A/B-Testing im Onlineshop: So treffen Sie Entscheidungen mit echten Daten

Auf den Punkt: A/B-Testing im Onlineshop bedeutet, zwei Varianten einer Seite gleichzeitig echten Besucher:innen zu zeigen und zu messen, welche besser konvertiert. Sie brauchen dafür eine klare Testhypothese, eine Ziel-Metrik und genug Traffic, um statistische Signifikanz zu erreichen. Richtig gemacht, ersetzt A/B-Testing Bauchentscheidungen durch belastbare Daten und hilft Ihnen, die Conversion-Rate steigern zu können, ohne den ganzen Shop umzukrempeln. Falsch gemacht, kostet es nur Zeit und liefert Zufallsergebnisse.

Stellen Sie sich vor, Sie kochen für eine Familienfeier zwei Varianten einer Soße: einmal mit mehr Sahne, einmal mit mehr Wein. Sie könnten einfach raten, welche besser schmeckt. Oder Sie stellen beide Töpfe hin, lassen die Gäste probieren, und zählen am Ende, welcher Topf zuerst leer ist. Genau das ist A/B-Testing im Onlineshop: Sie servieren zwei Versionen einer Seite, lassen echte Besucher:innen "probieren", und zählen, welche Version zu mehr Käufen führt. Kein Rätselraten, kein Streit am Tisch, sondern ein Ergebnis, das Sie schwarz auf weiß haben.

Was ist A/B-Testing im Onlineshop und wie funktioniert es?

A/B-Testing im Onlineshop ist im Kern ein kontrolliertes Experiment. Sie nehmen eine bestehende Seite, zum Beispiel Ihre Produktseite oder den Warenkorb, und erstellen davon eine zweite Version mit genau einer Änderung. Diese Original-Version nennt man Kontrollgruppe (die "A"-Variante), die veränderte Version heißt Testvariante (die "B"-Variante). Ein Test-Tool teilt Ihren eingehenden Traffic dann automatisch auf: Die eine Hälfte der Besucher:innen sieht Variante A, die andere Hälfte Variante B. Das nennt man Traffic-Split, meist im Verhältnis 50 zu 50.

Wichtig dabei: Jede Person sieht während des gesamten Tests immer dieselbe Variante. Niemand bekommt beim zweiten Besuch plötzlich die andere Seite vorgesetzt, das würde das Ergebnis verfälschen. Im Hintergrund läuft ein sogenannter Split-Test, der beide Varianten parallel misst, statt sie nacheinander zu testen. Das ist entscheidend, denn wenn Sie erst zwei Wochen Variante A und danach zwei Wochen Variante B laufen lassen, könnten äußere Faktoren wie ein Feiertag, eine Rabattaktion der Konkurrenz oder einfach das Wetter das Ergebnis verzerren. Ein echter Split-Test läuft parallel, damit beide Varianten denselben äußeren Bedingungen ausgesetzt sind.

Am Ende zählt eine einzige, vorher festgelegte Metrik: meist die Conversion-Rate, also der Anteil der Besucher:innen, die tatsächlich kaufen. Doch woher wissen Sie, ob ein Unterschied zwischen beiden Varianten echt ist, oder ob er einfach nur Zufall war? Genau hier kommt die statistische Signifikanz ins Spiel. Vereinfacht gesagt: Bei kleinen Besucherzahlen kann ein Unterschied von wenigen Prozentpunkten reiner Zufall sein, so wie ein Münzwurf bei nur zehn Versuchen mal öfter Kopf zeigt, obwohl die Münze fair ist. Erst wenn genug Daten vorliegen, also genug "Münzwürfe" stattgefunden haben, können Sie sicher sein, dass ein Unterschied wirklich an der Änderung liegt und nicht am Zufall. Test-Tools berechnen diese Signifikanz automatisch und zeigen Ihnen meist einen Prozentwert an, häufig wird ein Wert von 95 Prozent als Schwelle für ein verlässliches Ergebnis verwendet.

Was lässt sich im Onlineshop konkret testen?

Fast jedes sichtbare Element Ihres Shops lässt sich testen, aber nicht jedes Element lohnt sich gleich stark. Ein guter Ausgangspunkt sind Stellen mit hohem Traffic und klarer Kaufabsicht, weil Sie dort schneller genug Daten sammeln.

