Felder entfernt werden, steigert die Zahl der registrierten Kontakte.”

Was solltest du auf deiner Website mit A/B-Tests testen?

Was solltest du auf deiner Website testen? Diese Frage taucht immer wieder auf, weil Unternehmen oft nicht wissen, wie sie ihre Conversion Rate – ob gut oder schlecht – erklären sollen. Wenn ein Unternehmen sicher sein könnte, dass seine Nutzer Schwierigkeiten haben, ihr Produkt zu verstehen, würde es sich nicht die Mühe machen, die Position oder die Farbe eines „In den Warenkorb“-Buttons zu testen – das wäre nicht zum Thema passend.

Stattdessen würden sie verschiedene Formulierungen ihrer Kundenvorteile testen. Jede Situation ist anders. Anstatt eine vollständige Liste der zu testenden Elemente zu erstellen, geben wir lieber einen A/B-Test-Rahmen zur Identifizierung dieser Elemente an die Hand.

Im Folgenden findest du einige gute Anhaltspunkte für den Anfang:

1. Titel und Überschriften

Beginne z. B. mit der Änderung von  Überschriften oder Inhalten deiner Artikel, um zu prüfen, was die Nutzer mehr anspricht. Was die Form betrifft, könnte eine Änderung der Farbe oder Schriftart einen Unterschied machen.

2. Call-to-Action

Der CTA-Button ist sehr wichtig. Die Farbe, die Schrift, die Platzierung und die verwendeten Wörter („kaufen“, „zum Warenkorb hinzufügen“, „bestellen“…) können sich entscheidend auf deine Conversion Rate auswirken.

3. Formulare

Deine Formulare müssen klar und deutlich sein. Teste, wie sich eine Änderung des Wortlauts der Felder, das Entfernen von optionalen Feldern, eine andere Platzierung der Felder oder eine Anordnung in Zeilen oder Spalten etc. auswirkt.

4. Navigation

Du kannst verschiedene Seitenfolgen testen und mehrere Conversion Funnel anbieten, die aus einem oder mehreren Teilen bestehen. So kannst du zum Beispiel für die Zahlungsart und die Lieferangaben eine einzige oder zwei Seiten nutzen.

5. Landing Pages

Landing Pages zur Lead-Generierung sind entscheidend, um den Benutzer zum Handeln zu bewegen. Split-Tests vergleichen verschiedene Seitenversionen und bewerten unterschiedliche Layouts oder Designs.

6. Bilder

Bilder sind genauso wichtig wie Texte. Daher ist es ratsam, verschiedene Bilder auszuprobieren. Variiere bei der Größe und Ästhetik deiner Fotos und bei der Platzierung, um zu testen, was am besten bei deiner Zielgruppe ankommt.

7. Seitenstruktur

Die Struktur deiner Seiten muss gut durchdacht sein – ob es sich nun um deine Startseite oder deine verschiedenen Kategorien handelt. Du kannst ein Karussell hinzufügen, feste Bilder auswählen, deine Banner ändern, beliebte Produkte auf der Startseite anzeigen usw.

8. Algorithmen

Nutze verschiedene Algorithmen, um deine Besucher zu Käufern zu machen oder ihren Warenkorbwert zu steigern: ähnliche Artikel, am meisten gesuchte Produkte… So kannst du deinen potenziellen Kunden Artikel vorschlagen, die sie wahrscheinlich interessieren.

9. Preise

Schwieriger ist es, einen A/B-Test mit Preisen durchzuführen. Das liegt daran, dass du das gleiche Produkt oder den gleichen Service ja nicht zu verschiedenen Preisen verkaufen kannst. Um die Auswirkung auf deine Conversion Rate zu testen, brauchst du daher ein wenig Einfallsreichtum.

10. Geschäftsmodell

Überdenke deinen Aktionsplan, um höhere Gewinne zu erzielen. Wenn du zum Beispiel ganz spezielle Ware verkaufst, denk auch daran, weitere passende Produkte oder ergänzende Dienstleistungen mit ins Angebot aufzunehmen.

Wenn du konkretere Ideen auf der Grundlage der individuellen Customer Journey deiner Nutzer auf deiner Website suchst, solltest du dir unser E-Book zur digitalen Customer Journey und unser Use Case Booklet ansehen, die dich mit Erfolgsgeschichten rund um das Thema A/B-Testing inspirieren.

