
A/B-testen is een methode waarbij je twee versies van een pagina, boodschap of ander onderdeel vergelijkt om te zien welke beter presteert. Je verdeelt bezoekers willekeurig over de varianten en beoordeelt het verschil aan de hand van vooraf gekozen meetwaarden. Zo baseer je verbeteringen niet alleen op aannames, maar op gedrag van je eigen doelgroep.
Dat maakt experimenteren nuttig voor ondernemers en marketeers die bijvoorbeeld meer aanvragen, aankopen of inschrijvingen willen realiseren. Een test levert echter niet automatisch een betrouwbaar antwoord op. Een onduidelijke hypothese, een te kleine steekproef of een tussentijdse wijziging kan de uitkomst vertekenen. Met een vaste werkwijze voorkom je dat een toevallige uitslag wordt aangezien voor bewijs en maak je van elke test een bruikbare stap in je optimalisatieproces.
In het kort
- A/B-testen vergelijkt twee versies onder vergelijkbare omstandigheden om het effect van één verandering te beoordelen.
- Een bruikbaar experiment begint met een concrete vraag, een onderbouwde hypothese en één primaire meetwaarde.
- Een representatieve steekproef en een vooraf bepaalde looptijd verkleinen de kans op misleidende conclusies.
- Een uitslag is pas waardevol als je de context controleert, ervan leert en zorgvuldig besluit wat je ermee doet.
A/B-testen: de complete gids voor betrouwbare experimenten

Bij A/B-testen vergelijk je een bestaande versie, de controle, met een aangepaste versie, de variant. Bezoekers worden willekeurig aan een versie toegewezen. Vervolgens meet je of de vooraf gekozen uitkomst verschilt, bijvoorbeeld het aandeel bezoekers dat een formulier verstuurt. De willekeurige verdeling helpt voorkomen dat één versie vooral aan een bepaald type bezoeker wordt getoond.
Een test is vooral geschikt wanneer je een concrete keuze wilt maken tussen twee opties. Denk aan een andere kop boven een offerteformulier, een opvallender knop of een kortere uitleg op een productpagina. Het doel is niet om te bewijzen dat een ontwerp mooier is, maar om te onderzoeken of de wijziging samenhangt met een betekenisvolle verbetering van de gekozen uitkomst.
A/B-test of andere testvorm?
Bij een eenvoudige A/B-test vergelijk je doorgaans twee versies van één pagina-element of één samenhangende verandering. Wil je meerdere onderdelen tegelijk variëren, dan wordt het lastiger om te bepalen welk onderdeel het verschil veroorzaakte. Een multivariate test kan meerdere combinaties onderzoeken, maar vraagt voldoende verkeer en een zorgvuldig ontwerp.
Ook een voor-en-na-vergelijking is niet hetzelfde als een A/B-test. Bij zo’n vergelijking kunnen seizoensinvloeden, campagnes of veranderingen in bezoekersmix het resultaat beïnvloeden. Met een gelijktijdige controlegroep vergelijk je de varianten onder meer vergelijkbare omstandigheden. Dat geeft geen garantie op een goede conclusie, maar maakt de vergelijking doorgaans sterker.
Gebruik een experiment dus om een afgebakende onzekerheid te onderzoeken. Als je nog niet weet waar bezoekers vastlopen, begin dan met onderzoek naar hun gedrag en vragen. Een test is geen vervanging voor inzicht in het probleem, maar een manier om een gerichte oplossing te toetsen.
Zo zet je een A/B-test op met een sterke hypothese

Een sterke A/B-test begint met een concreet probleem en een toetsbare hypothese, niet met een willekeurig idee voor een nieuw ontwerp. Formuleer eerst wat je ziet gebeuren, voor wie dat relevant is en welk gedrag je wilt verbeteren. Zo voorkom je dat je test losstaat van de behoeften van bezoekers of de doelen van je bedrijf.
Een bruikbare hypothese benoemt de wijziging, het verwachte effect en de reden daarvoor. Bijvoorbeeld: “Als we de belangrijkste voorwaarden naast het aanvraagformulier uitleggen, verwachten we dat meer geschikte bezoekers het formulier afronden, omdat ze minder onzekerheid ervaren.” Dit is specifieker dan “een betere pagina levert meer conversies op”.
Werk van vraag naar meetplan
Doorloop deze stappen voordat je iets bouwt:
- Beschrijf het probleem. Gebruik bijvoorbeeld vragen van klanten, feedback uit verkoopgesprekken, analyse van formulieruitval of observaties van gebruikers. Maak duidelijk op welke pagina of in welke stap de frictie zit.
- Bepaal je verandering. Kies één aanpassing die logisch aansluit op het probleem. Als je tegelijk tekst, indeling en formulier wijzigt, weet je achteraf niet welk onderdeel mogelijk effect had.
- Kies een primaire meetwaarde. Dit is de belangrijkste uitkomst waarop je de hypothese beoordeelt, zoals afgeronde aanvragen per geschikte bezoeker.
- Leg aanvullende meetwaarden vast. Denk aan tussenstappen of kwaliteitsindicatoren. Die helpen verklaren wat er veranderde, maar mogen de primaire maatstaf niet achteraf vervangen.
- Bepaal randvoorwaarden. Noteer welke bezoekers meedoen, welke pagina’s betrokken zijn en welke technische of commerciële veranderingen de test kunnen beïnvloeden.
Houd ook rekening met ongewenste effecten. Een knop kan bijvoorbeeld vaker worden aangeklikt zonder dat meer bezoekers uiteindelijk een aanvraag afronden. Definieer daarom vooraf wat een waardevolle uitkomst is voor je organisatie, niet alleen wat gemakkelijk te tellen is.
Verbeter je pagina’s onderbouwd Wil je experimenten verbinden aan sterke inhoud en een duidelijke planning? Bekijk hoe SEOport je kan helpen met contentstrategie en redactieplanning. Bekijk Contentstrategie & redactieplanning
Kies varianten en meetwaarden die bij je doel passen

