Was sind A/B-Tests? Nach einer weit verbreiteten Definition ist ein A/B-Test eine Methode zum Vergleich zweier Designvarianten (z. B. eines Kontaktformulars), die zur Erreichung desselben Ziels eingesetzt werden. A/B-Tests werden manchmal auch als Split-Tests bezeichnet.
Das Ziel kann jede gewünschte Aktion eines Website-Besuchers sein — aus der Sicht eines im Internet tätigen Unternehmers.
A/B-Tests im UX-Design sind eine Art Experiment, mit dem Sie prüfen und entscheiden können, welche Variante effektiver ist als andere Elemente und mit der Sie Ihre Ziele effizienter erreichen können. Es ist auch ein praktisches Werkzeug für einen UX-Designer.
Bei A/B-Tests werden einer Zielgruppe Designversionen gezeigt. Eine Version für die eine Hälfte und die zweite für die andere. Diese Tests sollen zeigen, welche Version besser abschneidet, d. h. welche Variante die Benutzer bevorzugen. Feststellung, dass Designer und Analysten statistische Analysen verwenden.
Obwohl sie eine sehr lange Tradition haben, haben sie ihr volles Potenzial und ihre Nützlichkeit mit der Entwicklung des Internets und der Rechercheinstrumente erlangt, die ihre Durchführung weniger zu einer organisatorischen und budgetären Herausforderung machen.
Heute ist diese Methode bei der Optimierung digitaler Produkte nicht mehr wegzudenken.
Obwohl es weit verbreitet ist und auf den ersten Blick auch für Laien und Personen ohne Forschungserfahrung und -ausbildung zugänglich erscheint, sollten Sie sich nicht von der Illusion seiner Einfachheit täuschen lassen.
Noch schlimmer als das Fehlen von Tests ist nach allgemeiner Meinung die unzuverlässige, methodisch fragwürdige und ungeplante Durchführung von Tests.
Es lohnt sich, dies bei der Entscheidung für einen A/B-Test im Hinterkopf zu behalten.
Wie führt man A/B-Tests durch? Welche Arten von A/B-Tests gibt es? Welche Probleme entstehen bei ihrer Durchführung?
Worauf sollten Sie bei solchen Experimenten achten?
Ich werde die oben gestellten Fragen in Kürze beantworten.
Ich lade Sie ein, den Artikel zu lesen!
Möchten Sie UX Forschung betreiben?
Wie führt man einen A/B-Test durch?
Kehren wir für einen Moment zu unseren Fragen zurück: Was ist Website-A/B-Testing, und woraus besteht UX-A/B-Testing?
Heutzutage ist das A/B-Testing eine weit verbreitete Methode, vor allem im Online-Marketing, aber es ist nicht weniger beliebt, wenn man die Nutzbarkeit einer Website testen will.
Oder wenn wir sehen wollen, welche Variante den Benutzern eine bessere Benutzererfahrung bietet.
A/B-Tests sind eine der am leichtesten zugänglichen Testmethoden und sollten zu einem ständigen Instrument für jedes Unternehmen werden, das effektiv konkurrieren und dynamisch wachsen möchte.
Sie sollte für jedes Unternehmen wichtig sein, das seinen Benutzern und Kunden digitale Produkte anbieten möchte, die ihren Erwartungen entsprechen.
Erwartungen entwickeln und verändern sich ebenso wie Erfahrungen im Laufe der Zeit.
Deshalb sollten A/B-Tests auch planmäßig und regelmäßig eingesetzt werden, getrieben von der gewählten Optimierungsstrategie und der Entwicklung eines digitalen Produkts.
Der iterative Ansatz für A/B-Tests gilt heute als Standard.
Mit A/B-Tests können UX-Designer herausfinden, was ein bestimmtes Element eines digitalen Produkts benutzerfreundlicher macht. Außerdem kann das Designteam so erkennen, wie sich selbst kleinste Änderungen am Design auf das Benutzerverhalten auswirken können.
A/B-Tests werden oft mit einem anderen, ebenso populären Begriff in Verbindung gebracht: Conversion Rate Optimization (CRO).
Eine Konversion ist jede Aktion, die ein Website-Benutzer durchführt und die aus Sicht des Unternehmers wertvoll ist.
Das kann das Abonnieren eines Newsletters sein, das Senden einer Anfrage, das Herunterladen einer Datei oder das Klicken auf eine Anzeige.
