Wat is A/B-testen?
Veeg om het menu te tonen
A/B-test houdt in dat een populatie wordt opgesplitst in verschillende groepen, waarbij elke groep wordt blootgesteld aan een andere versie van een product, functie of proces, en vervolgens wordt gemeten welke versie het gewenste resultaat het meest effectief behaalt.
A/B-test is een gestructureerde benadering van experimenteren waarbij twee of meer alternatieven worden vergeleken om te bepalen welke beter presteert volgens een specifieke metriek.
Het concept van A/B-test vindt zijn oorsprong in de wetenschappelijke methode, waarbij gecontroleerde experimenten worden gebruikt om het effect van één enkele variabele te isoleren. De vroegste vormen van gecontroleerde proeven dateren uit landbouwexperimenten in de 18e en 19e eeuw, en klinische proeven in de geneeskunde. In de context van bedrijfsleven en technologie werd A/B-test populair toen bedrijven websites, advertenties en producten wilden optimaliseren door op bewijs gebaseerde beslissingen te nemen.
In de wetenschappelijke methode begin je met een hypothese, ontwerp je een experiment om deze te testen, verzamel en analyseer je gegevens, en trek je conclusies. A/B-test past dit proces toe op praktische problemen. Een technologiebedrijf wil bijvoorbeeld het aantal gebruikers dat zich aanmeldt voor een dienst verhogen. Ze kunnen twee versies van een aanmeldpagina maken: één met het bestaande ontwerp (de controle), en één met een nieuwe lay-out (de variant). Door gebruikers willekeurig aan elke versie toe te wijzen en het aanmeldpercentage te meten, kan het bedrijf bepalen welk ontwerp effectiever is.
- Controle groep: de groep die de standaard of bestaande versie ontvangt. Als je een nieuw afrekenproces op een e-commerce site test, blijft de controle groep het oorspronkelijke afrekenproces gebruiken;
- Variant (of behandelingsgroep): de groep die de nieuwe of aangepaste versie ontvangt. In hetzelfde e-commerce voorbeeld gebruikt de variantgroep het herontworpen afrekenproces;
- Conversieratio: het aandeel gebruikers dat een gewenste actie voltooit, zoals een aankoop doen of zich inschrijven voor een nieuwsbrief. Als 100 gebruikers een aanmeldpagina bezoeken en 10 zich aanmelden, is de conversieratio 10%;
- Uplift: het verschil in conversieratio (of een andere metriek) tussen de variant en de controle. Als de conversieratio van de controle 10% is en die van de variant 12%, is de uplift 2%;
- Statistische significantie: een maatstaf of de waargenomen verschillen tussen groepen waarschijnlijk te wijten zijn aan de geteste wijziging, en niet aan toeval. Als je bijvoorbeeld een A/B-test uitvoert en een uplift van 2% ziet, geeft statistische significantie aan of dit waarschijnlijk een echt effect is;
- Duur van het experiment: de tijdsduur waarin de test wordt uitgevoerd. Een test moet lang genoeg lopen om voldoende gegevens te verzamelen voor betrouwbare conclusies. Een test die slechts enkele uren duurt, kan het normale gebruikersgedrag niet vastleggen, terwijl een test van meerdere weken waarschijnlijk robuustere resultaten oplevert.
Stel je voor dat je werkt voor een online retailer. Je wilt testen of een nieuwe "Nu kopen"-knop het aantal aankopen verhoogt. Je wijst willekeurig de helft van je sitebezoekers toe aan de oude knop (controlegroep) en de andere helft aan de nieuwe knop (variant). Je houdt het aantal aankopen (conversie-events) in elke groep bij, berekent het conversiepercentage en meet de uplift. Na het uitvoeren van de test gedurende twee weken (experimentduur) analyseer je de resultaten om te bepalen of het verschil statistisch significant is. Dit proces en deze terminologie vormen de basis van A/B-testen in de praktijk.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