Tipps und Best Practices für A/B-Testing

Hier sind einige Tipps, die dir Ärger und Unannehmlichkeiten ersparen können. Sie beruhen auf den sowohl guten als auch schlechten Erfahrungen, die unsere Kunden beim Testing gemacht haben.

Auswahl einer A/B-Testing-Software

Die Wahl des besten A/B-Test-Tools ist schwierig.

Wir können dir nur empfehlen, AB Tasty zu verwenden. AB Tasty bietet nicht nur eine vollständige A/B-Testing-Lösung, sondern auch eine Reihe von Software zur Optimierung deiner Conversions. Außerdem kannst du deine Website anhand zahlreicher Targeting-Kriterien und Zielgruppensegmentierungen personalisieren.

Um jedoch möglichst umfassend zu sein und dir bei der Auswahl eines Anbieters so viele wertvolle Informationen wie möglich zu liefern, findest du hier einige Artikel, die dir bei der Auswahl deines A/B-Testing-Tools anhand von Software-Bewertungen helfen sollen:

• A/B-Testing: Das sind die wichtigsten Tools für die Website-Optimierung
• 29 A/B-Testing- & Personalisierungs-Tools im Vergleich
• Welches A/B-Testing-Tool solltest du für Split-Testing nutzen? (EN)
• Die 18 besten A/B-Testing-Tools laut CRO-Experten (EN)

Verstehen von A/B-Testing-Statistiken

Die Phase der Testanalyse ist die heikelste. Die A/B-Testing-Lösung muss zumindest eine Report-Schnittstelle bieten, welche die nach Variationen gespeicherten Conversions, die Conversion Rate, die prozentuale Verbesserung im Vergleich zum Original und den für jede Variation gespeicherten statistischen Zuverlässigkeitsindex anzeigt. Die fortschrittlichsten Lösungen grenzen die Rohdaten ein und segmentieren die Ergebnisse nach Dimensionen (z. B. Traffic-Quelle, geografischer Standort der Besucher, Kundentypologie usw.).

Bevor die Testergebnisse analysiert werden können, besteht die größte Schwierigkeit darin, ein ausreichendes statistisches Signifikanzniveau zu erreichen. Im Allgemeinen wird ein Schwellenwert von 95 % angenommen. Das bedeutet, dass die Wahrscheinlichkeit, dass die Ergebnisunterschiede zwischen den Varianten auf Zufall beruhen, sehr gering ist. Die Zeit, die zum Erreichen dieses Schwellenwerts erforderlich ist, variiert erheblich, je nach dem Besucheraufkommen der getesteten Seiten, der anfänglichen Conversion Rate für das gemessene Ziel und den Auswirkungen der vorgenommenen Änderungen. Sie kann von einigen Tagen bis zu mehreren Wochen reichen. Für Websites mit geringem Traffic ist es ratsam, eine Seite mit höherem Traffic zu testen. Bevor der Schwellenwert erreicht ist, ist es sinnlos, irgendwelche Schlussfolgerungen zu ziehen.

Außerdem basieren die statistischen Tests, die zur Berechnung des Konfidenzniveaus verwendet werden (z. B. der Chi-Quadrat-Test), auf einem Stichprobenumfang nahe der Unendlichkeit. Sollte der Stichprobenumfang gering sein, ist bei der Analyse der Ergebnisse Vorsicht geboten, selbst wenn der Test eine Zuverlässigkeit von mehr als 95 % anzeigt.

Bei einem geringen Stichprobenumfang ist es möglich, dass sich die Ergebnisse stark verändern, wenn man den Test noch einige Tage lang aktiv lässt. Aus diesem Grund ist es ratsam, eine ausreichend große Stichprobe zu haben. Es gibt wissenschaftliche Methoden, um die Größe dieser Stichprobe zu berechnen, aber aus praktischer Sicht ist es ratsam, eine Stichprobe von mindestens 5.000 Besuchern und 75 gespeicherten Conversions pro Variante zu haben.

Es gibt zwei Arten von statistischen Tests:

• Frequentistische Tests. Die Chi-Quadrat-Methode oder Frequentist-Methode ist objektiv. Sie erlaubt eine Analyse der Ergebnisse erst am Ende des Tests. Die Studie basiert also auf Beobachtungen und hat eine Zuverlässigkeit von 95 %.
• Bayes’sche Tests. Die Bayes’sche Methode ist deduktiv. Sie geht von den Gesetzen der Wahrscheinlichkeit aus und ermöglicht eine Analyse der Ergebnisse vor dem Ende des Tests. Achte jedoch darauf, dass du das Konfidenzintervall richtig liest. In unserem speziellen Artikel erfährst du alles über die Vorteile der Bayes’schen Statistik für A/B-Tests.