Auf Produktseiten lohnt sich oft ein Test der Bildreihenfolge: Zeigt das Hauptbild das Produkt freigestellt oder in einer Alltagsszene? Auch die Länge und Struktur der Produktbeschreibung ist ein beliebtes Testfeld, kurze Stichpunkte gegen einen ausführlichen Fließtext etwa. Genauso spannend ist die Darstellung von Preis und Rabatt: Wird der Streichpreis größer oder kleiner als der aktuelle Preis angezeigt, steht die Ersparnis in Euro oder in Prozent daneben? Wer tiefer in dieses Thema einsteigen möchte, findet in unserem Beitrag zum Thema Produktseiten optimieren weitere testbare Stellschrauben, von Trust-Signalen bis zur Anordnung der Kaufbox.

Der Call-to-Action-Button ist einer der am häufigsten getesteten Bausteine überhaupt, und das aus gutem Grund: Kleine Änderungen an Text ("In den Warenkorb" gegen "Jetzt sichern"), Farbe oder Größe können spürbare Unterschiede machen, ohne dass Sie am Produkt oder Preis etwas ändern müssen. Auch der Checkout-Prozess selbst bietet viel Testpotenzial: Ein einseitiger Checkout gegen einen mehrstufigen mit Fortschrittsbalken, eine verpflichtende Kontoerstellung gegen einen Gast-Checkout, oder die Reihenfolge von Versandart- und Zahlungsart-Auswahl. Weil gerade hier viel Umsatz verloren geht, lohnt sich ein Blick in unseren Artikel zum Thema Checkout-Abbrüche reduzieren, der typische Stolperstellen im Bestellprozess auflistet, die sich hervorragend für Tests eignen. Weitere testbare Elemente sind Trust-Badges wie Gütesiegel oder Zahlungsicherheits-Icons, die Anzeige von Lagerbestand ("nur noch 3 Stück verfügbar") sowie die Positionierung von Kundenbewertungen auf der Seite.

In 6 Schritten zum ersten A/B-Test

Ein guter A/B-Test lebt von Struktur, nicht von Zufall. Diese sechs Schritte helfen Ihnen, Ihren ersten Test sauber aufzusetzen.

1. Testhypothese formulieren. Bevor Sie irgendetwas ändern, schreiben Sie einen Satz auf, der Ursache und erwartete Wirkung verbindet, zum Beispiel: "Wenn wir den CTA-Button von Blau auf Orange ändern, erhöht sich die Klickrate, weil Orange stärker vom restlichen Design absticht." Eine klare Testhypothese zwingt Sie dazu, vorher zu wissen, was Sie eigentlich beweisen wollen, statt nachträglich eine Geschichte in die Zahlen hineinzudeuten.

2. Eine einzige Ziel-Metrik festlegen. Entscheiden Sie sich vor Testbeginn für genau eine Hauptmetrik, etwa die Conversion-Rate im Checkout oder die Klickrate auf den "In den Warenkorb"-Button. Wer nach dem Test einfach die Metrik heraussucht, bei der zufällig ein positiver Ausschlag zu sehen ist, betrügt sich selbst.

3. Nur eine Variable verändern. Wenn Sie gleichzeitig Bild, Überschrift und Button-Farbe ändern, wissen Sie am Ende nicht, welche Änderung den Unterschied gemacht hat. Ein sauberer A/B-Test verändert immer nur ein Element zwischen Kontrollgruppe und Variante.

4. Das passende Tool wählen. Es gibt einfache, kostengünstige Testing-Tools ebenso wie umfangreiche Enterprise-Lösungen mit Heatmaps und Segmentierung. Für den Einstieg reicht meist ein Tool, das Traffic-Split, Signifikanzberechnung und ein einfaches Dashboard bietet, ohne dass Sie Wochen mit der Einrichtung verbringen.

5. Mindest-Traffic und Laufzeit realistisch einplanen. Ein Test braucht Zeit, um aussagekräftig zu werden. Als grobe Orientierung gilt: Je weniger Besucher:innen und je niedriger Ihre aktuelle Conversion-Rate, desto länger muss der Test laufen, oft mehrere Wochen. Legen Sie vorab fest, wie viele Besucher:innen oder Bestellungen pro Variante mindestens zusammenkommen sollen, statt einfach "auf gut Glück" nach ein paar Tagen einen Blick auf das Ergebnis zu werfen.