Mit A/B-Tests können Sie Ihre Geschäftsziele effektiver erreichen und die Benutzererfahrung positiv beeinflussen.
Das Beste daran ist, dass Sie damit in der Lage sind, Annahmen, Ideen, Intuitionen und Überzeugungen durch harte Daten zu ersetzen, die eindeutig zeigen, welche Lösung effektiver funktioniert und mehr Vorteile bringt.
Dank der A/B-Tests sind Geschäftsentscheidungen viel sinnvoller geworden. Sie beruhen auf Daten sowie messbaren und vergleichbaren Prämissen. Die Optimierung der Erfahrung mit A/B-Tests ermöglicht es Ihnen auch, das Ausmaß des Unterschieds zu erkennen.
Die Ergebnisse von A/B-Tests ermöglichen es, viel genauere Antworten auf wichtige Geschäftsfragen zu geben.
Sie helfen Ihnen, bessere Verkaufsergebnisse zu erzielen, die Konversionsergebnisse zu verbessern und den Website-Traffic effektiver zu nutzen.
Zum Beispiel in Bezug auf wichtige Änderungen an einer Startseite, die die Anzahl der Konversionen erhöhen und die negativen Auswirkungen von fehlgeleiteten Designlösungen vermeiden sollen.
Anstatt zu sagen: "Ich glaube, ich weiß es", können Sie bei A/B-Tests sagen: "Ich bin mir ziemlich sicher, und ich habe Beweise dafür".
Natürlich ist es unmöglich, absolute Gewissheit zu erlangen, wie bei jeder UX-Forschung.
Dennoch bietet das Testen ein ausreichendes Maß an Sicherheit, um — aus Sicht der Ziele und Geschäftsprozesse — vorteilhafte Entscheidungen zu treffen.
Wie ich bereits erwähnt habe, scheinen A/B-Tests eine einfache Methode zu sein, die keine Erfahrung und kein Wissen erfordert.
Das ist ein sehr schädlicher Mythos, denn die Zuverlässigkeit, die methodische Korrektheit und die Art und Weise, wie die UX-Studie und das Usability-Testing durchgeführt werden, beeinflussen den Wert der Ergebnisse, die Sie mit ihrer Hilfe erhalten.
Noch schlimmer als ein Mangel an Forschung ist eine schlecht und falsch durchgeführte Studie, weil sie Gewissheit schafft, einen festen Glauben an die Richtigkeit von Entscheidungen, die auf fehlerhaften oder falschen Voraussetzungen beruhen.
Außerdem sollten Sie daran denken, Daten über die Leistung Ihres aktuellen Designs zu sammeln, bevor Sie A/B-Tests durchführen.
Welche Arten von A/B-Tests gibt es?
Bevor wir eine Studie durchführen, müssen wir das Tool prüfen, mit dem wir Varianten innerhalb einer Website testen werden.
Dazu benötigen Sie A/A-Tests, die zwei identische Designs vergleichen.
A/A-Tests
Der Vergleich sollte keine statistisch signifikanten Unterschiede in den Ergebnissen ergeben.
A/A-Tests sind nicht dazu gedacht, die wirksamere Variante zu ermitteln, sondern die größtmögliche Zuverlässigkeit der erzielten Ergebnisse zu gewährleisten.
Die A/A-Tests und die damit erzielten Ergebnisse bieten auch einen konkreten Bezugspunkt, mit dem Sie die Ergebnisse der eigentlichen Tests vergleichen können.
Wenn Sie also an der Qualität einer Studie, ihrer Zuverlässigkeit und ihrem Nutzen interessiert sind, müssen Sie das Forschungsinstrument auf seine Genauigkeit hin überprüfen.
A/B/n-Tests
Die Bezeichnung A/B-Tests kann ein wenig irreführend sein. Er suggeriert, dass nur zwei Designversionen verglichen werden können, was nicht stimmt, da häufig A/B/n-Tests durchgeführt werden.
Es ist möglich, eine beliebige Anzahl von Varianten mit ihnen zu vergleichen.
Bei A/B/n-Tests ist die Variante A der Kontrollwert, und die anderen Versionen sind Variationen davon. Der Vorteil dieser Methode ist natürlich die Bequemlichkeit und die Möglichkeit, mehr Designs zu vergleichen.
Ihre Grenze ist die Zeit. Um statistisch signifikante Ergebnisse zu erzielen, ist in der Regel ein längerer Zeitraum erforderlich.
