Ein praktischer Guide für A/B-Testing im eCommerce

Was ist A/B-Testing im eCommerce?

A/B-Testing im eCommerce bedeutet, kontrollierte Experimente in deinem Online-Shop durchzuführen, um herauszufinden, welche Version einer Seite, eines Layouts oder eines Elements mehr Umsatz oder Engagement erzielt. Du erstellst zwei Versionen, teilst deinen Shopper-Traffic zwischen ihnen auf und misst, welche Variante dein Ziel häufiger erreicht – egal ob Add-to-Cart, abgeschlossener Checkout oder Signup.

Der entscheidende Unterschied zwischen A/B-Testing im eCommerce und anderen Bereichen liegt im Impact. Eine Produktseite ist nicht einfach nur ein Content-Asset – sie ist ein Verkaufsgespräch. Jedes Element darauf – Bilder, Texte, Buttons oder Social Proof, unterstützt dieses Gespräch oder steht ihm im Weg. Mit Testing findest du Schritt für Schritt heraus, was funktioniert und was nicht.

Wichtig ist außerdem die Abgrenzung zu multivariaten Tests. Beim A/B-Testing vergleichst du zwei vollständige Versionen einer Seite oder eine einzelne Änderung. Beim multivariaten Testing werden mehrere kleinere Änderungen gleichzeitig getestet, um ihre Wechselwirkungen zu analysieren. Für die meisten eCommerce-Teams ist A/B-Testing der beste Einstieg: einfacher umzusetzen, leichter auszuwerten und schneller in konkrete Maßnahmen umzuwandeln.

Welche Vorteile hat A/B-Testing im eCommerce?

• Mehr Umsatz ohne mehr Traffic: Die meisten Wachstumsstrategien im eCommerce konzentrieren sich darauf, mehr Besucher zu gewinnen. A/B-Testing fokussiert sich darauf, die bestehenden Besucher besser zu konvertieren. Schon eine spürbare Verbesserung der Conversion Rate auf Produktseiten kann denselben Umsatz-Impact haben wie ein großer Anstieg im Paid Traffic – nur zu einem Bruchteil der Kosten.
• Weniger Risiko bei großen Änderungen: Ein kompletter Relaunch basierend auf Meinungen ist teuer und riskant. Mit A/B-Testing kannst du Änderungen schrittweise validieren und sicherstellen, dass sie funktionieren, bevor du dauerhaft Entwicklungsressourcen investierst.
• Weniger Diskussionen, mehr Daten: Wenn sich Design- und Marketing-Team über ein Layout nicht einig sind, entscheidet der Test. Die Daten bestimmen den Gewinner und das Team kann schneller weitermachen – ohne endlose Abstimmungsschleifen oder verletzte Egos.
• Langfristiges Wissen über deine Shopper: Jeder Test liefert neue Erkenntnisse darüber, wie sich deine Shopper tatsächlich verhalten. Mit der Zeit entsteht daraus ein immer klareres Bild darüber, worauf deine Zielgruppe reagiert. Dadurch werden zukünftige Tests präziser und schneller.

A/B-Testing ist Teil der größeren Disziplin der Conversion Rate Optimization (CRO). Wenn du verstehen möchtest, wie es in eine umfassende CRO-Strategie passt, lohnt sich ein Blick auf das größere Gesamtbild.

Was du in deinem eCommerce-Store A/B-testen solltest

Konzentriere dich auf die Seiten und Elemente, die den größten Einfluss auf deinen Umsatz haben. Hier solltest du starten:

