Ein A/B-Test ist ein kontrolliertes Experiment, bei dem zwei Varianten einer Website, Anzeige oder E-Mail gegeneinander getestet werden. Die Besucher werden zufällig auf Variante A und Variante B aufgeteilt, anschließend wird gemessen, welche Version besser abschneidet — etwa bei Klickrate oder Conversion-Rate. So lassen sich Entscheidungen über Design und Texte auf Daten statt auf Bauchgefühl stützen.
Was ist ein A/B-Test?
Ein A/B-Test ist ein kontrolliertes Experiment, bei dem zwei Varianten einer Website, Anzeige oder E-Mail gegeneinander getestet werden. Die Besucher werden zufällig auf Variante A und Variante B aufgeteilt, anschließend wird gemessen, welche Version besser abschneidet — etwa bei Klickrate oder Conversion-Rate. So lassen sich Entscheidungen über Design und Texte auf Daten statt auf Bauchgefühl stützen. Der Wikipedia-Artikel zum A/B-Test beschreibt das Verfahren als randomisiertes Experiment mit zwei Varianten.
Der A/B-Test ist das wichtigste Werkzeug der Conversion-Rate-Optimierung. Statt lange über die beste Überschrift zu diskutieren, lässt man den echten Traffic entscheiden. Gerade wo Besucher Geld kosten — etwa bei bezahltem Traffic aus Google Ads oder Meta Ads — zahlt sich jede belegte Verbesserung unmittelbar aus, weil sie die Konversionsrate hebt, ohne dass das Budget steigt.
Das Grundprinzip ist alt und stammt aus der experimentellen Statistik: Man verändert eine Bedingung und hält alle anderen konstant, um deren Wirkung isoliert zu messen. Im digitalen Marketing lässt sich dieses Prinzip besonders sauber umsetzen, weil sich Nutzer automatisch und zufällig aufteilen lassen und das Verhalten unmittelbar messbar ist — ein Vorteil, den klassische Werbung nie hatte.
Wie funktioniert ein A/B-Test?
Bei einem A/B-Test wird genau ein Element verändert — zum Beispiel die Überschrift einer Landingpage, die Farbe eines Call-to-Action-Buttons oder der Betreff einer E-Mail. Der eingehende Traffic wird zufällig in zwei Gruppen aufgeteilt: Eine Gruppe sieht die Originalversion, die Kontrollvariante, die andere die geänderte Version. Beide Gruppen werden über denselben Zeitraum unter denselben Bedingungen beobachtet, damit äußere Einflüsse beide Varianten gleich treffen.
Entscheidend ist die statistische Signifikanz: Erst wenn genügend Nutzer beide Varianten gesehen haben, lässt sich zuverlässig sagen, ob ein gemessener Unterschied echt ist oder nur Zufall — ein Grundgedanke der statistischen Signifikanz. Spezialisierte A/B-Testing-Tools berechnen diesen Wert automatisch. Ein Test sollte in der Regel mindestens ein bis zwei Wochen laufen, um Wochentagseffekte auszugleichen. Innerhalb von Werbekonten übernehmen Funktionen wie Google-Ads-Experimente oder der A/B-Test bei Meta Ads diese Aufteilung; die Google-Ads-Hilfe zu Entwürfen und Tests erläutert das Vorgehen für Kampagnen.
Vor dem Start steht idealerweise eine klare Hypothese: eine begründete Annahme, welche Änderung warum eine bestimmte Kennzahl verbessern soll. Diese Hypothese bestimmt, was getestet wird und woran der Erfolg gemessen wird. Ohne sie verkommt das Testen zu willkürlichem Ausprobieren, dessen Ergebnisse sich schwer interpretieren lassen.
Warum sind A/B-Tests wichtig?
Ohne Tests beruhen Änderungen an Website oder Anzeigen auf Vermutungen. A/B-Tests ersetzen Meinungen durch Messwerte und verhindern, dass eine vermeintliche Verbesserung die Conversion-Rate tatsächlich verschlechtert. Gerade bei bezahltem Traffic entscheidet die Qualität der Zielseite direkt darüber, wie viel jeder gewonnene Kontakt kostet — ein besseres Zielseiten-Erlebnis senkt die Kosten pro Anfrage, ohne dass das Budget steigt.
Auch kleine Optimierungen summieren sich: Wer kontinuierlich testet, verbessert seine Ergebnisse schrittweise. Dieses systematische Vorgehen ist Kern eines datengetriebenen Performance-Marketings und macht Erfolge nachvollziehbar, statt sie dem Zufall zu überlassen. Über viele Tests hinweg entsteht zudem Wissen über die eigene Zielgruppe, das weit über den einzelnen Test hinaus nützlich ist. Aus einer Reihe von Experimenten wird so mit der Zeit ein Erfahrungsschatz, der auch neue Projekte schneller auf den richtigen Weg bringt, weil man bereits weiß, worauf die eigenen Besucher ansprechen.
