A/B-Test Praxisbeispiel

Optimierung einer Versicherungs-Produktseite

Digitale Angebote lassen sich nur dann gezielt verbessern, wenn Entscheidungen auf echten Nutzerdaten basieren. A/B-Testing ist dafür eine bewährte Methode: Zwei Varianten einer Seite oder Funktion werden parallel getestet, um herauszufinden, welche Version bei Nutzerinnen und Nutzern besser funktioniert.

In dieser A/B-Testing Case Study zeigen wir anhand eines Praxisbeispiels aus der Versicherungsbranche, wie ein A/B-Test aufgebaut wurde und welche Erkenntnisse daraus entstanden sind. Ziel des Tests war es, besser zu verstehen, wie Nutzerinnen und Nutzer mit einer Versicherungsseite interagieren und welche Variante sie stärker zur weiteren Nutzung motiviert.

A/B-Testing kurz erklärt

A/B-Testing ist eine Methode, bei der zwei Varianten einer Seite parallel getestet werden, um herauszufinden, welche Version bei Nutzerinnen und Nutzern besser funktioniert. Mehr erklären wir im Artikel A/B-Testing einfach erklärt.

Praxisbeispiel: A/B-Testing bei einer Versicherung

Im Rahmen der Optimierung einer Produktseite im Versicherungsumfeld wurde untersucht, wie Interessierte gezielter zu einer Beratungsanfrage geführt werden können.

Die bestehende Seite bot eine klassische Tariftabelle, über die sich Nutzerinnen und Nutzer einen Überblick über Leistungen und Preise verschaffen konnten. Obwohl diese Informationen wichtig sind, zeigte sich, dass viele Besuchende nach der ersten Orientierung keine weitere Interaktion mit der Seite hatten.

Hypothese des Tests

Wenn Nutzerinnen und Nutzer vor einer möglichen Beratung zunächst selbst einen Beitrag berechnen können, steigt die Interaktion mit der Seite und die Wahrscheinlichkeit einer qualifizierten Beratungsanfrage.

Aufbau des A/B-Tests

Für den Test wurden zwei Varianten der Produktseite erstellt. Besucherinnen und Besucher wurden zufällig auf beide Versionen verteilt, sodass das Nutzerverhalten unter vergleichbaren Bedingungen ausgewertet werden konnte.

Getestete Varianten

Variante A: Ausgangsversion

Die ursprüngliche Seite zeigte eine klassische Tariftabelle mit verschiedenen Versicherungsoptionen und deren Leistungen. Nutzerinnen und Nutzer konnten sich über Leistungen und Preise informieren und anschließend eine Beratungsanfrage starten.

Merkmale der Ausgangsversion:

statische Tariftabelle auf der Seite

ein Call-to-Action im Hero-Bereich: "Zur Beratung"

direkter Einstieg in die Beratungsanfrage

Variante B: Testversion

In der Testversion wurde zusätzlich ein Beitragsrechner integriert. Besucherinnen und Besucher konnten zunächst selbst einen individuellen Beitrag berechnen, bevor sie sich für eine Beratung entschieden.

Merkmale der Testversion:

Integration eines Tarifrechners

zusätzlicher Call-to-Action im Hero-Bereich: "Beitrag berechnen"

Nutzer können Beitrag direkt auf der Seite berechnen

Testziel

Ziel des Tests war es zu prüfen, ob die Möglichkeit zur eigenen Beitragsberechnung die Interaktion mit der Seite erhöht und zu qualifizierteren Beratungsanfragen führt.

Ergebnisse des A/B-Tests

Zentrale Erkenntnisse aus dem Nutzerverhalten

Der A/B-Test zeigt deutliche Unterschiede im Nutzerverhalten zwischen der ursprünglichen Produktseite und der Testversion mit integriertem Beitragsrechner. Besonders die Interaktionsdauer und die Nutzung des Call-to-Action haben sich erhöht. Auch die Conversion-Rate vom Klick auf den Beratungs-CTA bis zum abgeschickten Formular ist gestiegen.

Interaktionsdauer

+53 % Interaktionsdauer

Die Interaktionsdauer steigt deutlich, da Nutzer aktiv mit dem integrierten Beitragsrechner interagieren.

CTA-Nutzung

34 % Klick auf "Beitrag berechnen"

Viele Nutzer nutzen zunächst die Möglichkeit, ihren Beitrag selbst zu berechnen, bevor sie eine Beratung starten.

Conversion-Rate

+13,7 % Conversion-Rate

Die Conversion-Rate vom Klick auf den Beratungs-CTA bis zum abgeschickten Formular steigt um 13,7 %.

Hinweis: Aufgrund der geringen Fallzahlen lassen sich aus diesem A/B-Test keine statistisch signifikanten Aussagen ableiten. Die Ergebnisse liefern jedoch wertvolle Hinweise auf das Nutzerverhalten.

Die Testergebnisse zeigen deutliche Unterschiede im Nutzerverhalten und liefern wertvolle Hinweise für die Weiterentwicklung der Produktseite.

Dr. Maike Melsheimer
(Digital Analyst bei OEV Online Dienste GmbH)

Die wichtigsten Learnings aus dem Test

Aus dem Test lassen sich mehrere Erkenntnisse ableiten, die auch für andere digitale Produktseiten im Versicherungsumfeld relevant sein können.