Multivariate Tests (MVT)
Multivariate Tests können als eine erweiterte Version von A/B-Tests angesehen werden. Während letztere, für den Vergleich einer einzelnen Variable (z. B. Überschrift, Farbe einer Schaltfläche) verwendet wird, können mit MVT mehrere Variablen gleichzeitig verglichen werden.
Dank der multivariaten Tests ist es möglich, mit mehreren Kombinationen zu experimentieren (z. B. Benutzerschnittstelle, Text).
Das hilft bei der Entscheidung, welche variable Konfiguration am effizientesten ist und den Interessen der Benutzer entspricht.
Mit multivariaten Tests können Sie zum Beispiel überprüfen, wie sich eine Hinzufügung, Löschung oder Änderung auf die Konversion auswirkt.
Es ist jedoch wichtig, daran zu denken, dass Sie bei multivariaten Tests mindestens zwei Elemente vergleichen, und jedes Element muss in zwei verschiedenen Versionen vorliegen. Beim multivariaten Testen Sie also insgesamt vier Versionen.
Multivariate Tests stellen auch eine große organisatorische Herausforderung dar. Eine weitere Einschränkung dieses Tests ist die fehlende Gewissheit über die Gründe für die Beliebtheit oder Unbeliebtheit eines Geschmacksmusters.
Es ist schwer, schlüssig und sicher zu sagen, warum eine bestimmte Kombination gewonnen hat.
Deshalb sollte man sich den Ergebnissen multivariater Tests vorsichtig nähern, was nicht bedeutet, dass ihr Erkenntniswert gering ist.
Split-URL-Tests
Split-URL-Tests werden oft synonym mit A/B-Tests verwendet, aber es handelt sich tatsächlich um zwei verschiedene Methoden. Bei A/B-Tests werden zwei Versionen eines bestimmten Website-Elements verglichen.
Der Split-URL-Test vergleicht zwei Varianten einer gesamten Website.
Es handelt sich also um eine sehr viel umfassendere Methode, mit der Sie z. B. ein neues Website-Design (Version A) mit der alten Version (Version B) vergleichen können.
Leider erfordert das multivariate Testen ein hohes Maß an Datenverkehr.
Hinzu kommt, dass je mehr Variablen eine Kombination bilden, desto mehr Varianten müssen getestet werden, was es selbst für Websites mit hohem Traffic schwierig macht, ausreichend Traffic zu generieren.
Die am häufigsten mit A/B-Tests getesteten Elemente
Zu den häufigsten Elementen, die mit A/B-Tests getestet werden, gehören die folgenden:
- Schlagzeilen
- Der Inhalt einer Website
- Das Layout einer Seite
- Das Farbschema einer Website
- Navigation
- Formulare
- Aktionsschaltfläche (Call-to-Action)
- Sozialer Beweis
- Bewertungssysteme
Überschriften gehören zu den auffälligsten Elementen einer Website und erfüllen eine wesentliche Funktion in der Informationsstruktur.
Sie sind für die Wirkung des ersten Eindrucks verantwortlich, daher haben ihre Länge, Verständlichkeit, Konkretheit und Eindeutigkeit Priorität.
Darüber hinaus sollten die Überschriften sachlich und einprägsam sein.
A/B-Tests ermöglichen es, Änderungen vorzunehmen und Varianten in stilistischer, sprachlicher und visueller Hinsicht zu testen (z. B. durch Änderung von Größe, Typ, Farbe oder Schriftart).
Der Inhalt einer Website kann auch auf seine Lesbarkeit und die benutzerfreundliche Formatierung des Inhalts geprüft werden.
Der Inhalt einer Website hat nicht nur eine informative Funktion, sondern wirkt sich auch auf die Konversion aus. Daher sind der angemessene Stil des Inhalts und die Art der Darstellung (Layout der Überschriften, Zwischenüberschriften, Absätze, verwendete Typografie, Fettdruck und Großbuchstaben) von großer Bedeutung.
Durch das Testen von Inhaltsvarianten können Sie die für Benutzer und Geschäftsinhaber vorteilhafteste Konfiguration auswählen.
Seitenlayout und Navigation sind weitere wesentliche Elemente (verantwortlich für eine zufriedenstellende Benutzererfahrung), die mithilfe von A/B-Tests optimiert werden können.
