A/B testen: de complete gids voor tests die kloppen

A/B testen: het korte antwoord

A/B testen is een onderzoeksmethode waarbij je twee versies van dezelfde pagina, e-mail of advertentie tegelijk toont aan willekeurig verdeelde bezoekers en meet welke versie meer conversies oplevert. Variant A is je huidige versie, variant B je aanpassing. Pas als het verschil statistisch significant is, weet je dat het geen toeval was.

Deze gids gaat over de methode zelf: hoe je een test opzet die klopt. De bredere discipline eromheen staat in conversie optimalisatie, en wat je op een losse landingspagina kunt winnen lees je in een landingspagina laten maken. Hier draait alles om het experiment.

Wat is a/b testen precies?

Een a/b test is een gerandomiseerd experiment met een controlegroep. Je splitst je bezoekersstroom willekeurig in tweeen: groep A ziet de bestaande versie, groep B ziet de variant met een aanpassing. Beide groepen bezoeken je site in dezelfde periode, onder dezelfde omstandigheden, en je meet per groep hoeveel bezoekers de gewenste actie uitvoeren.

Die randomisatie is het hele punt. Zonder controlegroep vergelijk je deze maand met vorige maand, en dan meet je ook het weer, een campagne die afliep en een concurrent die zijn prijzen verlaagde. Met een a/b test isoleer je precies een variabele.

In het Engels heet dit a/b testing of split testing, en bij Oracle en Optimizely kom je ook de term bucket testing tegen. In het Nederlands zie je het geschreven als A/B-testen, als ab testen zonder schuine streep, en als AB-test. Het is allemaal hetzelfde experiment.

Wat kun je testen, en wat is zonde van je verkeer?

Test dingen waarvan de uitkomst je gedrag verandert. De vuistregel: als je bij beide uitkomsten hetzelfde zou doen, hoef je de test niet te draaien.

Wat zonde is van je verkeer: knopkleuren, hoekafrondingen, de tint van een achtergrond en andere cosmetische details. Die veranderen zelden genoeg gedrag om boven de ruis uit te komen, en je verbrandt er wel weken bezoekers mee. Het beroemde verhaal over de veertig blauwtinten bij Google gaat over een bedrijf met miljarden sessies per dag. Jij hebt dat verkeer niet.

Van data naar hypothese: de enige goede start

Elke test begint met een observatie in je data, niet met een idee in een vergadering. Kijk waar bezoekers afhaken, welke pagina veel verkeer en weinig conversie heeft, en welke stap in je formulier het meeste verlies veroorzaakt.

Vertaal die observatie daarna naar een hypothese in vaste vorm:

Een voorbeeld. Omdat we zien dat 68 procent van de bezoekers het offerteformulier opent maar niet verstuurt, verwachten we dat het schrappen van de velden bedrijfsnaam en functietitel het aantal verstuurde formulieren verhoogt, omdat elk extra veld wrijving toevoegt op mobiel. We meten het aantal voltooide aanvragen per bezoeker van de formulierpagina.

Die laatste zin doet meer werk dan hij lijkt. Je legt vooraf vast welke metric telt. Zonder dat kies je achteraf de metric die toevallig wint, en dat is geen onderzoek meer.

Statistische significantie zonder wiskunde-angst

Statistische significantie beantwoordt een heel nauwe vraag: hoe waarschijnlijk is het dat je dit verschil ziet terwijl er in werkelijkheid geen verschil is? De gangbare drempel is 95 procent betrouwbaarheid, wat betekent dat je een kans van 5 procent accepteert dat je een winnaar uitroept die er geen is.

Er zijn drie getallen die je vooraf vastlegt.

Dat derde getal is waar de meeste mensen de mist ingaan. Je bepaalt niet hoe groot het effect wordt, je bepaalt hoe klein een effect mag zijn voordat je het niet meer hoeft te zien. Hoe kleiner dat getal, hoe meer bezoekers je nodig hebt.

Hoeveel bezoekers heb je nodig?

Er bestaat een bruikbare vuistregel, in de literatuur bekend als de regel van 16 en beschreven door Ron Kohavi, Diane Tang en Ya Xu in Trustworthy Online Controlled Experiments (2020). Bij 95 procent betrouwbaarheid en 80 procent onderscheidend vermogen geldt: aantal bezoekers per variant is ongeveer gelijk aan 16 maal de variantie van je metric, gedeeld door het kwadraat van het absolute verschil dat je wilt aantonen.

Voor een conversiepercentage is die variantie simpelweg de conversie maal een min de conversie. Ingevuld voor een relatieve stijging van 20 procent levert dat dit op:

De relatie is kwadratisch, en dat is het meest onderschatte feit in dit hele vakgebied. Wil je een effect van 10 procent kunnen aantonen in plaats van 20 procent, dan heb je niet twee keer maar vier keer zoveel bezoekers nodig. Bij 2 procent conversie loopt dat op tot ongeveer 78.400 bezoekers per variant.

