Dus je duikt erin. Je maakt een dashboard. Je kijkt naar de cijfers. Je analyseert waar mensen afhaken. En je ziet het: De landingspagina krijgt verkeer, maar de conversie blijft achter.Mensen kijken wel. Ze scrollen misschien. Ze verdwijnen ook weer.<\/p>\n
En dan kom je op het punt waar bijna iedereen dezelfde fout maakt:Dan ga je \u201ceven wat proberen\u201d.<\/span><\/em><\/p>\n <\/span> <\/span>“Als je alles tegelijk verandert en het werkt beter, <\/span>weet je precies niks.”<\/span><\/p>\n Knopje aanpassen. Titel herschrijven. Nieuwe foto. Extra bulletpoints. Nog een testimonial.Nog een alinea. Nog een \u201cgratis\u201d erbij. En dan hopen dat het ineens wel werkt. Super menselijk. Maar ook super onhandig.<\/p>\n Want jij bent niet op zoek naar \u201cmooier\u201d. Je bent op zoek naar: wat werkt beter in het hoofd van je klant?<\/span><\/strong><\/p>\n Je wil niet hopen dat iets helpt. Je wil snappen:wat iemand zietwat iemand denktwaar iemand twijfelten wat er nodig is om die twijfel te doorbreken<\/span><\/em><\/p>\n En dan het liefst niet met meningen, maar met gedrag.Want gedrag liegt minder.<\/p>\n Een A\/B-test is eigenlijk niets meer dan dit:<\/p>\n Je maakt twee versies van dezelfde pagina.Versie A<\/span><\/strong> =<\/span> de originele versie (zoals hij nu is)Versie B<\/span><\/strong> =<\/span> dezelfde pagina, maar met \u00e9\u00e9n gerichte verandering<\/p>\n En dan ga je meten:levert versie B meer resultaat op dan versie A?<\/span><\/em><\/p>\n Niet omdat het spannend is. Niet omdat het \u201cwetenschappelijk\u201d klinkt. Maar omdat je wil stoppen met gokken.<\/p>\n Dit is het punt dat veel mensen overslaan.<\/p>\n Als jij tegelijk:de titel aanpastde call to action verandertde knop verplaatstde layout omgooiten er 3 testimonials bij zet<\/span><\/em><\/p>\n \u2026en het resultaat gaat omhoog\u2026<\/p>\n Dan heb je \u00e9\u00e9n conclusie:\u201cOk\u00e9. Iets werkte.\u201d<\/span><\/strong><\/p>\n Fantastisch. Maar w\u00e1t dan? Daarom test je \u00e9\u00e9n ding tegelijk. Zodat je weet wat het effect veroorzaakt.<\/p>\n Versie A (origineel):<\/span><\/strong>de call-to-action knop staat lager op de pagina, je moet scrollen om hem te zien<\/p>\n Versie B (nieuwe versie):<\/span><\/strong><\/strong>diezelfde call-to-action knop staat meteen in beeld, bovenaan de pagina, zichtbaar zodra je de pagina opent<\/p>\n Verder blijft alles hetzelfde. En dan laat je dit twee tot vier weken lopen. Niet drie dagen \u201ceven kijken\u201d. Maar lang genoeg om het serieus te nemen.<\/p>\n En daarna kijk je:klikken mensen vaker?melden ze zich vaker aan?kopen ze vaker?<\/span><\/em><\/p>\n Als B wint, weet je: die verandering doet iets. Dat is een A\/B-test. Niet meer. Niet minder.<\/p>\n <\/span>\u200b<\/span>A\/B-test in 1 zin: twee versies, \u00e9\u00e9n verschil, lang genoeg meten.<\/p>\n A\/B-testen klinkt volwassen. Alsof je ineens niet meer \u201cloopt te rommelen\u201d, maar \u00e9cht met conversie bezig bent. En dat snap ik. Want als je landingspagina niet levert, wil je houvast. Iets dat niet op gevoel is.