6. Test starten und nicht vorzeitig eingreifen. Sobald der Test läuft, lassen Sie ihn ungestört durchlaufen. Ändern Sie währenddessen nichts an Design, Preisen oder Traffic-Quellen, sonst verwässern Sie das Ergebnis.

Die häufigsten Fehler beim A/B-Testing im Onlineshop

Die meisten gescheiterten Tests scheitern nicht an der Idee, sondern an der Durchführung. Diese Fehler sehen wir in der Praxis besonders oft.

Der wohl häufigste Fehler ist der zu frühe Abbruch. Nach zwei, drei Tagen zeigt das Dashboard schon einen Vorsprung für Variante B, und die Versuchung ist groß, den Test sofort zu beenden und die Änderung live zu schalten. Doch frühe Ausschläge sind oft reiner Zufall, ähnlich wie ein Münzwurf, der nach fünf Versuchen zufällig viermal Kopf zeigt. Erst über einen längeren Zeitraum und mit ausreichend vielen Besucher:innen gleicht sich das aus und ein echtes Muster wird sichtbar.

Ein zweiter klassischer Fehler ist das gleichzeitige Testen zu vieler Variablen. Wenn Sie Button-Farbe, Produktbild und Überschrift auf einmal ändern und die Conversion-Rate steigt, wissen Sie hinterher nicht, welcher der drei Faktoren dafür verantwortlich war, und können die Erkenntnis nicht auf andere Seiten übertragen. Eng damit verwandt ist der Fehler, mit zu wenig Traffic zu testen. Ein Shop mit wenigen hundert Besucher:innen im Monat wird selbst nach Wochen keine statistische Signifikanz erreichen, weil einfach zu wenige Daten zusammenkommen. Das Ergebnis bleibt Zufall, egal wie lange man wartet.

Auch menschlich nachvollziehbar, aber gefährlich: Ergebnisse werden ignoriert, wenn sie nicht ins eigene Bild passen. Wenn die Lieblingsidee der Geschäftsführung im Test schlechter abschneidet als die "langweilige" Kontrollvariante, sollte das Ergebnis trotzdem zählen, nicht die persönliche Meinung. Genau dafür gibt es den Test. Und schließlich fehlt vielen Shops schlicht ein Testkalender. Ohne einen Überblick, was wann getestet wurde und mit welchem Ergebnis, wiederholen Sie irgendwann unbewusst alte Tests oder verlieren wertvolles Wissen, sobald Mitarbeitende wechseln. Ein einfaches Tabellenblatt mit Datum, Hypothese, Ergebnis und Learnings reicht meist schon aus.

Praxisbeispiele: Was oft überraschende Ergebnisse bringt

Nach vielen begleiteten Tests lässt sich eine Beobachtung ziehen, die sich immer wieder bestätigt: Die Änderungen, die im Vorfeld am unspektakulärsten wirken, liefern oft die deutlichsten Ergebnisse, während aufwendig gestaltete "große" Redesigns manchmal kaum etwas bewegen.

Ein Beispiel ist die Darstellung der Versandkosten. Shops, die den Versandpreis erst spät im Checkout einblenden, sehen im Test häufig eine spürbar niedrigere Kaufabschlussrate als Varianten, die die Versandkosten schon auf der Produktseite oder im Warenkorb transparent zeigen. Der Grund liegt nahe: Eine späte Überraschung fühlt sich für Kund:innen wie ein versteckter Aufpreis an, selbst wenn der Betrag objektiv klein ist. Ähnlich verhält es sich oft mit der Anzahl der Zahlungsarten. Mehr Auswahl klingt zunächst gut, aber in Tests zeigt sich manchmal, dass eine übersichtliche Auswahl von drei bis vier vertrauten Zahlungsarten besser performt als eine lange Liste mit zehn Optionen, weil zu viel Wahl im entscheidenden Moment eher verunsichert als hilft.