1. ProduktseitenHier werden Kaufentscheidungen getroffen. Teste dein Hauptproduktbild, die Platzierung und Formulierung deines Add-to-Cart-Buttons sowie die Darstellung von Preisen – besonders bei Rabatten oder Ratenzahlungen. Front- und Rückansichten sind besonders spannend, da Shopper Produkte aus mehreren Perspektiven bewerten können, ohne weiterklicken zu müssen.
2. Collection- und Kategorie-SeitenTeste dein Filter-Layout, die Anzahl der Produkte pro Zeile und die Darstellung der Produktbilder. Ganze Outfit- oder Kontextbilder performen oft besser als freigestellte Produktbilder – besonders auf Mobile, wo sie mehr Platz einnehmen und realistischer wirken.
3. Checkout-FlowTeste die Anzahl der Schritte im Checkout, ob Gast-Checkout die Abschlussrate erhöht und wie du Versandkosten kommunizierst. Unerwartete Gebühren gehören zu den häufigsten Gründen für Cart Abandonment – teste deshalb genau, wann und wie du sie sichtbar machst.
4. Homepage und NavigationTeste Hero-Banner, Texte, Bildwelten, die Reihenfolge deiner Navigationspunkte und Promo-Banner. Selbst kleine Änderungen wirken sich auf jede nachfolgende Seite aus.
5. Platzierung von Social ProofReviews und Trust-Elemente funktionieren – aber ihre Platzierung ist entscheidend. Teste zum Beispiel, ob Sternebewertungen oberhalb des sichtbaren Bereichs die Add-to-Cart-Rate erhöhen oder ob Trust-Badges neben dem Checkout-Button Drop-offs reduzieren. Auch bekannte Zahlungslogos wie Visa, Mastercard oder PayPal können Vertrauen schaffen und Conversions steigern.

   Teste immer nur ein größeres Element gleichzeitig, damit du genau nachvollziehen kannst, welche Änderung das Verhalten beeinflusst hat.

Wie Verhaltensdaten dir zeigen, was du zuerst testen solltest

Zu wissen, was du testen solltest, ist bereits die halbe Miete. Zwei Beispiele zeigen, wie Verhaltensdaten von Mouseflow eCommerce-Teams direkt zu den richtigen Experimenten geführt haben.

Die dänische Fashion-Brand Mos Mosh stellte mithilfe von Session Recordings und Heatmaps fest, dass Shopper, die Produktfilter nutzten, deutlich höhere Conversion Rates hatten. Die Erkenntnis war simpel, aber wirkungsvoll: Wenn ein Shopper filtert, kauft er mit höherer Wahrscheinlichkeit. Das führte zu einer gezielten Investition in das Filter-Erlebnis – mit relevanteren Attributen und einer neuen Reihenfolge der Filteroptionen basierend auf echten Klickdaten.

Active Filter Overlay on Mos Mosh’s Product Listing Page

Zusätzlich zeigte sich, dass große Outfit-Visuals auf Mobile deutlich mehr Engagement erzeugten. Produkte mit Front- und Rückansichten erhielten mehr Klicks, da Nutzer Produktdetails schneller bewerten konnten. Wie Erik Holflod Jeppesen, Founder und Partner bei Grafikr, sagte: „Anstatt zu diskutieren, haben wir gemeinsam echte Sessions angeschaut. So hat jeder verstanden, was funktioniert und was verbessert werden muss.“

Scotts Miracle-Gro, stand vor einer anderen Herausforderung. Mit mehreren Marken und ganzjährigen Kampagnen mussten Landingpages konstant stark performen. Mithilfe der Conversion Funnels von Mouseflow konnte das Team exakt nachvollziehen, wo Nutzer zwischen Produktseite und Checkout absprangen, welche Formularfelder Probleme verursachten und welche Optimierungen nötig waren. Das Ergebnis: eine Steigerung der Conversion Rate um 5 % sowie mehr Engagement auf den Landingpages.

Keines dieser Ergebnisse entstand durch Vermutungen oder Diskussionen. Sie entstanden durch echte Nutzerdaten. Genau das macht gutes Behavior Analytics für ein A/B-Testing-Programm aus: Es eliminiert das Rätselraten bei der Entscheidung, was getestet werden sollte.

So führst du einen A/B-Test durch, aus dem du wirklich etwas lernst

Einen Test zu starten ist einfach. Einen Test durchzuführen, aus dem du echte Erkenntnisse gewinnst, braucht etwas mehr Struktur.

