Was ist A/B-Testing? Funktionsweise, Beispiele und Best Practices (2026)
A/B-Testing (auch Split-Testing genannt) ist eine Methode, um zwei Versionen von etwas zu vergleichen, einer Webseite, einer E-Mail-Betreffzeile, einer Anzeige, eines Call-to-Action, um zu sehen, welche besser abschneidet. Du zeigst der Hälfte deines Publikums Version A und der anderen Hälfte Version B, misst, welche mehr von dem gewünschten Ergebnis erzielt (Klicks, Anmeldungen, Verkäufe), und behältst den Gewinner. Es ist der einfachste Weg, „ich denke, das ist besser“ durch „die Daten zeigen, dass das besser ist“ zu ersetzen.
Dieser Leitfaden erklärt, was A/B-Testing ist, wie es funktioniert, was man testen sollte, welche Fehler die Ergebnisse ungültig machen und welche Best Practices es gibt.
TL;DR
- A/B-Testing vergleicht zwei Versionen, um zu sehen, welche besser abschneidet, Entscheidungen auf Basis von Daten, nicht von Meinungen.
- Zeige der Hälfte deines Publikums Version A, der anderen Hälfte Version B, miss und behalte den Gewinner.
- Teste jeweils nur eine Variable, damit du weißt, was den Unterschied verursacht hat.
- Du brauchst genügend Volumen, damit das Ergebnis aussagekräftig ist, kleine Stichproben erzeugen Rauschen.
- Wirkungsvolle Dinge zum Testen: Überschriften, Betreffzeilen, CTAs, Angebote und Seitenlayouts.
So funktioniert A/B-Testing
Der Prozess ist unkompliziert:
- Wähle eine Sache zum Testen und stelle eine Hypothese auf („eine kürzere Betreffzeile erzielt mehr Öffnungen“).
- Erstelle zwei Versionen, die sich nur in dieser einen Sache unterscheiden, Version A (die Kontrolle/das Original) und Version B (die Variante).
- Teile dein Publikum zufällig auf, die Hälfte sieht A, die Hälfte sieht B, zur gleichen Zeit.
- Miss das Ergebnis, das dich interessiert (Öffnungsrate, Klickrate, Conversion).
- Warte auf genügend Daten, erkläre dann den Gewinner und führe ihn ein.
Die Regel „eine Sache nach der anderen“ ist entscheidend: Wenn sich A und B in drei Punkten unterscheiden, kannst du nicht sagen, welche Änderung das Ergebnis verursacht hat. Isoliere die Variable.
Was man per A/B testen sollte
Die wirkungsvollsten Elemente, ungefähr in dieser Reihenfolge:
- Überschriften und Betreffzeilen: oft der größte einzelne Hebel, sie entscheiden, ob überhaupt jemand den Rest liest.
- Calls to Action: Formulierung, Farbe, Platzierung, „Loslegen“ vs. „Kostenlos testen“.
- Angebote: ein Rabatt vs. ein Bonus, eine kostenlose Testversion vs. eine Demo.
- Seitenlayout und Bilder: Hero, Formularlänge, Platzierung von Social Proof.
- E-Mail- und Nachrichteninhalt: Länge, Tonalität, Personalisierung.
Beginne mit den Elementen, die der Entscheidung am nächsten sind (Überschrift, CTA, Angebot), sie bewegen meist mehr als visuelle Feinheiten.
Die Fehler, die A/B-Tests ruinieren
- Zu viele Dinge auf einmal testen. Wenn sich Versionen in mehreren Punkten unterscheiden, ist das Ergebnis nicht interpretierbar. Eine Variable pro Test.
- Zu früh entscheiden. Ein Unterschied von 10 % bei 50 Besuchern ist Rauschen. Du brauchst eine ausreichende Stichprobengröße, damit das Ergebnis statistisch aussagekräftig ist, oft einige Hundert Conversions pro Variante, bevor du ihm vertraust.
- Die echte Kennzahl ignorieren. Eine Version kann bei Klicks gewinnen, aber bei den tatsächlichen Conversions oder beim Umsatz verlieren. Teste gegen das Ergebnis, das zählt, nicht gegen eine Eitelkeitsmetrik.
- In dem Moment aufhören, in dem du einen Gewinner siehst. Frühe Vorsprünge kehren sich oft um. Lass den Test seine geplante Laufzeit laufen.
- Gar nicht testen. Der häufigste Fehler, nach Meinung entscheiden und nie validieren.
A/B-Testing-Beispiele
- E-Mail: Betreffzeile „kurze Frage“ vs. „Idee für [Unternehmen]“, miss Öffnungs- und Antwortrate (siehe Betreffzeilen für Kalt-E-Mails).
- Landingpage: eine lange Verkaufsseite vs. eine kurze, miss die Conversion (siehe Landingpages).
