Drei Stufen für kleine und mittelständische Onlineshops, um datengestützte Entscheidungen zu treffen

Betreiber von Onlineshops stehen häufig vor einem Dilemma: Entscheidungen über Design, Navigation oder Checkout werden oft auf Basis früherer Erfahrungen, Best Practices anderer Shops oder eigenen ästhetischen Vorlieben getroffen. Doch nicht alles, was intern überzeugt, wirkt für Kunden ansprechend oder nutzerfreundlich. Wer belastbare Entscheidungsgrundlagen schaffen möchte, dem kann strukturiertes Testing helfen.

A/B-Tests liefern datenbasierte Antworten darauf, welche Variante einer Seite besser ist. Eine systematische Testing-Routine kann Händlern jeder Größe helfen, Optimierungspotenziale gezielt zu identifizieren.

Was Unternehmer vom Testing abhält?
Dass Experimentation – darunter A/B-Testing – ein systematischer Ansatz für bessere Entscheidungen ist, beschreiben Iavor Bojinov (Harvard University) und Somit Gupta (Microsoft) in einer Übersichtsarbeit im Harvard Data Science Review Die Autoren betonen jedoch: Belastbare Experimentierkultur setzt erhebliche Investitionen in Infrastruktur und Kompetenzaufbau voraus.

Häufig scheitert A/B-Testing nicht am Willen, sondern an der Sorge vor hohem Personalaufwand oder möglichen Umsatzverlusten. Immerhin werden zwei Varianten an den Endkunden ausgespielt und die Version, die schlechter performt, kann kurzfristig zu Einbrüchen in der Conversion führen.

Auf der anderen Seite gilt, dass ohne Testing eine Version bestehen bleibt – ob diese tatsächlich optimal ist, bleibt oft Spekulation. A/B-Tests sind deshalb weniger ein „Risiko-Experiment“, sondern ein Werkzeug, um Entscheidungen kontrolliert zu überprüfen. Viele Risiken lassen sich zudem begrenzen, etwa durch kleine Testumfänge, Traffic-Splitting (z. B. 10–20% Testtraffic).

Einige Shopsysteme bieten heute systemintegrierte Funktionen, mit denen sich erste Tests ohne große IT-Projekte umsetzen lassen. Wichtig ist jedoch, dass Teams Hypothesen und Messgrößen sauber definieren können.

Stufe 1: Hypothesen vorqualifizieren
Mit modernen KI-gestützten Tools können Teams heutzutage Hypothesen bereits vor einem Live-Test vorqualifizieren. Solche Tools werden auf Grundlage vorhandener Nutzungsdaten trainiert und können zum Beispiel typische Navigationspfade aufzeigen oder Abbruchpunkte im Kaufprozess aufdecken.

Zwar ersetzen solche Simulationen keine echten A/B-Tests mit realen Kunden, sie können jedoch erste Hinweise liefern, wo Optimierungsbedarf im Onlineshop besteht. Das kann besonders Shops mit geringem Traffic helfen, weil A/B-Tests bei wenig Traffic lange laufen müssen, um belastbare Ergebnisse zu liefern. Vorteil: Schwachstellen werden sichtbar, bevor Änderungen live gehen.

Stufe 2: A/B-Testing im Livebetrieb
Zwei Versionen des gleichen Onlineshops können parallel und zufällig verteilt an eine möglichst einheitliche Zielgruppe ausgespielt werden, um valide zu messen, welche besser performt. Moderne Tools erlauben es zudem, Tests auf einzelne Märkte oder Regionen zu begrenzen. Händler, die ins Ausland verkaufen, müssen so nicht alle Märkte gleichzeitig testen. Beim Live-Testing müssen Händler auch nicht sofort den gesamten Traffic einbeziehen. Sie können selbst festlegen, wie lange ein Test läuft und welcher Anteil der Besucher die Testvarianten sieht.

Stufe 3: langfristig Raum schaffen
Um dauerhaft an Metriken und Zielen zu feilen, ist es sinnvoll, ein langfristiges Testing-Environment und eine datengetriebene Kultur im Unternehmen zu schaffen. Thesen, die durch Tests bestätigt oder widerlegt wurden, sollten regelmäßig hinterfragt und dokumentiert werden. Designs oder Platzierungen von letztem Jahr könnten dieses Jahr bereits nicht mehr funktionieren.

Bei Microsoft Research haben Aleksander Fabijan, Benjamin Arai, Pavel Dmitriev und Lukas Vermeer das Konzept des A/B-Testing-Flywheels beschrieben. Das Modell setzt voraus, was bei Microsoft und Booking.com über Jahre aufgebaut wurde: standardisierte Metriken, automatisierte Auswertung, dedizierte Data-Science-Kapazitäten. Für KMU ist das Flywheel-Konzept daher als Orientierungsbild zu verstehen, nicht als unmittelbar übertragbares Betriebsmodell.

Fazit
Testing ist kein Thema mehr, das sich nur Unternehmen mit großen Data-Teams leisten können. Die methodischen Grundprinzipien – Hypothese formulieren, Varianten parallel testen, Ergebnisse dokumentieren – lassen sich auch mit begrenzten Ressourcen umsetzen. Wer konsequent anfängt, Entscheidungen an Daten zu messen, trifft mit der Zeit bessere Entscheidungen – unabhängig von der Unternehmensgröße.

Für den Start im A/B-Testing können kleine und mittelständische Shops Metriken wie Conversion-Rate, Warenkorbwert, Absprungrate und Checkout-Abbruchquoten messen. Auch sinnvoll sind Klickraten auf zentrale CTAs und Ladezeiten, denn sie beeinflussen die Performance unmittelbar.