Schwierige und ungeliebte Seitenelemente wie Formulare können durch vergleichende Tests effektiv optimiert werden.
Mithilfe von A/B-Tests können Sie die Anzahl der Felder in einem Formular, seine Verständlichkeit, die Validierungsmethoden, die Fehlerbehandlung und viele andere Aspekte des Formulardesigns auf ihre Attraktivität und Leistung hin testen.
Statistik und Gültigkeit von A/B-Tests
Bei der Durchführung von A/B-Tests werden zwei statistische Ansätze verwendet:
- Frequentist Ansatz
- Bayesian Ansatz
Der Frequentist Ansatz bestimmt die Wahrscheinlichkeit eines Ereignisses danach, wie oft das Ereignis in einer großen Anzahl von Versuchen auftritt.
Mit anderen Worten: Um aus den Ergebnissen verbindliche und genaue Schlüsse ziehen zu können, müssen Tests über einen längeren Zeitraum und mit einer größeren Anzahl von Benutzern durchgeführt werden, die die jeweiligen Varianten nutzen.
Bei diesem Ansatz werden nur Daten aus dem aktuellen Experiment verwendet.
Im Bayesian Ansatz ist die Wahrscheinlichkeit definiert als der Grad des Vertrauens in die Möglichkeit, dass ein bestimmtes Ereignis (z. B. die Verwendung eines Kontaktformulars) eintritt.
Der Vorhersageprozess wird durch den Umfang, die Tiefe und die Vielfalt der Informationen und des darauf basierenden Wissens bestimmt.
Einfach ausgedrückt: Je mehr wir über ein bestimmtes Ereignis wissen, desto genauer und schneller können wir das Ergebnis vorhersagen.
Die Wahrscheinlichkeit ist bei diesem Ansatz kein konstanter Wert, sondern eine Variable, die durch das Wachstum von Informationen und Wissen geprägt ist.
Darüber hinaus ermöglicht der Bayesian Ansatz, dass:
- Verwendung früherer Daten (z. B. Ergebnisse früherer Tests)
- Schnellere Ergebnisse ohne das Risiko der Unzuverlässigkeit oder Ungenauigkeit
- Zeitlich flexiblere Durchführung von Forschungsarbeiten
Bei der Analyse der Ergebnisse von A/B-Tests ist es nützlich, einige statistische Regelmäßigkeiten, Regeln und Beziehungen zu kennen.
Zum Beispiel:
- Je größer der Stichprobenumfang, desto genauer ist der Durchschnitt
- Je höher die Variabilität ist, desto ungenauer ist der Durchschnitt bei der Vorhersage eines einzelnen Datenpunktes.
- Je niedriger das statistische Signifikanzniveau, desto größer ist die Wahrscheinlichkeit, dass es sich bei der Gewinnvariante nicht um eine solche handelt
- Je extremer die Ergebnisse bei der ersten Messung sind, desto wahrscheinlicher ist es, dass die Ergebnisse bei der zweiten Messung näher am Durchschnitt liegen.
Die Methodik der Durchführung des A/B-Tests
Die akribische Einhaltung der für A/B-Tests empfohlenen Verfahren ist nicht nur ratsam, sondern schlichtweg notwendig, um zuverlässige und nützliche Ergebnisse in Design und Wirtschaft zu erzielen.
Schauen wir uns ein Beispiel an. Nehmen wir an, wir wollen die Wirksamkeit einer Schaltfläche untersuchen, z. B. die Schaltfläche "In den Warenkorb", deren Ergebnisse derzeit nicht zufriedenstellend sind.
Es ist von entscheidender Bedeutung, das Forschungsproblem genau zu bestimmen und festzulegen, was wir mit welchen Metriken untersuchen wollen.
In diesem Beispiel messen wir die Leistung der Schaltfläche, indem wir nur eine Variable manipulieren, z. B. das Farbschema, die Schriftgröße oder den Inhalt des Aufrufs zum Handeln.
Es geht nicht darum, Ideen für eine Studie zu entwickeln, sondern eine konkrete Hypothese aufzustellen, die falsifiziert oder bestätigt werden kann.
Zum Beispiel: Die Änderung der Farbe von Rot zu Gelb erhöht die Umwandlung.
Bei der Formulierung von Hypothesen ist die von Craig Sullivan in seinem Artikel "Hypothesis Kit 3" vorgeschlagene Vorlage sehr hilfreich.
