Wat is A/B-testen en waarom elke uitgever het in 2025 nodig heeft

Ontdek in onze gids wat A/B-testen is en hoe het je kan helpen bij het opschalen van je uitgeverij door giswerk weg te nemen.

A/B-testen is een zegen gebleken voor zowel uitgevers als bloggers. Het heeft de besluitvorming veranderd, van intuïtie naar data. Als uitgevers hebben we de neiging om toeval, waarschijnlijkheid en zelfs willekeur verkeerd te interpreteren of zelfs buiten beschouwing te laten bij het nemen van een beslissing. De statistische significantie van A/B-testen speelt hierbij een rol.

Door de jaren heen hebben A/B-testen voor uitgevers ons één ding geleerd: als de data het niet ondersteunt, is het niet de juiste beslissing.

In onze gids bespreken we alle aspecten van A/B-testen voor uitgevers: wat is A/B-testen, wat zijn de voordelen en uitdagingen, en hoe uitgevers ermee kunnen beginnen.

Wat is A/B-testen voor uitgevers? (Betekenis van A/B-testen)

Laten we eerst A/B-testen eens nader bekijken. Het is een vorm van conversieoptimalisatie (CRO-test) waarbij twee versies van een bepaald element worden getoond aan een deel van het live verkeer om te bepalen welke variant de meeste conversies oplevert. Simpel gezegd, een A/B-test identificeert de best presterende variant op basis van interactiegegevens van het publiek.

A/B-testen wordt volop gebruikt in digitale marketing. Of het nu gaat om advertentieteksten, nieuwsbrieven of advertentiecreaties, het heeft het besluitvormingsproces gestroomlijnder gemaakt.

Wanneer we het hebben over A/B-testen voor uitgevers, benadrukken we specifiek de processen die uitgevers vaak implementeren. Dit kan onder andere betrekking hebben op advertentieplaatsing , de keuze van advertentieformaten en de presentatie van websitecontent.

Nu we hebben besproken wat A/B-testen is, gaan we voorbeelden bekijken om het beter te begrijpen.

Voorbeelden van A/B-testen

A/B-testen in digitale marketing is een branchebreed fenomeen. Zowel uitgevers als adverteerders gebruiken deze tool om hun marketingprocessen te verbeteren. 

Laten we een aantal A/B-testvoorbeelden bekijken om te zien in welke gevallen u deze techniek kunt toepassen.

1. De ervaring van HubSpot-nieuwsbriefabonnees

Doel: Testen hoe de afstemming van de inhoud van een nieuwsbrief het aantal klikken op de call-to-action (CTA) beïnvloedt.

Variant A (Controle): Centreer de tekst in e-mails.

Variant B: Links uitgelijnde e-mailtekst

Resultaat: HubSpot ontdekte dat variant B minder klikken kreeg dan variant A. Van alle verstuurde e-mails van variant B kreeg minder dan 25% meer klikken dan de controlevariant.

2. Highrise' kop- en subkoptest

Doel: Testen welke koptekst de meeste aanmeldingen zou opleveren.

Variant A: Start een Highrise-account – Betaal per gebruik. 30 dagen gratis proefperiode voor alle accounts. Geen verborgen kosten.

Variant B: 30 dagen gratis proefperiode voor alle accounts – Aanmelden duurt minder dan 60 seconden. Kies een abonnement en begin!

Resultaat: De Google Analytics-experimententest toonde aan dat de variant die bezoekers informeerde dat het aanmeldproces snel is, resulteerde in een toename van 30% in klikken.

Nu we de prangende vraag “wat is A/B-testen” hebben beantwoord, gaan we kijken hoe dit wordt uitgevoerd.

Hoe voer je A/B-testen uit?

A/B-testen, ook wel splittesten genoemd, worden op een gecontroleerde manier uitgevoerd.

Stel je voor: je bent een uitgever die banneradvertenties op je website wil plaatsen. Je doel is om de advertentie-inkomsten te maximaliseren zonder de gebruikersinterface en -ervaring van de website te beïnvloeden.

1. Je definieert je doelstelling: welke banneradvertentieplaatsing genereert meer eCPM's – plaatsing A of plaatsing B?

2. Nu maak je twee varianten aan. Optie A (controle) is je huidige configuratie en optie B (test) is de aangepaste versie.

