Mit Experimenten lässt sich diese Frage beantworten. Bei einem A/B-Test sehen zwei Kundengruppen unterschiedliche Varianten einer Website. Anschließend werden relevante Kennzahlen verglichen und zeigen, welche Alternative besser funktioniert.

Das kann ein neu platzierter Button sein, eine andere Produktdarstellung oder ein veränderter Checkout-Ablauf. Teams können Ideen ausprobieren, ihre Wirkung messen und die Version wählen, die bei den Kund:innen besser ankommt. Durch dieses Vorgehen lässt sich herausfinden, was den Einkauf tatsächlich optimiert und was dagegen nur auf den ersten Blick wie eine Verbesserung aussieht.

Das Prinzip ist nicht neu – solche Tests nutzen wir schon seit Jahren. Bisher ist damit aber einiges an Aufwand verbunden: Entwickler:innen müssen die Experimente technisch umsetzen, das Research-Team begleitet die Planung und Auswertung und statistische Berechnungen müssen zusätzlich durchgeführt werden.

Diesen Prozess wollen wir mit unserer Experimentation Platform deutlich einfacher gestalten. Sie soll bei der Formulierung von Hypothesen unterstützen, passende KPIs vorschlagen und statistische Ergebnisse bereitstellen.

Wir verbinden darin technische Commerce-Expertise mit UX-Research und Experimenten. Die Plattform soll somit die technische Grundlage für Tests schaffen. Zusätzlich unterstützt unser Research-Know-how bei der Planung, Durchführung und Bewertung.

Für Teams bedeutet das weniger Aufwand bei der Vorbereitung und Auswertung. Experimente sollen sich eigenständiger aufsetzen lassen und schneller zeigen, ob eine Änderung den gewünschten Effekt hat. Dadurch können Teams fundierter entscheiden, welche Anpassungen sie weiterverfolgen möchten.

Welche Kennzahlen relevant sind, hängt vom jeweiligen Ziel ab. Bei einem neuen Button kann die Conversion-Rate im Fokus stehen. Geht es um Änderungen im Produktbereich, sind Add-to-Basket oder Add-to-Wishlist mögliche KPIs. Je nach Fragestellung können Umsatz oder Marge eine Rolle spielen.

Hinter den Kennzahlen stehen dabei ganz konkrete Fragen: Finden Kund:innen schneller das richtige Produkt? Legen sie es häufiger in den Warenkorb? Oder kommen sie einfacher durch den Checkout?

Wichtig ist, nicht nur auf eine einzelne Kennzahl zu schauen. Steigt die Conversion-Rate, gleichzeitig aber auch die Retourenquote, gehören beide Entwicklungen zum Ergebnis und müssen gemeinsam betrachtet werden.

KI kann bei der Planung und Auswertung von Experimenten unterstützen. Sie kann bei der Formulierung von Hypothesen helfen, passende KPIs vorschlagen oder Ergebnisse zusammenfassen.

Die fachliche Einordnung bleibt wichtig. Die Statistik zeigt, welche Kennzahlen sich verändert haben. Welche Bedeutung diese Veränderungen für den Shop und die Kund:innen haben, muss aber im jeweiligen Kontext bewertet werden.