<\/p>\n Alleen\u2026 in de praktijk wordt A\/B-testen vaak ingezet op het moment dat het eigenlijk nog helemaal niet kan.<\/p>\n En dan krijg je dit:je draait een testje kijkt drie dagen naar de grafiekje ziet een verschilje voelt hoop<\/span><\/em>en daarna\u2026 gebeurt er niks<\/p>\n Niet omdat A\/B-testen onzin is. Maar omdat je het te vroeg probeert.<\/p>\n 01<\/strong><\/p>\n Met 80 bezoekers per week kun je \u201ctesten\u201d, maar je bent vooral bezig met wachten. En tegen de tijd dat je klaar bent, zijn je campagne, aanbod of timing alweer veranderd. Dan test je dus iets anders dan je denkt.<\/p>\n 02<\/strong><\/p>\n Knopkleur, \u00e9\u00e9n woordje, 2px padding\u2026 terwijl het echte probleem vaak vertrouwen of duidelijkheid is. Dan ben je niet aan het optimaliseren, maar aan het micro-rommelen.<\/p>\n 03<\/strong><\/p>\n Als je niet weet waar mensen afhaken, test je blind. Dat is tape plakken zonder te weten waar het kraantje lekt.<\/p>\n 04<\/strong><\/p>\n Na twee dagen staat B hoger en je brein gaat juichen. Maar gedrag schommelt per dag. Weekend, doordeweeks, e-maildrop, campagnepiek\u2026 Als je te vroeg kijkt, meet je vooral ruis met adrenaline.<\/p>\n De conclusie is simpel:A\/B-testen wordt te vroeg ingezet omdat mensen denken: testen = zekerheid.<\/p>\n Maar testen is pas zekerheid als je genoeg verkeer hebt, iets relevants test, weet waar het lekt, en lang genoeg meet om toeval uit te sluiten. En anders is A\/B-testen gewoon\u2026 een hobby met grafieken.<\/p>\n <\/span>\u200b<\/span>Een bottleneck vertelt waar het misgaat. Niet waarom.<\/p>\n Voordat ik ook maar \u00e9\u00e9n A\/B-test voorstel, wil ik \u00e9\u00e9n ding zeker weten:Waar lekt het systeem nou echt?<\/span><\/strong><\/p>\n Want als je niet weet waar het stokt, ga je testen op de verkeerde plek. En dan krijg je die typische CRO-frustratie: je verandert van alles, je meet van alles\u2026 en toch beweegt er niks.<\/p>\n Daarom start ik niet met knoppen, teksten of varianten.Ik start met een audit.<\/span><\/strong><\/p>\n Een landingspagina is zelden het \u00e9chte probleem. Het probleem zit meestal in het systeem eromheen: het verkeer dat niet past, een belofte die niet matcht, frictie in een stap, te weinig vertrouwen, of simpelweg te weinig volume. En dat zie je niet door naar \u00e9\u00e9n pagina te staren. Dat zie je pas als je de hele klantreis in kaart brengt.<\/p>\n Dus we combineren twee dingen: context en gedrag.<\/span><\/strong><\/p>\n We praten met de mensen die met de funnel werken (wat is het plan, wat is er al geprobeerd?), en we duiken in de data: analytics, e-mail, social en klantgegevens. Niet om \u201ccijfertjes te hebben\u201d, maar om \u00e9\u00e9n ding helder te krijgen: waar valt de meeste waarde weg?<\/span><\/strong><\/p>\n Als je die route eenmaal ziet, van eerste klik tot betalende klant, wordt het ineens simpel. Dan zie je meestal binnen no-time de 4 of 5 grootste bottlenecks. En d\u00e1n pas ga je kiezen: testen, iets groters aanpassen, eerst instroom fixen, of frictie uit een stap slopen.