Self-Service als bevorzugter Einstieg

Nutzerinnen und Nutzer starten häufig lieber mit einem Self-Service-Einstieg, bevor sie eine Beratung in Anspruch nehmen. Digitale Einstiegsangebote wie Rechner oder Konfiguratoren können daher eine wichtige Rolle in der frühen Phase der Customer Journey spielen und Hemmschwellen reduzieren.

Mehr Interaktion durch Funktionen

Interaktive Funktionen wie ein integrierter Tarifrechner können die Interaktion mit einer Seite deutlich erhöhen. Nutzerinnen und Nutzer beschäftigen sich intensiver mit den angebotenen Informationen und setzen sich aktiver mit dem Produkt auseinander.

Schrittweise zur Beratung führen

Nutzerinnen und Nutzer reagieren häufig besser auf einen schrittweisen Einstieg. Funktionen wie ein Beitragsrechner ermöglichen zunächst eine eigene Orientierung, bevor eine persönliche Beratung angefragt wird.

Interaktive Inhalte schaffen Vertrauen

Wenn Nutzerinnen und Nutzer Informationen selbst erkunden können, steigt das Vertrauen in das Angebot. Interaktive Elemente können daher helfen, komplexe Produkte verständlicher zu machen.

Trends auch bei kleineren Stichproben

Auch bei kleineren Stichproben können A/B-Tests wertvolle Trends im Nutzerverhalten sichtbar machen. Diese Hinweise können als Grundlage für weitere Tests und gezielte Optimierungen dienen.

Daten statt Entscheidungen aus dem Bauch

A/B-Tests ermöglichen es, digitale Angebote auf Basis realer Nutzerdaten weiterzuentwickeln. Entscheidungen können so datenbasiert getroffen werden, statt ausschließlich auf Annahmen oder Erfahrungswerten zu beruhen.

Übertragbarkeit der Ergebnisse

Die Ergebnisse dieser Case Study zeigen, dass interaktive Elemente wie Rechner oder Konfiguratoren die Interaktion mit digitalen Produktseiten deutlich erhöhen können. Besonders im Versicherungsumfeld können solche Funktionen helfen, Nutzerinnen und Nutzer frühzeitig abzuholen und sie schrittweise zu einer Beratungsanfrage zu führen.

A/B-Tests bieten dabei eine wichtige Grundlage, um solche Optimierungen datenbasiert zu überprüfen und digitale Angebote kontinuierlich weiterzuentwickeln.

Fazit: A/B-Testing liefert wertvolle Entscheidungsgrundlagen

A/B-Tests helfen dabei, digitale Angebote nicht auf Basis von Annahmen, sondern auf Grundlage realer Nutzerdaten weiterzuentwickeln. Schon kleine Anpassungen können messbare Auswirkungen auf Nutzerverhalten und Conversion haben.

Dieses Praxisbeispiel zeigt, dass bereits einfache A/B-Tests wertvolle Erkenntnisse liefern können. Der integrierte Tarifrechner erhöhte nicht nur die Interaktion mit der Seite, sondern führte auch zu qualifizierteren Beratungsanfragen.

A/B-Testing ermöglicht es Unternehmen, Hypothesen systematisch zu überprüfen und digitale Produkte schrittweise zu optimieren. Selbst bei kleineren Stichproben lassen sich dabei wichtige Trendindikatoren erkennen, die als Grundlage für weitere Optimierungen dienen können.

Mit A/B-Testing bessere Entscheidungen treffen

A/B-Testing strategisch einsetzen

Möchten Sie ähnliche Tests für Ihre digitalen Angebote durchführen? Lernen Sie, wie Experimente systematisch eingesetzt werden, um Nutzerverhalten besser zu verstehen und digitale Angebote kontinuierlich zu verbessern.

Im Workshop lernen Sie:

wie A/B-Tests sinnvoll geplant werden

wie Hypothesen formuliert werden

wie Ergebnisse richtig interpretiert werden

Zum Workshop A/B-Testing

Wichtige Begriffe rund um A/B-Testing

Conversion: Eine Conversion bezeichnet eine gewünschte Aktion eines Nutzers auf einer Website, zum Beispiel das Absenden eines Formulars, eine Registrierung oder eine Beratungsanfrage.

Conversion-Rate: Die Conversion-Rate beschreibt den Anteil der Besucher, die eine gewünschte Aktion durchführen. Sie wird meist in Prozent angegeben und ist eine wichtige Kennzahl zur Bewertung der Wirksamkeit.

Call-to-Action (CTA): Ein CTA ist eine Handlungsaufforderung auf einer Webseite, die Nutzer zu einer bestimmten Aktion führen soll, zum Beispiel "Beitrag berechnen" oder "Beratung anfragen".

Self-Service: Self-Service beschreibt Funktionen, mit denen Nutzer Informationen oder Leistungen selbstständig nutzen können, ohne direkt eine Beratung in Anspruch zu nehmen. Beispiele sind Tarif- oder Beitragsrechner.

Zurück zum Seitenanfang

Hinweis: Teile der Inhalte wurden unter Nutzung KI-gestützter Werkzeuge erstellt und fachlich validiert.