Een goede variant verandert iets dat aantoonbaar verband houdt met het probleem en laat de rest zo veel mogelijk gelijk. Als bezoekers afhaken omdat de vervolgstap onduidelijk is, kan een concretere knoptekst een logische test zijn. Als de voorwaarden voor een aanvraag onduidelijk zijn, ligt het meer voor de hand om die informatie beter zichtbaar te maken.
Kies de meetwaarde op basis van het doel van de pagina. Voor een leadpagina kan dat een afgeronde aanvraag zijn; voor een inschrijfpagina een bevestigde inschrijving. Gebruik waar mogelijk een maatstaf die het daadwerkelijke einddoel benadert. Een klik op een knop is vaak een tussenstap en vertelt op zichzelf niet of de bezoeker een bruikbare aanvraag of aankoop deed.
Houd de vergelijking eerlijk
De controle en variant moeten op hetzelfde moment beschikbaar zijn en bezoekers moeten op een consistente manier worden toegewezen. Controleer dat iemand niet bij elk bezoek tussen versies wisselt. Denk ook aan bezoekers die via verschillende apparaten terugkomen, als dat relevant is voor je meetopzet.
Leg vooraf vast welke bezoekers in de test vallen. Een test op een productpagina kan bijvoorbeeld alleen gericht zijn op bezoekers van die pagina, terwijl een test op een bedankpagina niet dezelfde groep onderzoekt. Verander de doelgroep niet halverwege omdat de eerste uitslag tegenvalt.
Bekijk daarnaast of de meetinrichting de gekozen uitkomst correct registreert. Test zelf het volledige pad: van binnenkomst tot afronding en eventuele bevestiging. Controleer of conversies dubbel worden geteld en of beide varianten meetbaar zijn. Bij betaalde campagnes is het extra belangrijk te weten hoe conversies worden vastgelegd en toegeschreven; lees daarvoor ook de gids over conversiemeting in Meta Ads. Een experiment kan alleen een bruikbaar antwoord geven als de data de werkelijkheid voldoende weerspiegelt.
Hoe lang moet een A/B-test lopen?

Een A/B-test moet lang genoeg lopen om voldoende relevante waarnemingen te verzamelen en om normale schommelingen in bezoekersgedrag mee te nemen. Er is geen vaste looptijd die voor elke website werkt. Een drukbezochte webshop met veel aankopen verzamelt sneller gegevens dan een zakelijke website waar maar af en toe een aanvraag binnenkomt.
Bepaal daarom vóór de start welke omvang en looptijd je nodig hebt. Die afweging hangt onder meer af van het aantal bezoekers, het aantal conversies, de huidige conversieratio en het verschil dat je relevant vindt. Als je slechts een klein effect wilt kunnen onderscheiden, heb je doorgaans meer waarnemingen nodig dan wanneer je een groot verschil verwacht. Zonder betrouwbare uitgangsgegevens is een precieze inschatting lastig.
Voorkom voortijdig stoppen
Kijk niet dagelijks of de ene variant al “wint” om de test meteen te beëindigen. Bij weinig gegevens kan de uitslag sterk bewegen en toevallig gunstig lijken. Als je steeds opnieuw controleert en stopt zodra je een gewenst verschil ziet, vergroot je de kans op een verkeerde conclusie.
Leg ook vast of de test een volledige weekcyclus of andere relevante gebruikspatronen moet omvatten. Bezoekers kunnen zich op werkdagen anders gedragen dan in het weekend. Een campagne, feestdag, storing of grote wijziging op de website kan de resultaten eveneens beïnvloeden. Is er zo’n verstoring, documenteer die dan en beoordeel of de test nog eerlijk te interpreteren is.
Verzamel niet eindeloos gegevens zonder reden. Een test die lang doorloopt, kan intussen worden geraakt door veranderde omstandigheden of andere websitewijzigingen. Spreek vooraf af wanneer je de test beoordeelt en welke omstandigheden een pauze rechtvaardigen. Zo voorkom je dat de einddatum achteraf wordt gekozen op basis van de gewenste uitslag.
Betrouwbaarheid: statistische significantie en valkuilen