3. Vervolgens verdeelt u het verkeer willekeurig, zodat 50% van uw bezoekers de huidige configuratie ziet en 50% de aangepaste versie.

4. Voer de test lang genoeg uit om voldoende gegevens voor analyse te verzamelen.

5. Tot slot meet je de belangrijkste statistieken, zoals CTR, impressies , bounce rate, RPM , laadsnelheid van de pagina en de duur van de gebruikersbetrokkenheid.

Op basis van de bevindingen selecteert u de plaatsing die goed presteert.

En voilà! A/B-testen is succesvol!

Wat kunnen uitgevers doen met A/B-testen?

A/B-testen en Multi-Armed Bandit -oplossingen kunnen door uitgevers worden gebruikt om datagestuurde beslissingen te nemen en hun uitgeversactiviteiten te schalen. Het kan ook uw optimalisatie-inspanningen stimuleren om de advertentie-inkomsten te verhogen. Dit zijn de mogelijkheden:

Optimaliseer advertentieplaatsing

Uitgevers kunnen ideale advertentieplaatsingen voor hun websites identificeren door middel van continue splittesting. Ze kunnen verschillende locaties binnen de website testen:

• Boven de vouw vs onder de vouw
• Tussen de inhoud en de zijbalk
• Vastgezette advertenties vs zwevende advertenties

Dit kan helpen bij het identificeren van de plaatsingen die de meeste impressies of klikken opleveren zonder de gebruikerservaring te beïnvloeden.

Advertentieformaten vergelijken

Naast advertentieplaatsingen kunt u ook advertentieformaten vergelijken om te bepalen welke het beste bij uw website passen. U kunt verschillende advertentieformaten uitproberen:

• Advertentie weergeven vs native ads
• Statische advertenties vs videoadvertenties
• Responsieve advertenties vs banneradvertenties

Inhoudsindeling en UX

De lay-out van de content speelt een cruciale rol bij het bepalen van zowel de betrokkenheid als de inkomsten. Als uitgever kunt u het volgende testen:

• Aantal subkoppen/alinea's vóór weergave van een advertentie
• Artikelformaat en lengte
• Mobiele vs. desktop rendering

Door de lay-out van de content te testen, kunt u de optimale balans vinden tussen de leesbaarheid van de content en advertentie-inkomsten.

Evalueer verschillende advertentienetwerken of SSP's

Naast website-gerelateerde elementen kunnen uitgevers ook A/B-tests uitvoeren om hun advertentiestrategie te evalueren. Door statistieken zoals fill rate , eCPM's en advertentierelevantie te vergelijken , kunnen uitgevers rouleren tussen verschillende advertentienetwerken en SSP's om hun advertentieopbrengst te maximaliseren.

Uitgevers kunnen ook A/B-tests uitvoeren om:

• Test betaalmuurstrategieën of abonnementsprompts
• Verbeter SEO en gebruikersbetrokkenheid
• Werk aan paginalatentie
• Doelgroepsegmentatie voor personalisatie

3 voordelen van A/B-testen voor uitgevers

A/B-testen biedt uitgevers een aantal voordelen, zoals:

Geen giswerk of intuïtie

Het uitvoeren van een A/B-test elimineert alle ruimte voor giswerk, intuïtie of onderbuikgevoel. Dus als je twijfels hebt, kun je er gewoon een A/B-test op uitvoeren en je door het publiek laten leiden naar de juiste beslissing.

Gegevensgestuurde beslissingen

Een A/B-test is volledig gebaseerd op data. Deze data wordt gepresenteerd in de vorm van gebruikersbetrokkenheid, CPM en andere statistieken om de best presterende variant duidelijk aan te wijzen. Op deze manier kunt u weloverwogen beslissingen nemen over uw opbrengststrategieën.

Slimmere contentstrategie

Door continu metabeschrijvingen, koppen, subkoppen en schrijfstijl te testen, kunnen uitgevers elementen identificeren die verkeer en conversie stimuleren. Zo kunnen ze een contentroadmap opstellen die aansluit bij de interesses van het publiek.

