A/B-Testing (auch Split-Testing) ist eine Methode, bei der zwei Varianten einer Werbeanzeige gleichzeitig gegeneinander getestet werden, um datenbasiert die wirksamere Version zu identifizieren.
Rubrik: Online-Marketing & Content · Unterrubrik: Performance Marketing · Niveau: Einsteiger
Was ist A/B-Testing für Ads?
A/B-Tests sind das wissenschaftliche Rückgrat der Kampagnenoptimierung. Statt auf Intuition zu setzen, werden zwei oder mehr Varianten (Variante A und Variante B) einer Anzeige, einer Landing Page oder eines Zielgruppen-Targetings unter kontrollierten Bedingungen gleichzeitig getestet. Der Traffic wird zufällig auf beide Varianten aufgeteilt, sodass messbare Unterschiede in der Performance auf den getesteten Faktor zurückgeführt werden können.
A/B-Testing ist keine optionale Ergänzung, sondern eine Grundvoraussetzung für systematisches Performance Marketing. Ohne Tests bleibt Optimierung ein Raten.
Erklärung
Das Grundprinzip: Eine Variable isolieren
Der goldene Grundsatz des A/B-Testings lautet: Immer nur eine Variable gleichzeitig testen. Wer Überschrift, Bild und Call-to-Action gleichzeitig ändert, kann nicht feststellen, welche Änderung den Unterschied gemacht hat. Typische Testelemente für Anzeigen:
- Überschrift / Headline
- Anzeigentext / Beschreibungszeile
- Call to Action (CTA): z. B. „Jetzt buchen" vs. „Mehr erfahren"
- Bild oder Video
- Landingpage-URL (wenn man verschiedene Seiten testen will)
- Zielgruppe / Targeting
- Gebotsmodell / Gebotsstrategie
Statistische Signifikanz – warum sie entscheidend ist
Ein A/B-Test liefert nur dann verlässliche Ergebnisse, wenn er statistisch signifikant ist. Das bedeutet: Das gemessene Ergebnis ist mit hoher Wahrscheinlichkeit kein Zufall, sondern tatsächlich auf den getesteten Faktor zurückzuführen.
Die statistische Signifikanz wird üblicherweise als Konfidenzintervall oder p-Wert ausgedrückt:
- 95 % Konfidenz (p ≤ 0,05): Standard im Performance Marketing
- 99 % Konfidenz (p ≤ 0,01): Für wichtige Entscheidungen empfehlenswert
Die benötigte Stichprobengröße hängt von der erwarteten Effektgröße und dem Signifikanzniveau ab. Online-Rechner (z. B. von Optimizely oder VWO) helfen bei der Bestimmung, wie viele Klicks oder Conversions pro Variante nötig sind.
Faustregel: Für Anzeigentests werden mindestens 100 Conversions pro Variante angestrebt, bevor ein Sieger erklärt wird.
A/B-Testing in Google Ads: Kampagnen-Experimente
Google Ads bietet eine native A/B-Test-Funktion: Kampagnen-Experimente. Dabei wird eine bestehende Kampagne dupliziert; Traffic wird prozentual zwischen Original (Control) und Experiment aufgeteilt (z. B. 50/50). Testbare Elemente umfassen:
- Bidding-Strategie (z. B. manuell vs. Target CPA)
- Responsive Search Ad Varianten
- Landing Pages
- Gebotsanpassungen
Kampagnen-Experimente laufen parallel in einem definierten Zeitraum und liefern statistisch valide Vergleichsdaten direkt in der Ads-Oberfläche.
A/B-Testing in Meta Ads: A/B-Test und Advantage+
Meta Ads bietet ebenfalls eine integrierte A/B-Test-Funktion im Ads Manager. Ein Meta A/B-Test vergleicht zwei Varianten hinsichtlich:
- Zielgruppe (z. B. Custom Audience vs. Lookalike)
- Creatives (verschiedene Bilder oder Videos)
- Ad Placement (Facebook Feed vs. Instagram Stories)
- Kampagnenstrategie (z. B. verschiedene Optimierungsziele)
Meta stellt sicher, dass jede Person nur einer Variante ausgesetzt wird, um Überschneidungen zu vermeiden – das ist ein methodischer Vorteil gegenüber manuell aufgesetzten Split-Tests.