Das sieht folgendermaßen aus:
- Weil wir die Daten beobachten / wir haben Feedback
- Wir können davon ausgehen, dass die Veränderung eine Auswirkung haben wird
- Das können wir mit Data Metrik messen
Die Anzahl der Schaltflächenklicks in einer bestimmten Variante ist ein Leistungsindikator und wird Ihre Kennzahl sein.
Je mehr Personen innerhalb eines bestimmten Zeitraums auf die Schaltfläche klicken, desto höher ist die Leistung der Schaltfläche im Vergleich zu den anderen Varianten. Im nächsten Schritt müssen Sie angeben, wie lange der Test dauern soll. Ihre Länge sollte auf der Grundlage der bisherigen Leistung der Website und des erwarteten Verkehrsaufkommens festgelegt werden.
Es sei daran erinnert, dass der Verkehr in zwei Varianten aufgeteilt wird, was Sie bei Ihren Annahmen berücksichtigen sollten.
Ein nicht zu vernachlässigendes Problem sind externe Faktoren, anormale Situationen oder Situationen, die von der üblichen Norm abweichen und die Leistung beeinträchtigen können.
Es geht um den Moment, in dem das Verkehrsaufkommen im Vergleich zur Norm erhöht ist, zum Beispiel während:
- Aktionszeitraum (z. B. Black Friday, Cyber Monday)
- Werbeaktivitäten
- Unterschiedliche Jahreszeiten — besonders relevant in Branchen, in denen Saisonabhängigkeit eine wichtige Variable ist
In einem statistischen Sinne sind die oben genannten Situationen eine Anomalie und können zu fehlerhaften Ergebnissen führen. Eine Variante, die zu bestimmten Zeiten effektiver ist, kann zu anderen Zeiten weniger effektiv sein.
Es ist auch wichtig, die Traffic-Quelle (Mobile vs. Desktop) zu berücksichtigen, da der Kanal, über den die Interaktion stattfindet, eine Variable ist, die die Ergebnisse beeinflusst.
Die Tests müssen unter identischen Bedingungen und in identischem Zusammenhang durchgeführt werden, um zuverlässig und vergleichbar zu sein.
Auf der Grundlage der statistischen Theorie zur Versuchsplanung wird ein solches Vorgehen als Blocking bezeichnet.
Durch die Blockierung wird die unerklärliche Variabilität verringert und es werden präzisere Ergebnisse erzielt.
Je nach Bedarf und Forschungszielen, angenommene Hypothesen. Es ist möglich, die Benutzer detaillierter zu segmentieren, auch im Hinblick auf andere Variablen (z. B. den Standort).
Wenn Sie den Test und die auf der Grundlage der angenommenen Hypothese(n) erstellten Varianten vorbereitet haben, die mit der Kontrollversion verglichen werden, können Sie den Test mit einem der zahlreichen Tools durchführen, die für die Durchführung von A/B-Tests verfügbar sind.
Auf dem Markt gibt es viele verschiedene Werkzeuge. Google Optimize ist eines der beliebtesten Tools zur Durchführung von A/B-Tests. Mit Google Optimize in der Basisversion können Sie kostenlos Tests durchführen. Sie können auch einen Blick auf Visual Website Optimizer, Poll the People oder Optimizely werfen.
Häufig gemachte Fehler bei A/B-Tests
Einer der häufigsten Fehler bei der Durchführung von A/B-Tests (z. B. beim Testen einer Zielseite) besteht darin, sie vorzeitig zu beenden.
Die Versuchung, dies zu tun, ergibt sich aus den Ergebnissen, die die Forschungshypothese unterstützen. Die Hypothese scheint richtig zu sein, und weitere Tests scheinen eine Verschwendung wertvoller Zeit zu sein.
Diese Art von Fehlern wird in der Fachliteratur als P-Hacking oder Questionable Research Practices (QRP) bezeichnet.
Sie werden von Forschern begangen, die die Annahmen der statistischen Inferenz verletzen, um ihre Forschungshypothesen zu bestätigen.
Für die Zuverlässigkeit der Tests ist es entscheidend, dass sie über einen ausreichenden Zeitraum durchgeführt werden, damit Sie genügend Zeit haben, um genügend Daten zu sammeln, auf deren Grundlage Sie weitere Designentscheidungen treffen können.