1. Starte mit einer Hypothese. Bevor du etwas änderst, halte fest, was du testest, was du erwartest und warum. Eine gute Hypothese könnte so aussehen: Wenn wir auf der Collection-Seite vollständige Outfit-Bilder zeigen, steigt die Add-to-Cart-Rate, weil Session Recordings zeigen, dass Shopper mehr Zeit auf Seiten mit kontextbezogenen Bildern verbringen. Der wichtigste Teil ist das „weil“. Genau das macht die Hypothese wertvoll. Sie verbindet den Test mit real beobachtetem Verhalten statt mit einer Vermutung. Unser Blogartikel darüber, wie CRO-Experten Hypothesen für Experimente entwickeln, zeigt im Detail, wie du das richtig aufbaust.
2. Teste immer nur eine Sache. Es ist verlockend, mehrere Änderungen gleichzeitig umzusetzen, um Zeit zu sparen. Widerstehe dieser Versuchung. Wenn du Bild, Button-Farbe und Text gleichzeitig änderst und die Conversions steigen, weißt du nicht, welche Änderung tatsächlich den Unterschied gemacht hat.
3. Lass den Test lange genug laufen. Lass deinen Test mindestens zwei volle Wochen laufen, um Unterschiede zwischen Wochentagen und Wochenenden abzudecken. Einen Gewinner nach drei Tagen auszurufen, nur weil der Freitag besonders stark war, führt häufig zu False Positives.
4. Segmentiere deine Ergebnisse nach Geräten. Shopper verhalten sich auf Mobile und Desktop unterschiedlich. Eine Änderung kann Desktop-Conversions steigern und Mobile-Conversions verschlechtern. Prüfe deshalb immer beide Geräte separat, bevor du einen Gewinner bestimmst.
5. Nutze Verhaltensdaten, um das Ergebnis zu verstehen. Wenn der Test beendet ist, zeigt dir die Conversion-Zahl, was passiert ist. Behavior Analytics zeigt dir warum. Filtere deine Session Recordings und Heatmaps nach Varianten, um zu sehen, wie Shopper tatsächlich mit jeder Version interagiert haben. Hat die Gewinner-Variante für mehr Scrolltiefe gesorgt? Haben Nutzer bei der schlechter performenden Variante an einer bestimmten Stelle gezögert?

Häufige Fehler, die eCommerce-Manager beim A/B-Testing machen

• Tests zu früh beenden. Statistische Signifikanz braucht Zeit. Ein Ergebnis, das nach fünf Tagen eindeutig aussieht, kann sich bis Tag vierzehn komplett drehen.
• Seiten mit wenig Traffic testen. Wenn eine Seite nur 300 Besuche pro Monat erhält, dauert es Monate, bis ein aussagekräftiges Ergebnis erreicht wird. Priorisiere Seiten mit hohem Traffic.
• Mobile und Desktop nicht getrennt analysieren. Shopper verhalten sich je nach Gerät unterschiedlich. Eine Änderung kann Desktop-Conversions steigern und Mobile-Conversions verschlechtern. Segmentiere deine Ergebnisse deshalb immer nach Geräten und prüfe beide separat.
• Ohne klares Ziel testen. „Mal schauen, was passiert“ ist keine Testing-Strategie. Definiere deine wichtigste Kennzahl vor dem Start des Tests und ändere sie nicht mitten im Experiment.

Verbessere dein A/B-Testing mit Mouseflow

Die meisten A/B-Testing-Tools zeigen dir nur eine Conversion Rate. Mouseflow zeigt dir die Geschichte dahinter.

Durch die Integration von Mouseflow mit deiner Testing-Plattform kannst du Session Recordings und Heatmaps nach bestimmten Testvarianten filtern. So siehst du genau, wie Shopper mit Version A im Vergleich zu Version B interagiert haben.

Haben Nutzer bei der schlechter performenden Variante den CTA übersehen? Haben sie im Pricing-Bereich gezögert? Sind sie an einer bestimmten Stelle im Checkout abgesprungen? Session Replays zeigen dir den genauen Moment.

Dieses Maß an Insight verwandelt ein einzelnes Testergebnis in wertvolle Learnings, die jedes zukünftige Experiment verbessern. Kombiniere deine A/B-Tests mit Mouseflow – und sammle nicht länger nur Ergebnisse, sondern echte Antworten.