3 beperkingen van huidige A/B-testsoftware

De meeste A/B-testsoftware is niet gemaakt voor uitgevers. Dit is waarom:

Kan advertentieklikken niet bijhouden om resultaten te meten

Omdat de meeste advertentienetwerken de advertenties in de vorm van een iframe opnemen, kan A/B-testsoftware geen advertentiekliks bijhouden. Bovendien is het voor veel advertentienetwerken een schending van het programmabeleid om advertentiekliks rechtstreeks te meten met behulp van analyse- of testsoftware.

Geen ondersteuning voor het automatisch maken van variaties

Het A/B-testen van advertenties kan iets ingewikkelder zijn, omdat het aantal variaties exponentieel toeneemt. Normaal gesproken wilt u 3 advertentieblokken op een pagina weergeven, met 6-7 belangrijke posities, 2-3 belangrijke advertentieformaten per locatie en 5-6 kleurenthema's per positie.

Het aantal variaties zou gemakkelijk oplopen tot honderden, en er is geen reden waarom het aanmaken van variaties niet geautomatiseerd zou moeten worden. Het aanmaken van een zeer groot aantal variaties is natuurlijk alleen aan te raden voor grote uitgevers.

Handmatig code bewerken helpt ook niet

Zelfs als je handmatig de nieuwe advertentiecode aanmaakt (die je wilt vergelijken met de controlevariant), bijvoorbeeld in het advertentiebeheerpaneel van AdSense , kun je de HTML-code van de variant niet zomaar bewerken in populaire A/B-testtools (de meeste daarvan werken aan de clientzijde). Dat werkt niet.

Dit komt doordat A/B-testtools (wederom de client-side tools) de updates/wijzigingen (die je hebt aangebracht) op de pagina pushen nadat de pagina is geladen. De AdSense JavaScript zal niet werken, en niet te vergeten: het manipuleren van de AdSense JS-code is in strijd met het programmabeleid.

5 best practices voor effectief A/B-testen

Uitgevers moeten rekening houden met een aantal zaken bij het uitvoeren van een A/B-test, zoals:

Test één element tegelijk

Een A/B-test is net als elk ander experiment. Je test één enkel element en houdt alle andere variabelen intact om nauwkeurige resultaten te krijgen. Simpel gezegd: de sleutel tot precisie bij A/B-tests is het kiezen van één aspect tegelijk. Zo kun je het effect van elke wijziging isoleren en dienovereenkomstig wijzigingen aanbrengen.

Als je bijvoorbeeld advertentieformaten wilt testen , houd je dan daaraan vast. Houd alle andere variabelen hetzelfde – of het nu gaat om het advertentieformaat, de advertentieplaatsing, de tekst, de afbeelding of zelfs de opstelling.

Haast je niet

Dit punt is belangrijk vanuit het oogpunt van dataverzameling. Het is aan te raden te wachten tot je minstens 1000 maandelijkse websitebezoekers hebt voordat je met splittesten begint. Hoewel het geen vaste regel is, kan een kleine steekproefomvang je resultaten vertekenen, waardoor de test niet doorslaggevend of zelfs ongeldig kan zijn.

Voer A/B-tests uit op verschillende apparaten

Uw doelgroep heeft toegang tot uw website vanaf elk apparaat. Het is daarom absoluut zinvol om de test op meerdere apparaten uit te voeren (laptops, mobiele telefoons en tablets). Zo kunt u apparaatspecifiek gebruikersgedrag identificeren en de gebruikerservaring dienovereenkomstig optimaliseren.

Continue prestatiebewaking

Houd uzelf tijdens het uitvoeren van A/B-tests op de hoogte van de actuele resultaten, bij voorkeur dagelijks. Als u merkt dat de variatie aanzienlijk ondermaats presteert, zorg dan dat u een mitigatieplan paraat hebt of de test beëindigt.

Houd externe factoren buiten de deur

A/B-tests vereisen een stabiele omgeving zonder externe onderbrekingen die de testflow kunnen verstoren of de prestatiegegevens kunnen vertekenen. Zorg er daarom voor dat websitewijzigingen of marketingcampagnes de test op geen enkele manier beïnvloeden. Een tip: het is beter om lopende wijzigingen tijdens de test uit te stellen voor nauwkeurige resultaten.

A/B-teststatistieken

1. TrueList stelt het volgende:

• De wereldwijde markt voor A/B-testsoftware zal naar verwachting in 1.08 een omzet van 2025 miljard dollar genereren.
• Statistische significantie bij A/B-testen kan worden bereikt met een minimum van 5000 unieke bezoekers.
• Eenvoudige onderwerpregels leveren 541 procent meer reacties op dan creatieve.