Een verschil in conversies is niet automatisch bewijs dat de variant beter werkt. De waargenomen uitkomst kan ontstaan door een echt effect, maar ook door toeval, een technische fout of een verschil tussen de bezoekersgroepen. Betrouwbaarheid vraagt daarom om een goede testopzet én een zorgvuldige interpretatie van de cijfers.
Statistische significantie is een manier om te beoordelen hoe verenigbaar een waargenomen verschil is met toeval binnen een gekozen statistisch model. Het is geen maat voor de zakelijke waarde van de verandering en geen garantie dat de variant in elke situatie beter presteert. Een klein verschil kan statistisch overtuigend zijn maar nauwelijks relevant voor je organisatie; een veelbelovend verschil kan bij weinig gegevens nog onzeker zijn.
Veelvoorkomende fouten
- Meerdere wijzigingen tegelijk testen. Je kunt de oorzaak van het resultaat niet goed aanwijzen.
- De meetwaarde tijdens de test veranderen. Dan beoordeel je niet meer de oorspronkelijke hypothese.
- Alleen gunstige segmenten uitlichten. Een uitsplitsing naar apparaat of kanaal kan nuttig zijn, maar achteraf geselecteerde uitschieters zijn geen stevig bewijs.
- Technische fouten negeren. Een formulier dat op mobiel niet werkt, beïnvloedt gedrag én meting.
- Een stijging in een tussenstap verwarren met een bedrijfsresultaat. Meer klikken betekenen niet automatisch meer kwalitatieve aanvragen.
Controleer voor je conclusies trekt of de test correct is uitgevoerd, of de verdeling goed werkte en of beide varianten volledig zijn gemeten. Bekijk daarna de primaire meetwaarde, de relevante ondersteunende waarden en eventuele ongewenste effecten. Als de gegevens te beperkt of verstoord zijn, is “nog geen duidelijke conclusie” een volwassen uitkomst. Je hoeft niet elke test tot winnaar uit te roepen.
Resultaten analyseren en vertalen naar je website

Analyseer een A/B-test door eerst te toetsen of de uitvoering en meting klopten en pas daarna te beoordelen welke variant beter presteerde. Begin dus niet met de vraag welke kleur of kop won, maar met de vraag of je de uitkomst kunt vertrouwen. Controleer de looptijd, bezoekersverdeling, technische werking en eventuele verstoringen.
Vergelijk vervolgens de primaire meetwaarde tussen controle en variant. Kijk niet alleen naar het aantal conversies, maar ook naar de noemer: hoeveel geschikte bezoekers kregen elke versie te zien? Neem ondersteunende waarden mee om het resultaat te begrijpen. Een stijging in afgeronde aanvragen is bijvoorbeeld minder aantrekkelijk als de kwaliteit van die aanvragen sterk terugloopt.
Kies een passende vervolgstap
- Duidelijke verbetering zonder belangrijk nadeel: voer de verandering gecontroleerd door en houd de uitkomst na publicatie in de gaten.
- Geen duidelijk verschil: behoud de bestaande versie of kies op praktische gronden. Noteer wat je hebt geleerd en formuleer een betere vervolghypothese.
- Negatief effect of ongewenste bijwerking: zet de wijziging niet zomaar breed uit. Onderzoek waar de ervaring verslechterde en pas je aanpak aan.
- Onbetrouwbare of onvolledige test: herstel de meetfout of testopzet. Trek geen stevige conclusie uit gegevens die de vraag niet goed beantwoorden.
Leg de vraag, hypothese, doelgroep, meetwaarden, looptijd en beslissing vast. Dat voorkomt dat hetzelfde idee later opnieuw wordt getest zonder dat iemand de eerdere uitkomst kent. Deel ook de beperkingen: een resultaat op één pagina of voor één doelgroep geldt niet vanzelf voor alle bezoekers. Een goed experiment levert soms een toepasbare verbetering op en soms vooral een scherper begrip van wat je nog moet onderzoeken.
Maak van A/B-testen een vast optimalisatieproces