De eerlijke waarschuwing: veel sites halen nooit significantie

Reken de vorige tabel eens door voor jouw site. Een B2B-dienstverlener met 3.000 relevante bezoekers per maand op de geteste pagina en 2 procent conversie heeft ongeveer 39.200 bezoekers nodig. Dat is dertien maanden voor een test. In dertien maanden verandert je aanbod, je verkeer en je markt, dus die uitslag is waardeloos voordat hij binnen is.

Dit is de zin die vrijwel geen enkel bureau opschrijft: onder de tienduizend relevante bezoekers per maand is klassiek a/b testen zelden het juiste instrument. Dat is geen reden om te stoppen met verbeteren, het is een reden om andere instrumenten te kiezen.

Hoe lang laat je een a/b test lopen?

Reken je steekproefgrootte vooraf uit, deel die door je dagelijkse verkeer, en rond af naar boven op hele weken. Die drie stappen lossen de meeste problemen op.

• Draai altijd volle weken. Dinsdaggedrag verschilt van zondaggedrag. Stop je op een woensdag, dan heb je anderhalve doordeweekse cyclus in je data zitten en meet je deels de dag van de week.
• Twee volle weken is een praktische ondergrens, ook als je steekproef eerder vol zit. Zo vang je minstens een volledige aankoopcyclus mee.
• Boven de vier tot zes weken wordt het gevaarlijk. Bezoekers wissen cookies en komen terug als nieuwe deelnemer, seizoensinvloeden kruipen erin, en je site verandert ondertussen.
• Wacht bij tests met een lange beslistermijn tot de conversies die je in week een startte ook echt hun kans hebben gehad om af te ronden.

De fouten die a/b testen waardeloos maken

Die eerste verdient uitleg, want hij is verraderlijk. Het heet peeking: je kijkt elke ochtend in je dashboard en zodra de tool groen kleurt, stop je de test. Evan Miller liet in zijn klassieke stuk How Not to Run an A/B Test zien dat continu meekijken en stoppen op het eerste significante moment het werkelijke percentage foutpositieven opdrijft naar ongeveer 26 procent, in plaats van de 5 procent die je denkt te accepteren. Meer dan een op de vier winnaars die je zo vindt, bestaat niet.

De oplossing is saai en effectief: bepaal je steekproefgrootte vooraf, spreek de einddatum af, en kijk pas op die datum. Tools met sequentiele of Bayesiaanse analyse, zoals de meeste moderne platformen aanbieden, zijn wel gebouwd om tussentijds meekijken toe te staan. Gebruik je die niet, dan geldt de saaie regel.

A/B test, multivariate test of split-URL test?

Bij een split-URL test loop je tegen SEO aan. Google beschrijft dit expliciet in de documentatie over website testing: gebruik een rel=canonical van je testvarianten naar de originele URL, gebruik bij omleidingen een tijdelijke 302 en geen permanente 301, en serveer nooit een andere versie aan Googlebot dan aan bezoekers, want dat is cloaking. Houd de test bovendien niet langer aan dan nodig.

Tools voor a/b testen in 2026

Google Optimize werd op 30 september 2023 uitgezet, samen met Optimize 360 en alle integraties. Daarmee verdween het gratis instapmodel waar veel Nederlandse mkb-sites op draaiden, en dat verklaart waarom je in 2026 nog steeds verouderde handleidingen tegenkomt.

Wat je nu overhoudt, valt grofweg in drie groepen.

• Klassieke experimentplatformen: VWO, Optimizely, AB Tasty, Kameleoon en Convert Experiences. Visuele editor, ingebouwde statistiek, gericht op marketingteams.
• Feature-flag platformen met experimenten erin: Statsig, GrowthBook, PostHog en LaunchDarkly. Ontwikkelaarsgericht, testen server-side, en GrowthBook en PostHog hebben een open-source variant die je zelf kunt hosten.
• Testen binnen het kanaal zelf: Google Ads experimenten, A/B-tests in Meta Ads, en de ingebouwde a/b testen in e-mailplatformen als Mailchimp en Klaviyo. Voor onderwerpregels van een nieuwsbrief heb je geen apart platform nodig.

Prijzen lopen van gratis zelfgehost tot enterprise-contracten en veranderen per jaar. Vraag altijd een actuele offerte op basis van je maandelijkse bezoekersaantal in plaats van af te gaan op een blog. Wat je wel vast kunt stellen: kies client-side voor snelle marketingtests, en server-side als de test raakt aan prijzen, voorraad of ingelogde functionaliteit.

Waarom a/b testen zinloos is op een trage of slecht gebouwde site

Dit is de plek waar wij het vaakst van mening verschillen met de rest van de markt. A/B testen veronderstelt dat je fundament klopt. Is dat niet zo, dan meet je ruis met dure software.

