Wat is A/B testen?
A/B testen (ook wel split testing) is een methode waarbij je twee versies van iets vergelijkt om te bepalen welke beter presteert. De helft van je bezoekers ziet versie A, de andere helft ziet versie B. Na genoeg data weet je welke beter werkt. Wat ik vaak zie is dat ondernemers denken dat ze hun doelgroep goed kennen — totdat de data het tegendeel bewijst.
Hoe werkt het?
- 01
Twee versies maken
Je maakt twee versies: A (controle) en B (variant)
- 02
Bezoekers verdelen
Je verdeelt bezoekers willekeurig over beide
- 03
Resultaat meten
Je meet welke versie beter scoort op je doel
- 04
Winnaar doorvoeren
Je implementeert de winnende versie
A/B test
Een element testen
Duidelijke hypothese, minder verkeer nodig. Ideaal voor de meeste bedrijven.
Multivariate test
Meerdere elementen tegelijk
Vereist significant meer verkeer. Alleen voor complexe paginas met hoog volume.
Waarom A/B testen?
Data-driven beslissingen. Geen discussies meer over ontwerp. De data beslist. Wat ik vaak zie is dat de winnende variant soms compleet tegen alle verwachtingen ingaat. Dat is precies waarom testen werkt — je laat je aannames los.
Bekende voorbeelden uit publiek gedocumenteerde A/B tests:
| Bedrijf | Test | Resultaat |
|---|---|---|
Booking.com CTA tekst | CTA tekst | +17% boekingen |
Obama campagne Email onderwerp | Email onderwerp | +49% donaties |
Hubspot Formulier lengte | Formulier lengte | +24% submissions |
01
Data-driven
Feiten i.p.v. meningen
02
Risico verkleinen
Test incrementeel
03
Conversie verhogen
5% hier, 3% daar stapelt op
Wat kun je A/B testen?
Website elementen
- Headlines. Test verschillende beloftes, lengtes, formuleringen
- CTA buttons. Tekst, kleur, grootte, positie
- Formulieren. Aantal velden, layout, labels
- Afbeeldingen. Product vs lifestyle, met/zonder mensen
- Prijspresentatie. Maandelijks vs jaarlijks, ankers
Email marketing
- Onderwerpregel. Lengte, personalisatie, emojis
- Verzendtijd. Dag, tijdstip, vertraging
- Content. Lange vs korte emails, CTA plaatsing
Advertenties
- Headlines. Value propositions en hooks
- Afbeeldingen. Product, lifestyle, illustratie
- Targeting. Verschillende doelgroepen
Het A/B test proces
- 01
Hypothese formuleren
Wat verander je, wat verwacht je, en waarom?
- 02
Varianten maken
Verander slechts een element per test.
- 03
Test opzetten
Kies tool, percentage verkeer, primaire metric.
- 04
Verkeer splitsen
De tool verdeelt bezoekers willekeurig.
- 05
Data verzamelen
Min. 100 conversies per variant of 2 weken.
- 06
Resultaten analyseren
Conversieratio, significantie (min. 95%).
- 07
Implementeren
Winnaar doorvoeren en volgende test starten.
A/B test tools
Gratis opties
- Gratis
Clarity + Experiments
Kleine sites
- Gratis tier
PostHog
Tech-savvy teams
- Open source
Growthbook
Developers
Betaalde tools
- Aanbevolen€199/mnd
VWO
Gebruiksvriendelijk
- Enterprise
Optimizely
Schaalbaar
- €500+/mnd
AB Tasty
AI personalisatie
- €99/mnd
Convert
Privacy-vriendelijk
A/B test voorbeelden
01
Button kleur
E-commerce site met groene "In winkelmand" button
Hypothese
Oranje valt meer op tegen de groene huisstijl
Test
Groen (A) vs oranje (B)
Resultaat
Oranje +12% clicks
Contrast is belangrijker dan huisstijl-consistentie
02
Headline
SaaS landing page met feature-gerichte headline
Hypothese
Benefit-gerichte headline resoneert beter
Test
"Projectmanagement software" vs "Lever projecten 30% sneller op"
Resultaat
Benefit-gericht +23% signups
Mensen kopen resultaten, niet features
03
Prijspresentatie
Abonnementsdienst toont alleen jaarprijs
Hypothese
Maandelijkse breakdown voelt toegankelijker
Test
"€249/jaar" vs "€20,75/maand (€249/jaar)"
Resultaat
Maandelijks +8% conversies
Lagere getallen voelen minder als drempel
04
Formulier lengte
Lead formulier met 8 velden
Hypothese
Minder velden = meer leads
Test
8 velden vs 4 velden
Resultaat
4 velden +35% submissions, 15% lagere lead-kwaliteit
Niet alleen aantal telt, ook kwaliteit
Veelgemaakte fouten
Let op
- Te vroeg stoppen. De meest gemaakte fout: na 3 dagen al conclusies trekken. Kleine steekproeven geven onbetrouwbare resultaten. Wacht tot statistische significantie.
- Te veel tegelijk testen. Als je meerdere elementen verandert, weet je niet wat werkte. Een fundamentele regel die ik strikt hanteer: een element per test.
- Verkeerde metric kiezen. Hogere CTR is mooi, maar als conversies dalen heb je niets. Kies de metric die direct aan omzet raakt.
- Te weinig verkeer. Met 100 bezoekers per maand kun je niet betrouwbaar testen. Mijn ervaring leert dat je minimaal 1.000 bezoekers per variant nodig hebt.
- Niet segmenteren. Wat ik regelmatig zie: een test wint overall maar verliest op mobiel. Resultaten kunnen per segment sterk verschillen.
Veelgestelde vragen
Hoe lang moet een A/B test lopen?
Minimaal tot je statistische significantie bereikt, met een minimum van 2 weken. Korter leidt tot onbetrouwbare conclusies door dagelijkse en wekelijkse variaties in bezoekersgedrag.
Kan ik A/B testen met weinig verkeer?
Lastig. Met minder dan 1.000 bezoekers per maand duurt een test maanden. Overweeg dan grotere veranderingen of focus eerst op meer verkeer genereren.
Wat als geen van beide wint?
Geen significant verschil is ook een resultaat. Het betekent dat dit element niet de bottleneck is. Test iets anders.
Moet ik desktop en mobiel apart testen?
Idealiter wel. Gedrag verschilt sterk per device. Een winnaar op desktop kan verliezen op mobiel.
Hoeveel tests kan ik tegelijk draaien?
Technisch meerdere, maar alleen op verschillende paginas. Twee tests op dezelfde pagina verstoren elkaar.
Verder lezen
Hulp nodig met conversie optimalisatie?
Ik help MKB-bedrijven met het opzetten van een test-cultuur.
Gratis gesprek plannen