Voordat je een A/B test opzet moet je goed je website analyseren om een onderbouwde hypothese op te stellen. Zonder een duidelijke, specifieke en meetbare hypothese ben je niet in staat om de testresultaten te verklaren. Gebruik de data in analytics om te onderzoek welk probleem je wilt oplossen.
Een hypothese bestaat uit drie onderdelen; een variabele, een effect (resultaat) en onderbouwing.
- Variabele: een element op je website dat je kunt veranderen, toevoegen of verwijderen. Dit kan bijvoorbeeld een call-to-action, een afbeelding of een web formulier zijn.
- Resultaat: Een meetbaar effect zoals een lagere bounce rate, meer clicks en een gemiddeld langere sessie duur.
- Onderbouwing: Verklaar het resultaat aan de hand van kwalitatieve en kwantitatieve onderzoek. Kwalitatieve onderzoek is meer beschrijvend en richt zich op ervaringen bijvoorbeeld een gebruiksvriendelijkheid-test met een proefpersoon. Bij kwantitatieve onderzoek verzamel je data. Dat is meestal in de vorm van cijfers. Webstatistieken en Web Analytics is daar een voorbeeld van.
Een voorbeeld hypothese
Als de call-to-action tekst verandert is naar het Nederlands dan zal de bounce rate op de landingspagina verlagen omdat 90% van onze bezoekers uit Nederland komt.
Variabele: Call-to-action tekst is specifiek en eenduidig. We testen en veranderen 1 element.
Resultaat: verlaging bounce rate is meetbaar. Een hoge bounce rate kan een probleem zijn.
Onderbouwing wordt ondersteund door data van Web Analytics. Lokaliseren van website geeft gebruikers een vertrouwd gevoel. Eventueel kunnen we feedback verzamelen van gebruikers.
Waarom wil je een A/B test?
Voordat je een hypothese formuleert moet je eerst afvragen waarom je een A/B test wilt uitvoeren. Na een antwoord heb je meer duidelijkheid van wat je wilt meten.
- Wat is je conversie doel? Meer aankopen, nieuwsbrief aanmeldingen, lagere bounce rate of 50% meer gelezen tekst?
- Wat is je probleemstelling? Dit is de rode draad van je onderzoek. Het is beknopt het onderwerp waaronder je A/B test of meerdere A/B testen valt.
- Voor veel webwinkels is dat duidelijk > meer bestellingen (of meer omzet).
- Een betere branding van je website of merk.
- Het bouwen van een grotere community.
- Het verbeteren van de kwaliteit van je content.
Een doel kan bijvoorbeeld zijn: meer gelezen artikelen op een blog. Een probleemstelling: doordat het tijd kost om onze artikelen te lezen en gebruikers niet goed kunnen inschatten hoe lang het duurt om te lezen, haken veel gebruikers af.
Door het toevoegen van een ‘time to read’ label kun je aangeven hoeveel minuten het duurt om een artikel te lezen. Dit kan gebruikers motiveren. Je wilt dit onderzoeken.