<\/p>\n A\/B-testen is dus geen startpunt.<\/p>\n Het is iets wat je inzet als je al weet: welke stap het probleem is, wat je wilt verbeteren, en wat je wilt bewijzen.<\/strong><\/p>\n <\/span>benieuwd naar de audit?<\/span><\/p>\n Je audit heeft z\u2019n werk gedaan. Je weet nu waar het lekt. Je ziet waar mensen afhaken. Je ziet waar het systeem \u201cdichtknijpt\u201d.<\/p>\n En dan gebeurt er iets gevaarlijks. Dan wil je fixen. Meteen. Knop aanpassen. Titel herschrijven. Pagina omgooien. Want je voelt: hier zit het.<\/span><\/strong><\/p>\n Maar hier zit de truc:Een bottleneck vertelt je waar het misgaatNiet waarom.<\/span><\/strong><\/p>\n En als je die \u201cwaarom\u201d overslaat, test je alsnog blind. Alleen dan met een hip tooltje erbij.Bottleneck = symptoom<\/span><\/strong><\/p>\n Stel: je ziet dat er genoeg mensen op je landingspagina komen\u2026maar bijna niemand klikt door naar de volgende stap.Dat is de bottleneck.<\/p>\n Maar dat betekent niet automatisch: de knop moet omhoog.<\/span><\/em><\/p>\n Dat kan ook betekenen:ze snappen de belofte nietze vertrouwen het nietze voelen te weinig urgentieze raken overweldigdof ze denken: \u201cmooi verhaal, maar niks voor mij\u201d<\/span><\/em><\/p>\n Zelfde bottleneck. Vijf totaal verschillende oorzaken.Dus als jij nu \u201cgewoon wat gaat testen\u201d, is dat geen CRO.Dat is roulette met grafieken.<\/p>\n Hypothese = jouw beste verklaring<\/strong><\/p>\n Een hypothese is eigenlijk heel simpel:Dit gedrag gebeurt waarschijnlijk om deze reden.<\/span><\/em><\/p>\n Dus niet:\u201cIk denk dat dit mooier is.\u201d<\/span><\/em><\/p>\n Maar:\u201cIk denk dat mensen niet doorklikken omdat ze bij binnenkomst nog niet snappen wat het oplevert.\u201d<\/span><\/em><\/p>\n Of:\u201cIk denk dat mensen afhaken omdat de vervolgstap te veel commitment vraagt op dat moment.\u201d<\/span><\/em><\/p>\n Dat is een hypothese: een verklaring die je kunt toetsen.En ja, je kunt het fout hebben.Sterker nog: dat is precies de bedoeling.<\/p>\n Als je hypothese helder is, wordt testen ineens makkelijk. Je verandert \u00e9\u00e9n ding dat logisch aansluit op die verklaring.<\/p>\n Voorbeeld:<\/strong><\/p>\n Bottleneck:<\/strong> weinig mensen klikken door.<\/strong>Hypothese:<\/strong> de waarde is te laat duidelijk, dus mensen haken af.<\/strong>Test:<\/strong> zet het belangrijkste voordeel + bewijs direct bovenaan, en kijk of doorklik stijgt.<\/p>\n Niet tien veranderingen tegelijk.Niet \u201ceven een nieuwe layout proberen\u201d.Gewoon \u00e9\u00e9n gerichte ingreep die antwoord geeft op \u00e9\u00e9n vraag.<\/p>\n Zonder hypothese ben je aan het zoeken naar een winnaar. Met een hypothese ben je aan het zoeken naar de waarheid achter het gedrag. Dan is een A\/B-test geen \u201cwedstrijdje tussen twee varianten\u201d, maar een check:Klopt mijn verklaring, ja of nee?<\/span><\/strong><\/p>\n En als het antwoord nee is?Mooi. Dan heb je geleerd. Dan ben je dichterbij.Want conversie-optimalisatie is niet: snel scoren.Het is: steeds beter snappen wat er in het hoofd van je klant gebeurt.