A/B-Testing-Glossar: Begriffe einfach erklärt

Die wichtigsten Begriffe rund um A/B-Testing und Conversion-Optimierung, neutral und ohne Fachchinesisch.

A/B-Test

Ein A/B-Test vergleicht zwei oder mehr Varianten einer Webseite, indem Besucher zufällig auf die Varianten verteilt werden. Anhand einer Conversion-Kennzahl wird gemessen, welche Variante besser abschneidet.

Conversion-Rate

Die Conversion-Rate ist der Anteil der Besucher, die eine gewünschte Aktion ausführen, etwa ein Formular absenden oder kaufen. Sie wird als Prozentwert angegeben: Conversions geteilt durch Besucher.

Conversion-Ziel

Ein Conversion-Ziel ist die konkrete Aktion, die als Erfolg zählt, zum Beispiel ein Button-Klick, ein abgesendetes Formular oder ein Seitenaufruf. Es legt fest, woran ein Test gemessen wird.

Multi-Armed-Bandit

Ein Multi-Armed-Bandit ist ein Verfahren, das Traffic während eines Tests laufend zu den erfolgreicheren Varianten verschiebt. So gehen weniger Conversions an schlechtere Varianten verloren als bei einem festen Traffic-Split.

Statistische Signifikanz

Statistische Signifikanz beschreibt, wie wahrscheinlich es ist, dass ein gemessener Unterschied zwischen Varianten echt und nicht zufällig ist. Üblich ist eine Schwelle von 95 Prozent. Je weniger Daten, desto länger dauert es, Signifikanz zu erreichen.

Auto-Discovery

Auto-Discovery bezeichnet die automatische Erkennung testbarer Elemente einer Website, etwa Überschriften, Buttons und Hero-Bilder. Statt Varianten in einem Editor zu bauen, bestätigt man vorgeschlagene Test-Kandidaten.

Cross-Customer-Prior

Ein Cross-Customer-Prior ist ein Startwert für einen neuen Test, der aus anonymen, aggregierten Erfahrungen vieler ähnlicher Websites stammt. Er hilft besonders Seiten mit wenig eigenem Traffic, schneller zu sinnvollen Ergebnissen zu kommen.

Goldilocks-Zone

Als Goldilocks-Zone wird der Traffic-Bereich bezeichnet, in dem klassisches A/B-Testing gut funktioniert, grob 200 bis 2000 Besucher pro Tag. Genug Daten für Ergebnisse in Wochen, aber kein Enterprise-Volumen nötig.

k-Anonymität

k-Anonymität ist ein Datenschutz-Prinzip, bei dem ein einzelner Datensatz nicht von mindestens k anderen unterscheidbar ist. Bei Cross-Customer-Insights heißt das: Erkenntnisse werden erst genutzt, wenn genug Websites in einem Cluster sind (zum Beispiel mindestens 50).