2. Volgens LLCBuddy ,

• 60% van de bedrijven gebruikt A/B-testen voor landingspagina's en 63% geeft aan dat het eenvoudig uit te voeren is.
• 77% van de marketeers maakt gebruik van A/B-testen, 60% gebruikt het op landingssites, 59% op e-mails en 58% op PPC.
• Bing meldde dat het gebruik van A/B-testen op displayadvertenties resulteerde in een stijging van 25% in advertentie-inkomsten.
• Obama's digitale team heeft in 2019 A/B-testen gebruikt om de bijdrageconversies met 49% te verhogen.
• Volgens Hubspot werden e-mails met de echte naam van de afzender na een A/B-test 0.53% meer geopend dan e-mails met de bedrijfsnaam van de afzender.

3. De meest complexe A/B-testmethoden worden gebruikt in sectoren waar conversies cruciaal zijn, zoals SaaS, IT, klantbehoud en e-commerce. ( Fibr.AI )

Op weg naar MAB en continue optimalisatie

Technisch gezien is A/B-testen niet het ideale product voor uitgevers. In plaats daarvan zouden ze andere Multi-arm bandit (MAB)-oplossingen moeten gebruiken, omdat optimalisatie gezien moet worden als een continu proces.

Iedereen die de lay-out van een website met advertenties heeft aangepast, zal merken dat de CTR direct na de ontwerp-/lay-outwijziging stijgt. Dit komt vooral doordat de lay-out na verloop van tijd 'bannerblind' wordt.

Continue MAB-testen zijn de perfecte oplossing. Het creëren van een leidende indicator voor verandering in het gebruikersgedrag ten opzichte van advertentieblokken is geen moeilijke taak, wat ervoor kan zorgen dat advertentieblokken altijd goed presteren.

In niet-technische taal: zodra u het experiment op uw website start, zorgen continue optimalisatie en MAB ervoor dat de meeste vertoningen worden weergegeven in de best presterende variant. Zodra het systeem echter een (statistisch significante) daling in de CTR opmerkt, vindt het zelf de best mogelijke variant.

Technisch gezien is het ook mogelijk om met behulp van machine learning de beste plek voor uw advertenties te vinden (buiten de gedefinieerde variaties) en deze aan te passen naarmate het gebruikersgedrag verandert.

Key Takeaways

Wat is A/B-testen? Het is een techniek waarbij twee varianten van een element worden blootgesteld aan live verkeer om de variant te identificeren die de meeste conversies oplevert.

Wat kunnen uitgevers doen met A/B-testen? Ze kunnen onder andere advertentieplaatsingen optimaliseren, advertentieformaten vergelijken, de contentlay-out en gebruikerservaring optimaliseren en verschillende advertentienetwerken/SSP's evalueren.

Voordelen van A/B-testen: Slimmere en datagestuurde besluitvorming, een meer geoptimaliseerde contentstrategie die aansluit bij de doelgroep en aanzienlijke SEO-winst.

Beperkingen van A/B-testen voor uitgevers: Het is niet mogelijk om advertentieklikken te volgen om de resultaten te meten, er is geen ondersteuning voor het automatisch creëren van varianten en er is geen hulp bij handmatige codering.

Beste werkwijzen voor A/B-testen: test één element tegelijk, voer geen A/B-testen uit met een kleine steekproef, voer split-testen uit op meerdere apparaten en monitor de prestaties continu.

Multi-armed Bandit Solutions (MAB): Dit is een verfijndere vorm van A/B-testen die gebruikmaakt van machine learning om verkeer naar de best presterende variant te leiden in plaats van naar de minder presterende variant. Omdat het in realtime werkt, is het kosteneffectiever en potentieel sneller dan traditionele A/B-testen.

Bent u van plan A/B-testen uit te voeren op uw website? Neem nu contact op met AdPushup en ontvang een gratis demo. Wij bieden geautomatiseerde split-testen voor uitgevers als onderdeel van onze advertentie-layouteditor . De controle blijft bij de uitgevers, zodat zij nieuwe lay-outs en hun varianten kunnen testen wanneer ze maar willen.

Veelgestelde vragen over A/B-testen voor uitgevers