A/B-Tests für Kanzleien und Unternehmen
Für eine Kanzlei kann ein A/B-Test etwa klären, ob mehr Mandatsanfragen eingehen, wenn das Kontaktformular ein Freitextfeld weniger hat, oder ob eine Überschrift mit konkretem Rechtsgebiet besser funktioniert als eine allgemeine Formulierung. Voraussetzung ist ausreichend Traffic: Bei sehr wenigen Besuchern pro Monat dauern Tests entsprechend länger oder liefern keine belastbaren Ergebnisse. In solchen Fällen helfen qualitative Werkzeuge wie eine Heatmap oder eine Usability-Prüfung weiter.
In der Praxis bewährt es sich, mit den Elementen zu beginnen, die den größten Hebel haben: die Überschrift, die Handlungsaufforderung, die Hero-Section und das Formular. Danach folgen Details wie Bilder, Textlänge oder die Anordnung der Vertrauenselemente. Wer seine Zielgruppe über eine klare Buyer Persona versteht, formuliert bessere Test-Hypothesen — und misst den Erfolg idealerweise bis zur Dankeseite, nicht nur am Klick.
Typische Fehler bei A/B-Tests
Häufige Fehler sind: mehrere Elemente gleichzeitig ändern, sodass unklar bleibt, was gewirkt hat; Tests zu früh abbrechen; zu kleine Stichproben akzeptieren; oder Ergebnisse aus einer Saison auf das ganze Jahr übertragen. Auch das Testen von Nebensächlichkeiten bindet Ressourcen, ohne messbaren Nutzen zu bringen. Wer die statistische Signifikanz ignoriert und schon auf kleine Vorsprünge reagiert, verwechselt Rauschen mit Wirkung.
Ein besonders tückischer Fehler ist das vorzeitige Beenden, sobald eine Variante kurz vorne liegt. Frühe Vorsprünge kehren sich oft wieder um, wenn mehr Daten eintreffen. Sinnvoll ist deshalb, den Stichprobenumfang vorab grob abzuschätzen und den Test bis zum Erreichen dieser Größe laufen zu lassen. Wichtig ist außerdem, ein sauberes Conversion-Tracking als Grundlage zu haben — ohne verlässliche Messung ist jeder Test wertlos.
A/B-Test im Kontext der Optimierung
Der A/B-Test ist kein Selbstzweck, sondern Teil eines fortlaufenden Optimierungszyklus: beobachten, Hypothese bilden, testen, auswerten und das Gelernte in die nächste Runde tragen. Er ergänzt qualitative Methoden wie Session Recordings und Nutzerbefragungen, die erklären, warum Besucher sich so verhalten, während der A/B-Test misst, welche Variante tatsächlich besser wirkt.
Vom A/B-Test abzugrenzen ist der multivariate Test, der mehrere Elemente und ihre Kombinationen gleichzeitig prüft. Er liefert feinere Erkenntnisse, benötigt aber deutlich mehr Traffic. Für die meisten kleinen und mittleren Websites ist der klassische A/B-Test die praktikablere Wahl, weil er auch bei begrenztem Besucheraufkommen belastbare Aussagen ermöglicht und einfacher zu interpretieren ist.
Was lässt sich alles per A/B-Test optimieren?
Das Einsatzfeld ist breit. Auf Websites lassen sich Überschriften, Angebote, Formularlängen, Bilder und die Platzierung von Vertrauenselementen testen. Im E-Mail-Marketing sind es vor allem Betreffzeilen, Absender und der Zeitpunkt des Versands; ein Test der Öffnungsrate zeigt schnell, welche Ansprache besser zieht. In der bezahlten Werbung wiederum konkurrieren verschiedene Creatives, Anzeigentexte und Zielgruppen gegeneinander.
Entscheidend ist, immer nur eine klar definierte Änderung gegen die Kontrollvariante zu stellen und den Erfolg an einer vorab festgelegten Kennzahl zu messen. Welche Kennzahl das ist, hängt vom Ziel ab: Für eine Landingpage ist es meist die abgeschickte Anfrage als Makro-Conversion, für eine Anzeige eher die Kombination aus Klickrate und nachgelagerten Anfragen. Wer diese Zielgröße sauber definiert, verhindert, dass ein Test scheinbar gewinnt, obwohl er das eigentliche Geschäftsergebnis gar nicht verbessert. Deshalb lohnt es sich, vor jedem Test einmal sauber zu definieren, welches Ergebnis am Ende zählt und ab welcher Datenmenge die Auswertung erfolgt. Diese kleine Vorarbeit unterscheidet ein aussagekräftiges Experiment von einer bloßen Zahlenspielerei und sorgt dafür, dass aus jedem Test verwertbares Wissen für die nächste Optimierungsrunde entsteht.