A/B testen voor marketeers: zo doe je het goed

A/B testen is het vergelijken van twee versies van een element om te bepalen welke beter presteert. Versie A is de huidige situatie, versie B is de variant. De helft van je publiek ziet A, de andere helft B — en data bepaalt de winnaar. Het is de kern van elke growth marketing-aanpak: beslissen op bewijs in plaats van onderbuikgevoel. Maar laat ik meteen de belangrijkste les uit mijn eigen praktijk delen: één testje draaien en meteen implementeren is géén A/B testen. Wie er serieus resultaat uit wil halen, bouwt een continue experimentflow waarin je steeds nieuwe dingen test — en belangrijke tests herhaalt voordat je conclusies trekt.

Wat een serieus testprogramma oplevert: 14% prijsverhoging zonder extra churn

Het voorbeeld dat mij het meest is bijgebleven komt uit mijn tijd bij een bedrijf in de edtech-sector. Daar testten we in de shop een prijsverhoging van het abonnement — niet één keer, maar meerdere keren achter elkaar. De uitkomst: we konden de prijs uiteindelijk met 14% verhogen terwijl de churn op die abonnementen niet toenam. We hadden daarmee feitelijk de prijselasticiteit getest, en dat levert structureel enorm veel extra omzet op zonder één klant extra te hoeven werven.

Daarnaast deden we ogenschijnlijk simpele tests, zoals met social proof: klantreviews op een pagina plaatsen en kijken wat dat met de conversie doet. Ook die tests herhaalden we, op verschillende plekken op de pagina, omdat je elke keer net een ander effect zag. Dat is de boodschap: je wilt zeker weten dat de versie die je bedacht hebt écht beter werkt, en daarvoor moet je vaak meerdere keren testen.

De test die tienduizenden euro's bespaarde — door te "verliezen"

Bij datzelfde edtech-bedrijf wilden we een verandering in het abonnementsmodel doorvoeren. De nieuwe opzet zou aan de voorkant anders gecommuniceerd worden, maar had ook grote impact op de achterkant: het bouwen ervan betekende een investering van tienduizenden euro's, zo niet meer. Dan wil je wel zeker weten dat het gaat werken.

Wat we deden was een fake door-test: we testten het nieuwe abonnementsmodel aan de voorkant, terwijl het aan de achterkant nog helemaal niet gebouwd was. Mijn verwachting was dat het nieuwe model beter zou converteren — het voelde als een veel sterkere manier van communiceren. Het tegendeel bleek waar: de nieuwe variant werkte juist mínder goed. We besloten de investering niet te doen en bespaarden daarmee veel geld. Een "verliezende" test is dus geen mislukking; soms is het je meest winstgevende experiment.

Wat is A/B testen en wanneer gebruik je het?

A/B testen gebruik je wanneer je een gefundeerde hypothese hebt over een verbetering, maar het bewijs wilt zien voordat je iets permanent verandert. Goede use cases:

• Twee versies van een advertentietekst of visual — vaak de snelste manier om je ROAS te verbeteren
• Verschillende CTA-teksten op een landingspagina in je marketingfunnel
• Twee onderwerpregels voor een e-mail
• Verschillende prijspresentaties of aanbodformuleringen — zoals de prijselasticiteitstest hierboven

Formuleer altijd eerst een hypothese ("ik verwacht dat B beter presteert dan A, omdat…") en kies een meetpunt dat aansluit op je belangrijkste KPI's, niet op een vanity metric. En pas op voor externe factoren: een test tijdens een feestdag of uitverkoop meet het effect van die gebeurtenis, niet van jouw wijziging.

Te weinig volume? Zo test je dan tóch

Het standaardadvies luidt: test één element per keer en wacht op statistische significantie. Prima advies — als je het verkeer ervoor hebt. Veel MKB-sites hebben dat niet, en dan heb je drie opties:

• Laat de test langer lopen. Minder verkeer betekent simpelweg meer weken data verzamelen.
• Maak het verschil tussen A en B veel groter. Geen kleurtje aanpassen, maar een echt grote wijziging. Het risico is dat je daarmee meerdere aanpassingen tegelijk test — dat wil je eigenlijk altijd vermijden, maar soms kan het niet anders omdat je een groot effect nodig hebt om het überhaupt te kunnen meten.
• Volg de trend als proxy. Zie je dat een versie dag na dag consequent bovenaan staat, dan mag je er redelijk zeker van zijn dat dat volgende week ook zo is. Mijn CRO-hart zegt: wacht altijd tot het verschil significant is, want dan wéét je het pas. Maar de realiteit is dat er soms druk vanuit de business is om eerder een beslissing te nemen — en dan is een consistente trend een bruikbare richtingaanwijzer.