Auch wenn die Besucherzahlen auf der Website es ermöglichen, schnell eine ausreichend große Stichprobe zu erhalten, wird empfohlen, den Test über mehrere Tage laufen zu lassen, um die Unterschiede im Verhalten an den einzelnen Wochentagen oder sogar zu bestimmten Tageszeiten zu berücksichtigen. Eine Mindestdauer von einer Woche ist empfehlenswert, idealerweise zwei Wochen. In einigen Fällen kann dieser Zeitraum sogar länger sein, insbesondere wenn die Umstellung Produkte betrifft, deren Kaufzyklus Zeit erfordert (komplexe Produkte/Dienstleistungen oder B2B). Es gibt also keine Standarddauer für einen Test.

Andere Formen von A/B-Tests

A/B-Tests beschränken sich nicht auf Änderungen an den Seiten deiner Website. Du kannst das Konzept auf alle deine Marketingaktivitäten anwenden, z. B. auf die Traffic-Akquise über E-Mail-Marketing-Kampagnen, AdWords-Kampagnen, Facebook-Anzeigen und vieles mehr.

Ressourcen für weiterführende A/B-Tests:

• Ein Leitfaden zum A/B-Testing im E-Mail-Marketing
• 7 Tips for Implementing A/B Testing in Your Social Media Campaigns (EN)
• Social Media A/B-Testing mit den Tools, die Sie bereits einsetzen
• Google Adwords: Mehr Performance mit A/B-Tests (EN)

Die besten Ressourcen für A/B-Tests und CRO

Wir empfehlen dir, in unserem eigenen Blog über A/B-Tests zu stöbern, aber auch andere Experten für internationale Optimierung veröffentlichen sehr relevante Artikel zum Thema A/B-Tests und Conversion im Allgemeinen. Hier ist unsere Auswahl, um in der Welt der CRO auf dem Laufenden zu bleiben.

Blogs zum Vormerken:

• HubSpot Blogs
• Unbounce
• ConversionXL
• Bryan Eisenberg
• MarketingExperiments
• Conversion Rate Experts
• Wider Funnel
• The Conversion Scientist
• The Online Behavior Blog
• Moz
• Conversioner
• The Daily Egg
• WordStream

Der Beitrag A/B-Testing erschien zuerst auf abtasty.

Setz deine Kopfhörer auf, es ist Zeit, sich inspirieren zu lassen.
So wie die kultigen CDs von früher ist dieses E-Book eine Zusammenstellung der Greatest Hits der Case Studies zur Experience Optimization aus dem Jahr 2023.

Schau dir eine kuratierte Playlist mit realen Szenarien an, in denen unsere weltweiten Kunden ihre Erlebnisse durch Funktionen wie Web Experimentation, Feature Experimentation,
KI-gestützte Personalisierung und vieles mehr
mit AB Tasty verbessert haben.

Von A/B-Tests für Banner und Werbetexte bis hin zu tiefgreifenden Änderungen bei der CRO-Strategie: Erfahre, wie führende Unternehmen datengestützte Strategien eingesetzt haben, um ihre Kundenerlebnisse zu verbessern, die Konversionsraten zu steigern und bemerkenswerte Ergebnisse zu erzielen.
Lass uns die Erfolgsgeschichten und innovativen Ansätze erkunden, die dich auf deinem Weg zu kundenorientierter Exzellenz inspirieren können.

In diesem E-Book erfährst du,

• wie führende Unternehmen mithilfe datengestützter Strategien ihre Kundenerlebnisse verbessern, die Conversion Rate steigern und bemerkenswerte Ergebnisse erzielen.
• wie u.a. Funktionen wie Web Experimentation, Feature Experimentation und KI-gestützte Personalisierung gezielt zum Einsatz kommen können.
• reale Szenarien kennen, welche die vielfältigen Möglichkeiten im Bereich CRO-Strategie aufzeigen.

Lade das E-Book „AB Tasty’s Greatest Hits“ gleich herunter.

Der Beitrag AB Tasty’s Greatest Hits erschien zuerst auf abtasty.