Das Geheimnis erfolgreicher A/B-Tests: Wie wir die Bounce-Rate von RapidUsertests um 31% gesenkt haben

Mal ehrlich, hat nicht jeder von uns schon einmal aus dem Bauch heraus Änderungen an seiner Website oder App vorgenommen, ohne vorher das genaue Problem analysiert zu haben? Auch wir sind dessen schuldig.Überprüft man diese Anpassungen in einem A/B-Test, weist dieser oft keine Veränderungen oder sogar eine Verschlechterung auf und man ist hinterher nicht schlauer als vorher.

Doch es geht auch anders – so konnten wir durch strukturierte Analysen und fundierte Hypothesen die Bounce-Rate unserer Website unseres Tools RapidUsertests um 31% senken und die Conversion-Rate um 47% steigern.

Wie haben wir das geschafft?

Die Herausforderung: Bounce-Rate und Conversion-Rate mit Optimierungspotential

RapidUsertests.com ist unser Tool für Crowd-Usability-Tests. Nach einem Redesign Anfang 2017 hatten wir keine Änderungen mehr an der Startseite vorgenommen, die quantitativen Analytics-Daten zeigten uns jedoch eine vergleichsweise hohe Absprungrate und Steigerungspotential bei der Conversion-Rate.

Quantitative vs. qualitative Daten bei der Conversion-Optimierung

Ohne Frage sind quantitative Daten bei der Generierung von A/B-Test-Hypothesen wichtig.
Wie in unserem Beispiel können sie Ihnen durch KPIs wie Abbruchquoten und Verweildauer aufzeigen, wo auf Ihrer Website Probleme auftreten. Doch was sie Ihnen nicht zeigen, ist das dahinterstehende Warum. Das fängt schon mit der Verweildauer an: Bleiben die Nutzer lange auf einer Seite, weil der Inhalt für sie relevant ist oder weil sie die entscheidenden Informationen nicht finden? Rufen Ihre Nutzer viele verschiedene Einzelseiten auf, weil sie Ihr Angebot so spannend finden oder weil Sie nicht gut geführt werden?

Diese Informationen erlangen Sie nur durch qualitative Daten.
Dabei kann es sich um einen klassischen UX-Test handeln, aber auch ein Expert-Review durch Conversion-Specialists liefert wichtige Informationen. Sie haben schon Erkenntnisse über Ihre Zielgruppe aus User-Research und nutzen vielleicht sogar Personas und Szenarien im Unternehmen? Wunderbar – auch sie tragen dazu bei, analysieren zu können, welche Informationen Ihre Nutzer an welchen Stellen brauchen und bei welchen Herausforderungen sie abgeholt werden möchten.

Der Ablauf: Mit Conversion-Analyse zu fundierten A/B-Test-Hypothesen

Unsere Conversion-Specialists kombinierten daher quantitative und qualitative Methoden, um Conversion-Killer aufzudecken:

• In einem Usability-Test konnten wir die Motivationen und Emotionen unserer Kunden und Interessenten nachvollziehen. Wie verstehen sie unser Angebot? Was überzeugt sie? Was sind ihre Bedenken?
• Ein Conversion-Expert-Review zeigte weitere Optimierungspotentiale der Website auf. Anders als bei unseren klassischen UX Analysen, fokussieren wir uns hier besonders auf Conversion-Potentiale und weniger auf die User-Experience.
• Diese Erkenntnisse und bestehendes Wissen über unsere Zielgruppe in Form von Personas führten wir abschließend in einer Motivationsanalyse zusammen: Was stört die Nutzer an alternativen Lösungen? Wo haben andere Lösungen Vorteile? Was spricht sie an unserem Angebot an? Welche Bedenken haben sie? etc.

Die Haupterkenntnisse dieser Analysen: Die Kommunikation auf der Startseite könnte überzeugender sein und die Nutzerführung hatte Verbesserungspotential.

Hypothesen generieren, die das WARUM berücksichtigen

Aus den Ergebnissen dieser unterschiedlichen Analysen konnten wir fundierte Hypothesen aufstellen, die folgendem Schema folgen:

Wenn wir diese Änderung vornehmen, dann wird sich jene Kennzahl verbessern, weil dieses Problem nicht mehr besteht. – auf Twitter teilen

So lautete zum Beispiel eine unserer Hypothesen:

Wenn wir above the fold die Bedürfnisse unserer Kunden in der Vorteilskommunikation noch deutlicher aufgreifen,dann wird die Absprungrate sinken, weil Nutzer die Relevanz unseres Angebots sofort verstehen.

Wichtig bei der Formulierung der Hypothesen: Sowohl das Problem und seine Ursachen als auch die geplante Lösung und das erwartete Ergebnis müssen enthalten sein. Fehlt einer dieser Bestandteile, waren Ihre Analysen vermutlich nicht ausreichend und das Risiko eines erfolglosen A/B-Test steigt.

Basierend auf diesen Hypothesen haben unsere UX-Konzepter und -Designer eine neue Startseiten-Bühne entworfen, die wir in einem Splittest gegen die ursprüngliche Variante getestet haben.

Das Ergebnis: 31% weniger Absprünge und 47% mehr Conversions

Das Ergebnis des A/B-Tests war beeindruckend: Die Bouncerate verringerte sich um 31% im Vergleich zur Kontrollvariante mit einer Signifikanz von 100%, weshalb wir die neue Variante für alle Nutzer live stellten.
Seit dem sehen wir außerdem eine deutliche Steigerung der Conversion-Rate um über 40%.

Fazit: Fundierte Hypothesen und erfolgreiche A/B-Tests durch UX-Analysen

Die Kombination von A/B-Tests mit Conversion- und UX-Analysen bedeutet für Sie:

• Sie decken die größten Conversion-Killer auf und lernen gleichzeitig Ihre Nutzer besser kennen.
• Sie generieren fundierte Hypothesen und steigern so die Erfolgschancen der A/B-Tests.
• Sie optimieren die Conversion-Rate oder andere KPIs kontinuierlich basierend auf einer Vielzahl von priorisierten Hypothesen.