Auch kleine Formulierungsänderungen bei Buttons sorgen in der Praxis regelmäßig für Überraschungen. Ein Wechsel von einer generischen Formulierung zu einer, die den nächsten Schritt konkret benennt, etwa statt "Weiter" lieber "Zur Zahlung", schafft oft mehr Klarheit darüber, was als Nächstes passiert, und das senkt die Abbruchquote in der Praxis häufig spürbar im niedrigen bis mittleren zweistelligen Prozentbereich, wobei solche Werte natürlich stark vom jeweiligen Shop und der Ausgangslage abhängen. Auch das Timing und die Formulierung von Erinnerungen an liegen gelassene Warenkörbe lässt sich testen, etwa Betreffzeile, Versandzeitpunkt oder ob ein kleiner Rabatt angeboten wird. Wer diesen Hebel noch nicht nutzt, findet in unserem Beitrag zu E-Mails gegen Warenkorbabbrüche einen guten Ausgangspunkt, den Sie ebenfalls testgetrieben verfeinern können, statt sich auf eine einzige Standard-Mail zu verlassen.

Interessant ist auch, dass mehr Bilder auf der Produktseite nicht automatisch zu mehr Verkäufen führen. Manche Shops sehen bessere Ergebnisse mit wenigen, aber hochwertigen und aussagekräftigen Bildern als mit einer langen Bildergalerie, die eher Unentschlossenheit als Kaufsicherheit erzeugt. Die Lehre aus all diesen Beispielen: Verlassen Sie sich nicht auf Branchen-Faustregeln, testen Sie Ihre eigene Zielgruppe, denn was bei einem Shop funktioniert, kann bei einem anderen genau gegenteilig wirken.

Wann sich A/B-Testing im Onlineshop nicht lohnt

So wertvoll A/B-Testing sein kann, es passt nicht zu jeder Situation. Der wichtigste limitierende Faktor ist Traffic. Wenn Ihre Zielseite nur wenige hundert Besucher:innen pro Monat hat, würde ein sauberer Test mit ausreichender statistischer Signifikanz mehrere Monate dauern, manchmal länger, als die Erkenntnis überhaupt noch relevant ist. In diesem Fall verbrennt A/B-Testing eher Zeit, als dass es Klarheit bringt.

Auch bei sehr kleinen erwarteten Unterschieden lohnt sich der Aufwand oft nicht. Wenn Sie vermuten, dass eine Änderung die Conversion-Rate nur um einen Bruchteil eines Prozentpunkts verändert, brauchen Sie extrem viel Traffic, um diesen kleinen Unterschied überhaupt statistisch nachweisen zu können. Für solche Feinjustierungen fehlt kleineren und mittleren Shops meist schlicht die Datenbasis. Ein weiterer Grund gegen A/B-Testing kann fehlende interne Kapazität sein: Ein Test braucht jemanden, der Hypothesen entwickelt, das Tracking sauber aufsetzt, Ergebnisse auswertet und daraus Handlungen ableitet. Ohne diese Ressource verkommt Testing schnell zu einer Tool-Leiche, die zwar läuft, aber nie ausgewertet wird.

Was tun, wenn A/B-Testing für Ihren Shop aktuell nicht der richtige Hebel ist? Zwei Alternativen haben sich bewährt. Erstens: Qualitative Methoden wie Nutzer-Interviews, Session-Recordings oder einfache Umfragen liefern auch ohne großen Traffic wertvolle Hinweise, wo Kund:innen zögern oder abspringen. Zweitens: Orientieren Sie sich an etablierten Best Practices der Branche, etwa kurze Checkout-Wege, transparente Preise und klare Produktbilder, und setzen Sie diese direkt um, statt jede einzelne Mikro-Entscheidung testen zu wollen. Sobald Ihr Traffic wächst, können Sie gezielt zu A/B-Tests zurückkehren. Einen guten Gesamtüberblick, welche Hebel neben dem reinen Testing die Conversion-Rate steigern, finden Sie in unserem Grundlagenartikel Conversion-Rate im Onlineshop steigern, der A/B-Testing als einen von mehreren Bausteinen einordnet.

Fazit

A/B-Testing im Onlineshop ist kein Selbstzweck, sondern ein Werkzeug, um Vermutungen durch Beweise zu ersetzen. Wer eine klare Testhypothese formuliert, eine einzige Ziel-Metrik festlegt und dem Test genug Zeit und Traffic gibt, trifft am Ende bessere Entscheidungen als jede noch so erfahrene Bauch-Einschätzung. Nicht jeder Shop hat sofort genug Traffic für belastbare Tests, aber wer die Grundlagen einmal richtig aufsetzt, kann Schritt für Schritt datenbasiert wachsen. Der Aufwand lohnt sich, weil jedes gewonnene Testergebnis eine Entscheidung ist, die Sie nie wieder neu diskutieren müssen.