A/B-testen werkt het best als onderdeel van een doorlopend proces waarin je vragen uit de praktijk verzamelt, prioriteiten stelt en bevindingen deelt. Een losse test kan iets verbeteren, maar een vaste werkwijze helpt je organisatie om niet telkens te beginnen bij het eerste idee dat iemand aandraagt.
Verzamel mogelijke testvragen uit meerdere bronnen: gesprekken met klanten, signalen uit klantenservice, analyse van belangrijke landingspagina’s en feedback van verkoopteams. Beoordeel elk idee op de duidelijkheid van het probleem, de verwachte waarde, de haalbaarheid en de mogelijkheid om het effect goed te meten. Een klein, toetsbaar probleem is vaak een betere start dan een complete herbouw van een pagina.
Praktische checklist voor je start
- Is het probleem concreet en herkenbaar voor een doelgroep?
- Is er een onderbouwde reden om juist deze wijziging te testen?
- Is één primaire meetwaarde vooraf gekozen?
- Zijn de controle en variant technisch correct en gelijkwaardig meetbaar?
- Is de doelgroep afgebakend en is de bezoekersverdeling consistent?
- Zijn looptijd, evaluatiemoment en mogelijke verstoringen besproken?
- Is duidelijk wie de uitslag beoordeelt en welke vervolgstappen mogelijk zijn?
Niet elke verbetering hoeft eerst getest te worden. Bij een duidelijke fout, ontoegankelijke functionaliteit of onjuiste informatie is herstellen belangrijker dan experimenteren. Testen is vooral waardevol als er echte onzekerheid bestaat over welke van meerdere redelijke oplossingen het beste werkt.
Een contentstrategie kan helpen om testvragen te verbinden aan de informatiebehoefte van je doelgroep. Bekijk hoe contentstrategie en redactieplanning daarbij kunnen helpen. Voor verbeteringen aan bestaande pagina’s kun je daarnaast de mogelijkheden van on-page optimalisatie bekijken. Zo verbind je experimenten met inhoud en vindbaarheid, in plaats van alleen met losse conversie-elementen.
Veelgestelde vragen
Hoe werkt A/B-testen?
Bij A/B-testen verdeel je bezoekers willekeurig over een bestaande versie en een aangepaste versie. Je meet vooraf gekozen gedrag, zoals afgeronde aanvragen, en vergelijkt de uitkomsten. Omdat beide varianten gelijktijdig worden getoond, kun je veranderingen in de bezoekersmix beter beperken dan bij een simpele vergelijking vóór en na een wijziging.
Hoe zet je een A/B-test op?
Begin met een concreet probleem en formuleer een hypothese die de wijziging, het verwachte effect en de reden daarvoor benoemt. Kies daarna een primaire meetwaarde, bepaal welke bezoekers meedoen en controleer of beide versies goed worden gemeten. Leg ook vooraf vast wanneer en onder welke voorwaarden je de uitslag beoordeelt.
Hoe lang moet een A/B-test lopen?
Een test loopt totdat er voldoende relevante waarnemingen zijn verzameld en normale gedragspatronen zijn meegenomen. De benodigde duur verschilt per website, bezoekersaantal, conversievolume en verwacht effect. Spreek vooraf een evaluatiemoment af en stop niet zodra tussentijdse cijfers toevallig gunstig lijken.
Hoeveel bezoekers heb je nodig voor een A/B-test?
Er is geen vast aantal bezoekers dat voor elke A/B-test voldoende is. De benodigde steekproef hangt onder meer af van je huidige conversieratio, het effect dat je wilt kunnen herkennen en het aantal conversies. Met weinig bezoekers duurt het langer om onderscheid te maken tussen een echt verschil en toeval.
Waarom is mijn A/B-test niet betrouwbaar?
Een test kan onbetrouwbaar zijn door te weinig gegevens, een foutieve meetinrichting, een ongelijke bezoekersverdeling of wijzigingen tijdens de test. Ook voortijdig stoppen en achteraf alleen gunstige segmenten bekijken kunnen de conclusie vertekenen. Controleer daarom eerst de uitvoering en de meetwaarden voordat je een winnaar aanwijst.
Conclusie
Een betrouwbare A/B-test begint niet bij een opvallende knop of een nieuw ontwerp, maar bij een concrete onzekerheid over bezoekersgedrag. Formuleer een toetsbare hypothese, kies één primaire meetwaarde en controleer of je varianten eerlijk en volledig worden gemeten. Bepaal vooraf hoe je de uitslag beoordeelt en laat je niet leiden door tussentijdse schommelingen. Start met een pagina waar een duidelijk probleem én voldoende meetbaar gedrag aanwezig zijn. Ook een onbesliste test kan waardevol zijn, zolang je vastlegt wat je hebt geleerd en die kennis gebruikt voor een betere volgende stap.
Hulp nodig bij de uitvoering? We kijken graag mee naar jouw situatie en vertellen eerlijk wat het meeste oplevert. Vraag een vrijblijvende offerte aan