<\/p>\n Als iemand mij vraagt: \u201cWanneer is een A\/B-test haalbaar?\u201d<\/span><\/strong>dan ga ik niet praten over \u201cgevoel\u201d, \u201cbest practices\u201d of \u201cgewoon proberen\u201d.<\/p>\n Ik zeg maar \u00e9\u00e9n ding:Een A\/B-test is haalbaar als je genoeg bezoekers hebt om een verschil te kunnen bewijzen.<\/span><\/strong><\/p>\n Niet: \u201cik zie iets gebeuren.\u201dMaar: \u201cik kan met vertrouwen zeggen dat B beter is dan A.\u201d<\/p>\n En dat kun je vooraf uitrekenen.Een A\/B-test is eigenlijk een eerlijk duel:Variant A = wat je nu hebtVariant B = \u00e9\u00e9n verandering<\/em><\/span><\/p>\n Maar als je te weinig bezoekers hebt, dan wint niet de beste variant\u2026Dan wint toeval.<\/p>\n Daarom moet je eerst weten: hoeveel bezoekers heb ik nodig om een echte winnaar te kunnen zien?<\/span><\/em><\/p>\n Je rekent het benodigde bezoekersaantal uit met vier simpele inputs:<\/p>\n 01<\/strong><\/p>\n Je begint altijd met wat er nu gebeurt.<\/p>\n Bijvoorbeeld:100 bezoekers3 mensen schrijven zich in<\/span><\/em><\/p>\n Dan is je conversie: 3%.Dit is je uitgangspunt. Zonder dit getal kun je niet testen.<\/p>\n 02<\/strong><\/p>\n Nu komt het belangrijkste punt, en hier gaat het vaak mis.<\/p>\n Je moet vooraf kiezen:welk verschil wil ik minimaal kunnen aantonen?<\/span><\/em><\/p>\n Niet: \u201cik hoop dat het beter wordt.\u201d<\/span><\/em><\/p>\n Maar: \u201cdit is het verschil waarvoor ik wil testen.\u201d<\/span><\/em><\/p>\n Bij een conversie van 3% zijn dat bijvoorbeeld:een verbetering naar 3,6% (ongeveer +20% relatief)of een verbetering naar 4% (+1 procentpunt)<\/span><\/em><\/p>\n En hier zit de crux:hoe kleiner het verschil dat je wil meten, hoe meer bezoekers je nodig hebt.<\/span><\/em><\/p>\n Een klein verschil vraagt om veel data.Een groot verschil vraagt om minder data.<\/p>\n Een groot verschil zie je sneller, omdat je minder data nodig hebt om het te bewijzen. Betrouwbaarheid komt niet doordat je lang wacht, maar doordat je genoeg bezoekers hebt. En hoe snel je die bezoekers haalt, bepaalt hoe lang de test duurt.<\/p>\n 03<\/strong><\/p>\n Om een test betrouwbaar te noemen, hanteer je vrijwel altijd deze standaarden:je wil 95% zekerheid dat het resultaat geen toeval is<\/span><\/em>je wil 80% kans dat je een echt verschil ook daadwerkelijk vindt<\/span><\/em><\/p>\n Deze waarden zijn niet spannend, maar wel belangrijk. Ze zorgen ervoor dat je niet te snel conclusies trekt.<\/p>\n 04<\/strong><\/p>\n Als je deze gegevens combineert, dan krijg je \u00e9\u00e9n uitkomst:het aantal bezoekers dat je per variant nodig hebt.<\/span><\/em><\/p>\n Dus niet \u201ctotaal bezoekers\u201d, maar:zoveel voor Azoveel voor B<\/span><\/em><\/p>\n Samen is dat het minimum om te kunnen zeggen: dit verschil is echt.<\/span><\/em><\/p>\n Voorbeeld: Pro-Wall Systems<\/strong><\/p>\n Op de website van Pro-Wall systems, een bedrijf die in ophang- en presentatiesystemen handelt, kun je een demo aanvragen. Ze willen het aantal mensen dat daadwerkelijk een demo aanvraagt verhogen van 1,5% naar 2%.