Drie voorwaarden gaan vooraf aan je eerste test. Ten eerste snelheid: als je grootste element pas na vier seconden verschijnt, verlies je bezoekers voordat ze je variant zien, en dan test je twee versies van hetzelfde probleem. Waarom dat zo hard doorwerkt lees je in waarom snelheid bepalend is en in Core Web Vitals. Ten tweede meetbaarheid: als je conversiedoelen niet betrouwbaar registreren, is elke uitslag fictie. Ten derde een pagina die het basiswerk al doet, met een duidelijk aanbod en een zichtbare actie. Dat is ontwerp, geen experiment, en het staat beschreven in webdesign trends.

Bij Viralistic bouwen we sites die snel en meetbaar zijn voordat er ook maar een test draait, met de vindbaarheid, het ontwerp en de techniek in een hand. Voor SilverDrive, een chauffeursdienst uit Amsterdam die internationaal groeide op organische vindbaarheid, leverde die volgorde meer op dan welke knopkleurtest ook. Joshua Faerber van SilverDrive: “Viralistic begeleidde SilverDrive naar een internationaal gericht bedrijf dat volledig draait op organische vindbaarheid. De website en alle systemen besparen ons enorm veel tijd.”

Zo past a/b testen in je bredere aanpak

Een a/b test is de laatste stap van een cyclus, niet de eerste. Je meet waar het lek zit, je stelt een hypothese op, je test die als je genoeg verkeer hebt, en je voert door wat wint. Daarna begin je opnieuw bij de volgende grootste kans.

Wat je uit tests leert, is breder bruikbaar dan de ene pagina waar je het vond. Wint een concretere kop op je offertepagina, dan is dat een aanwijzing over hoe je publiek leest, en die kennis pas je toe op je advertenties, je e-mails en je hele site. De structurele kant daarvan staat in conversie optimalisatie en meer uit je website halen.

Veelgestelde vragen over a/b testen

Wat is a/b testen?

A/B testen is een gerandomiseerd experiment waarbij je twee versies van een pagina, e-mail of advertentie tegelijk toont aan willekeurig verdeelde bezoekers en meet welke versie meer conversies oplevert. In het Engels heet het a/b testing of split testing. De vraag wat is a/b testen krijgt vaak een te simpel antwoord: het gaat niet alleen om twee varianten, maar om willekeurige verdeling en een uitslag die statistisch stand houdt.

Waar wordt a/b testen voor gebruikt?

Voor het onderbouwd verbeteren van conversie op websites, landingspagina’s, e-mails, advertenties en apps. Je vervangt een mening over wat werkt door een meting. Bedrijven als Netflix en Booking.com publiceren openlijk over hun experimentcultuur, maar de methode werkt op elke schaal waar genoeg verkeer is.

Hoe lang moet een a/b test lopen?

Bereken vooraf je benodigde steekproefgrootte, deel die door je dagelijkse verkeer en rond af naar boven op hele weken. In de praktijk komt dat neer op minimaal twee volle weken en bij voorkeur niet langer dan vier tot zes weken, omdat cookieverlies en seizoensinvloeden je data daarna vervuilen.

Is a/b testen hetzelfde als hypothesetoetsing?

In de kern wel. Een a/b test is een toepassing van klassieke hypothesetoetsing op webverkeer: je nulhypothese is dat er geen verschil is tussen A en B, en je verwerpt die pas als de uitkomst onwaarschijnlijk genoeg is onder die aanname. Het verschil zit in de context, niet in de statistiek.

Wanneer kun je beter niet a/b testen?

Bij te weinig verkeer, bij een site die te traag is om betrouwbaar te meten, bij beslissingen die je toch al genomen hebt, en bij veranderingen die je hoe dan ook moet doorvoeren, zoals wettelijke verplichtingen. Ook bij zeldzame conversies, denk aan enkele tekenmomenten per maand, kom je met interviews en sessieopnames sneller verder.

Wat zijn de nadelen van a/b testen?

Het kost verkeer en tijd, het meet alleen wat je vooraf bedacht hebt, en het zegt niets over waarom iets werkt. Bovendien meet een test kortetermijngedrag: een variant die vandaag meer klikken oplevert, kan op de lange termijn je merk schaden. Combineer kwantitatief testen daarom altijd met kwalitatief onderzoek.

Welke tool gebruik je voor ab testen?

Sinds Google Optimize op 30 september 2023 is uitgezet, kiezen teams tussen klassieke platformen als VWO, Optimizely, AB Tasty, Kameleoon en Convert, en ontwikkelaarsgerichte alternatieven als Statsig, GrowthBook en PostHog. Voor e-mail en advertenties gebruik je gewoon de ingebouwde testfunctie van het kanaal.