Multivariate Tests
Während A/B-Tests zwei Varianten vergleichen, testen multivariate Tests mehrere Variablen gleichzeitig. Sie eignen sich für Websites mit hohem Traffic, erfordern aber deutlich größere Stichproben. Im Ads-Kontext sind sie selten sinnvoll – hier ist sequenzielles A/B-Testing (erst Headline testen, dann Bild usw.) die praktikablere Methode.
Laufzeit und häufige Fehler
Eine der häufigsten Fehlerquellen ist das vorzeitige Beenden des Tests, sobald eine Variante in Führung liegt. Statistisches Rauschen kann früh falsche Sieger erzeugen. Best Practice:
- Mindestlaufzeit: 2 Wochen (um Wochentag-Effekte auszugleichen)
- Test erst beenden, wenn das Signifikanzniveau erreicht ist
- Kein „Peeking": Nicht täglich das Ergebnis neu bewerten und vorschnell entscheiden
- Testergebnisse dokumentieren und für zukünftige Kampagnen nutzen
Beispiele
Headline-Test für Kursanzeige:
- Variante A: „Fotografie lernen – Jetzt Kurs buchen"
- Variante B: „In 4 Wochen professionell fotografieren"
- Ergebnis nach 3 Wochen: Variante B erzielt 34 % höhere CTR bei gleichem CPC – wird als neue Basisvariante eingesetzt.
CTA-Test für E-Commerce:
- Variante A: „Jetzt kaufen"
- Variante B: „Zum Angebot"
- Ergebnis: Variante A erzielt 18 % höhere Conversion Rate (bei 95 % Konfidenz) – Variante A gewinnt.
In der Praxis
Empfohlener Test-Workflow:
- Hypothese formulieren: „Ich glaube, dass [Änderung X] zu [Ergebnis Y] führt, weil [Begründung Z]."
- Erfolgskennzahl festlegen (Primär-KPI: z. B. CPA; Sekundär-KPI: z. B. CTR)
- Benötigte Stichprobengröße berechnen
- Test aufsetzen (Native-Tools in Google Ads / Meta Ads bevorzugen)
- Test laufen lassen bis Signifikanzniveau erreicht
- Ergebnis dokumentieren, Gewinner ausrollen, nächste Hypothese ableiten
Vergleich & Abgrenzung
| Methode | Variablen | Aufwand | Eignung |
|---|---|---|---|
| A/B-Test | 1 | Gering | Standard für alle Kampagnen |
| Multivariater Test | Mehrere | Hoch | Websites mit sehr hohem Traffic |
| Bandit-Algorithmus | Adaptiv | Automatisch | Große Plattformen, kontinuierliche Optimierung |
Häufige Fragen (FAQ)
Wie lange sollte ein A/B-Test laufen? Mindestens zwei Wochen, um Wochentag-Schwankungen auszugleichen. Der Test sollte so lange laufen, bis statistisch signifikante Ergebnisse vorliegen – nicht bis man ungeduldig wird.
Wie viele Tests kann ich gleichzeitig laufen lassen? Pro Kampagne sollte immer nur ein Test aktiv sein, um Interferenzen zu vermeiden. Über verschiedene Kampagnen hinweg können parallele Tests sinnvoll sein.
Was mache ich, wenn kein eindeutiger Sieger ermittelt wird? Das ist ein valides Ergebnis: Beide Varianten performen ähnlich. In diesem Fall kann man die Erkenntnisse festhalten und einen neuen, fokussierteren Test konzipieren.
Gilt A/B-Testing auch für Landing Pages? Ja – und oft ist die Landing Page der größere Hebel als die Anzeige selbst. Tools wie Google Optimize (eingestellt), VWO oder Unbounce ermöglichen Landing-Page-Tests.
Verwandte Einträge
- Performance Marketing – Grundlagen
- Google Search Ads: Keywords, Anzeigen & Gebote
- Meta Ads Grundlagen – Werbung auf Facebook & Instagram
- Landing Page Optimierung
- KPIs im Performance Marketing: CPC, CPM, CPA, ROAS & CLV
- Reporting & Dashboards für Performance Marketing
- Conversion Tracking einrichten
Weiterführend
- Kohavi, Ron / Tang, Diane / Xu, Ya: Trustworthy Online Controlled Experiments, Cambridge University Press, 2020
- Georgiev, Georgi: Statistical Methods in Online A/B Testing, ABTestingStats.com, 2019
- Google LLC: Über Kampagnen-Experimente in Google Ads, 2024, support.google.com
- Meta Business Help Center: A/B-Tests erstellen und auswerten, 2024
- Optimizely Blog: A/B Testing Guide, 2023