A/B testen in Meta: denk in concepten, niet in tweaks

Meta heeft nog steeds een ingebouwde A/B-testfunctie, maar zo werk ik in de praktijk zelden. Wat ik doe: meerdere creatives naast elkaar laten draaien, waarbij ik zorg dat de verschillen écht onderscheidend zijn. Denk aan een advertentie met een model erin tegenover een advertentie met alleen het product, of tegenover een testimonial. Hele andere concepten dus — niet kleine tweaks binnen één creative.

Dat is de omslag die je moet maken: vroeger testte je varianten van hetzelfde idee, nu denk je in creatieve concepten en laat je het algoritme zien wat werkt. De versies die minder goed presteren zet je uit. En daarna itereer je door: werkt de versie met een model beter, test dan een ander type model — had je een vrouw in beeld, probeer dan een man. Zo blijf je continu testen. Hoe dit samenhangt met creatief volume en Meta's algoritme lees je in het artikel over ROAS verbeteren.

Wanneer is een winnaar écht een winnaar?

Ik ga in de basis af op wat de A/B-testtool aangeeft — die rekent de significantie voor je uit. Daarnaast laat ik een test minimaal twee tot drie weken lopen, zodat er voldoende data onder de conclusie ligt. Moet er vanuit de business eerder een beslissing vallen? Dan kan dat, maar dan zet ik in het testrapport expliciet dat de data niet significant was: de uitkomst geeft een richting, geen zekerheid.

Dat is geen indekken. Het is een manier om een testing mindset in een organisatie te brengen: je wilt dat iedereen begrijpt dat je met een bepaalde mate van zekerheid wilt kunnen concluderen — en dat je weet wanneer je die zekerheid níét hebt.

AI als sparringpartner van de CRO-specialist

AI gebruik ik inmiddels volop in mijn testproces. Voor het analyseren van data, maar vooral als sparringpartner: samen aannames toetsen en vragen stellen als "welke testen zou jij op deze data loslaten, en wat valt je op?" Zo kom je als CRO-specialist op ideeën die je zelf nog niet had. Ook handig: een landingspagina aan een AI-tool als Claude voorleggen en om een beoordeling volgens best practices vragen. Ontbreekt er social proof op de pagina, dan pikt hij dat er feilloos uit. Voor snel, quick-and-dirty CRO-advies is het heel geschikt — zeker voor MKB-bedrijven waarvoor de investering in een volledig testprogramma niet haalbaar is.

Heb je dan nog een CRO-specialist nodig? Ik denk het wel. De specialist kent de best practices zelf en kan de adviezen van AI valideren: klopt dit echt, of zit het model te hallucineren? Die validatiecheck kan de gemiddelde ondernemer niet doen — en juist daar zit de waarde van een specialist in je team of als freelancer.

Welke tools — en wat als je budget beperkt is?

Wil je echt wéten wat werkt, dan ontkom je niet aan een A/B-testtool. VWO en Optimizely zijn de bekende namen, maar dat zijn wel de duurdere pakketten; er zijn ook goedkopere alternatieven. Voor advertenties en e-mail heb je geen aparte tool nodig: Meta en Google Ads hebben experimentfuncties, en e-mailplatforms als Klaviyo, ActiveCampaign en Mailchimp hebben A/B-testen ingebouwd.

Maar hier is iets dat MKB'ers vaak vergeten: CRO is meer dan A/B testen. Met een lager budget kun je ook aan conversie-optimalisatie doen door een pagina volgens best practices in te richten: social proof toevoegen, trust elements op de juiste plekken, nadenken over wat de pagina eigenlijk moet dóén en welke aannames daaronder liggen. Daar hoef je geen A/B-test voor te draaien om verbetering te verwachten. Het meten doe je dan via een time series-analyse: over langere tijd volgen wat de conversieratio op die pagina doet.

Samengevat: welke aanpak past bij jouw situatie?

Waar begin je morgen?

Begin niet met een tool, maar met het opschrijven van je aannames over hoe je site converteert. Kijk vervolgens welke je kunt omzetten in een toetsbare hypothese. Voor de test zelf zoek je de plek met het meeste volume — daar haal je het snelst resultaat. Houd er rekening mee dat een A/B-testtool ook een implementatievraagstuk is: die moet ingericht en op je site gezet worden.

Een andere slimme startplek: zo dicht mogelijk bij de conversie. Heb je een webshop, kijk dan naar je checkout. Zijn er knoppen die niet logisch zijn? Ontbreken er keurmerken die vertrouwen wekken? Zit er cross-sell en upsell in? Dat zijn tests die direct op omzet zitten.

Wil je een gestructureerd testprogramma opzetten voor jouw marketing? Neem contact op.