- CTA: „Demo buchen“ vs. „Kostenloses Audit erhalten“, miss Klicks und abgeschlossene Buchungen.
- Outreach: zwei Eröffnungszeilen in einer Kalt-Sequenz, miss die Antwortrate.
In jedem Fall gilt: dasselbe Publikum und Timing, eine Variable geändert und der Gewinner behalten.
A/B-Testing und Conversion-Optimierung
A/B-Testing ist der Motor der Conversion-Rate-Optimierung: CRO findet das größte Leck und stellt eine Hypothese auf, und A/B-Testing beweist, ob die Lösung tatsächlich funktioniert, bevor du sie einführst. Viele Marketing-Tools enthalten integriertes Split-Testing, sodass du Nachrichten- und Inhaltsvarianten ohne zusätzliche Tools testen kannst, Inflowave zum Beispiel lässt dich deine Outreach- und Follow-up-Nachrichten per Split-Test optimieren, sodass du auf Basis echter Antwort- und Conversion-Daten optimierst statt auf Vermutungen.
FAQ
Was ist A/B-Testing?
A/B-Testing, auch Split-Testing genannt, ist eine Methode, um zwei Versionen von etwas (einer Webseite, E-Mail, Anzeige oder eines Call-to-Action) zu vergleichen, um festzustellen, welche besser abschneidet. Du zeigst zufällig der Hälfte deines Publikums Version A und der anderen Hälfte Version B zur gleichen Zeit, misst, welche mehr von deinem gewünschten Ergebnis erzielt, und behältst den Gewinner. So kannst du Entscheidungen auf Basis echter Leistungsdaten treffen statt auf Basis von Meinung oder Vermutung.
Wie funktioniert A/B-Testing?
Du wählst ein Element zum Testen aus, erstellst zwei Versionen, die sich nur in diesem Element unterscheiden, teilst dein Publikum zufällig auf, sodass die Hälfte jede Version gleichzeitig sieht, und misst, welche bei der Kennzahl, die dich interessiert, bessere Ergebnisse erzielt. Nachdem du genügend Daten gesammelt hast, damit das Ergebnis aussagekräftig ist, erklärst du den Gewinner und führst ihn ein. Das Schlüsselprinzip ist, pro Test nur eine Variable zu ändern, damit du jeden Unterschied dieser spezifischen Änderung zuschreiben kannst.
Was sollte ich zuerst per A/B testen?
Beginne mit den Elementen, die der Entscheidung am nächsten sind und die größte Wirkung haben: Überschriften und E-Mail-Betreffzeilen (sie entscheiden, ob sich überhaupt jemand engagiert), Calls to Action (Formulierung und Platzierung) und Angebote. Diese bewegen die Ergebnisse in der Regel stärker als visuelle Feinheiten wie Button-Farben. Wähle die eine Änderung, von der du glaubst, dass sie deine wichtigste Kennzahl am stärksten beeinflusst, teste sie sauber und gehe dann zum nächsten wirkungsvollsten Element über.
Wie viel Traffic brauche ich für A/B-Testing?
Genug, damit das Ergebnis statistisch aussagekräftig ist und nicht zufälliges Rauschen, was von deiner Conversion-Rate und der Größe des Unterschieds abhängt, den du erkennen möchtest. Als grobe Regel solltest du mindestens einige Hundert Conversions pro Variante haben, bevor du einem Ergebnis vertraust; ein kleiner Unterschied bei einer winzigen Stichprobe ist unzuverlässig. Wenn dein Traffic gering ist, teste größere, mutigere Änderungen (die größere, leichter erkennbare Unterschiede erzeugen) statt kleinerer Feinheiten.
Was ist der Unterschied zwischen A/B-Testing und Split-Testing?
Sie sind im Wesentlichen dasselbe, die Begriffe werden synonym verwendet. Beide beziehen sich darauf, zwei (oder mehr) Versionen von etwas zu vergleichen, indem man jede einem Teil des Publikums zeigt und misst, welche besser abschneidet. Gelegentlich wird „Split-Testing“ lose verwendet, um das Testen von mehr als zwei Versionen einzuschließen (manchmal A/B/n-Testing genannt), aber im alltäglichen Marketinggebrauch bedeuten A/B-Testing und Split-Testing dieselbe Methode.
Warum ist A/B-Testing wichtig?
Weil es Vermutungen durch Beweise ersetzt. Ohne Tests nimmst du Änderungen auf Basis von Meinungen vor und weißt nie, ob sie tatsächlich geholfen oder geschadet haben, und kleine falsche Annahmen summieren sich mit der Zeit. A/B-Testing lässt dich validieren, dass eine Änderung deine wichtigste Kennzahl tatsächlich verbessert, bevor du sie einführst, und eine Reihe validierter Verbesserungen summiert sich zu deutlich besseren Ergebnissen. Es ist die Grundlage von datengetriebenem Marketing und Conversion-Optimierung.