Ein ebenso häufiger Fehler ist die Entscheidung, Studien nicht zu wiederholen. Das Risiko eines falschen Ergebnisses kann nie außer Acht gelassen werden; daher sind Wiederholungstests einfach notwendig und sehr ratsam.
Es ist wichtig, daran zu denken, dass sich die Benutzerpräferenzen im Laufe der Zeit entwickeln und ändern, weshalb es sehr empfehlenswert ist, sie zu diagnostizieren.
Die Dauer der Tests und der Stichprobenumfang sollten jedes Mal an das Forschungsproblem, die Hypothese, das Verkehrsaufkommen und den Zeitraum, in dem die Studie durchgeführt werden soll, angepasst werden.
Die Anzahl der Varianten, der allgemeinen Hypothesen und der detaillierten Hypothesen wirkt sich auch auf die Studiendauer und den Stichprobenumfang aus, was zur Erreichung der statistischen Signifikanz beiträgt.
Die Qualität des Verkehrs selbst und seine Ausgewogenheit beeinflussen die Qualität der Testergebnisse erheblich.
Wie führt man A/B-Tests durch? Zusammenfassung
- Was sind A/B-Tests? A/B-Testing ist eine Methode, bei der zwei Designvarianten verwendet werden, um das gleiche Ziel zu erreichen.
- Mithilfe des A/B-Tests können Sie feststellen, welche Variante effektiver ist und Ihnen ermöglicht, Ihre Ziele effizienter zu erreichen.
- A/B UX-Testing ist eine Methode, mit der die Nutzbarkeit einer Website, einer Webseite oder anderer einzelner Elemente getestet wird.
- Es wird empfohlen, A/B-Tests regelmäßig und regelmäßig durchzuführen.
- Es handelt sich um eine Forschungsmethode, die die Wirksamkeit, Attraktivität, Freundlichkeit und Nutzbarkeit einer Website als solche und einzelner Elemente auf einer Seite, wie z. B. Anzeigen, erhöht.
- Mit A/B UX-Tests können Sie Ihre Konversionsrate verbessern (CRO — Conversion Rate Optimization).
- A/B-Tests liefern Ihnen im Allgemeinen eine Vielzahl wertvoller Daten.
- Bei der Optimierung einer Website können Sie mit A/B-Tests Annahmen, Ideen, Intuitionen und Überzeugungen durch harte Daten ersetzen und so viel genauere Antworten auf wichtige geschäftliche Fragen geben (z. B. wie man die Konversion steigern und eine höhere CTR erreichen kann).
- Sie tragen auch dazu bei, bessere Verkaufsergebnisse zu erzielen und den Website-Traffic effektiver zu nutzen.
- Die Zuverlässigkeit, die methodische Korrektheit der Tests und die Art und Weise, wie der gesamte Prozess durchgeführt wird, beeinflussen den Wert der Ergebnisse, die mit ihrer Hilfe erzielt werden können.
- A/A-Tests sind so konzipiert, dass sie ein Höchstmaß an Zuverlässigkeit der erzielten Ergebnisse gewährleisten.
- A/B/n-Tests ermöglichen den Vergleich einer beliebigen Anzahl von Varianten.
- Mit multivariaten Tests können Sie verschiedene Elemente einer Seite, verschiedene Versionen gleichzeitig und mögliche Kombinationen vergleichen (z. B. können Sie Varianten von Produktseiten vergleichen, was besonders wichtig ist, wenn Sie ein Online-Shop betreiben).
- Der Split-URL-Test vergleicht zwei Varianten einer gesamten Website.
- Mithilfe von A/B-Tests werden am häufigsten Überschriften, Inhalte, Seitenlayout, Farbschemata und Navigation getestet. Sie werden häufig eingesetzt, um Konversionen und Zielseiten zu optimieren und effektivere Funktionalitäten auf einer Website zu implementieren.
- Bei der Durchführung eines A/B-Tests werden zwei statistische Ansätze verwendet: der Frequentist Ansatz und der Bayesian Ansatz.
- Methodische Richtlinien müssen befolgt werden, um zuverlässige und nützliche Ergebnisse in Design und Wirtschaft zu erhalten, die Zielseiten und deren Entwicklung unterstützen.
- Sie sollten die Dauer der Tests und den Stichprobenumfang jedes Mal an das Forschungsproblem, die Hypothese, das Verkehrsaufkommen und den Zeitraum anpassen (sie sollten nicht während einer Periode mit hoher Anomalie durchgeführt werden).