<\/p>\n We doen dus \u00e9\u00e9n A\/B-test op deze landingspagina:Variant A = <\/span><\/strong>huidige pagina.Variant B =<\/span><\/strong> dezelfde pagina, maar met \u00e9\u00e9n wijziging (bijv. alleen de CTA-tekst).<\/p>\n Huidige conversie naar demo-aanvraag is 1,5%.Het doel is 2,0%. <\/p>\n We willen weten: <\/span><\/strong>hoeveel bezoekers per variant zijn nodig om 1,5% naar 2,0% betrouwbaar te kunnen meten?<\/p>\n Je gebruikt hiervoor een A\/B test sample size calculator<\/span><\/strong>(die bestaan overal).<\/p>\n Wat je invult is basically dit:P1 = huidige conversie = 1,5% (0,015)P2 = gewenste conversie = 2,0% (0,020)Confidence = 95% (standaard)Power = 80% (standaard)<\/span><\/em><\/p>\n En dan klik je op \u201ccalculate\u201d.<\/p>\n De calculator geeft je dit terug:\u00b1 10.800 bezoekers per variantdus \u00b1 21.600 bezoekers totaal (A + B)<\/span><\/em><\/p>\n Is het haalbaar?<\/strong><\/p>\n Volgens mijn analyse heeft Pro-Wall 390 demo\u2019s<\/span><\/strong> nodig om de omzetdoelstelling te halen. De demo-pagina converteert nu 1,5%<\/span><\/strong>.<\/span> Dat betekent dat je op jaarbasis ongeveer 26.000 bezoekers<\/span><\/strong> nodig hebt om aan die 390 demo\u2019s te komen.<\/p>\n Als je een A\/B-test doet, split je het verkeer 50\/50:13.000 bezoekers per jaar per variant (A en B)<\/span><\/em><\/p>\n We willen aantonen dat \u00e9\u00e9n wijziging de conversie verhoogt van 1,5% naar 2,0%<\/span><\/strong>. Met een A\/B-test calculator (95% betrouwbaarheid, 80% power) kom je dan uit op:10.800 bezoekers per variant21.600 bezoekers totaal<\/span><\/em><\/p>\n Hoe lang duurt het voordat je genoeg data hebt?<\/strong><\/p>\n Je hebt 10.800 bezoekers per variant nodig en je krijgt 13.000 per variant per jaar, dus:10.800 \/ 13.000 = 0,83 jaar \u2248 10 maanden<\/span><\/em><\/p>\n Conclusie<\/strong><\/p>\n Ja, het is haalbaar in de zin dat je de aantallen binnen een jaar kunt halen.<\/p>\n Maar het is niet \u201clekker\u201d haalbaar als je hoopt op een snelle test van 2\u20136 weken. Je bent namelijk ongeveer 10 maanden bezig voordat je betrouwbaar kunt zeggen of B \u00e9cht beter is dan A.<\/p>\n Om het haalbaar te maken is het volgende nodig:<\/p>\n Dit is de reden dat veel A\/B-tests nooit iets opleveren.Niet omdat testen niet werkt, maar omdat er getest wordt zonder eerst te rekenen.<\/p>\n Dan wordt testen geen optimalisatie, maar gokken met grafiekjes.<\/p>\n Een A\/B-test is dus alleen haalbaar als het verschil dat je wil meten past bij het aantal bezoekers dat je nodig hebt.<\/span><\/strong><\/p>\n En d\u00e1t moet je eerst weten, v\u00f3\u00f3r je ook maar \u00e9\u00e9n variant bouwt.<\/p>\n Dit is waarom ik die audit altijd koppel aan een dashboard.De audit is het denkwerk.Het dashboard is het bewijs.<\/p>\n Want na die audit heb je niet alleen \u201cinzichten\u201d, maar een overzicht waar je echt mee kunt sturen:we zien de klantreis, we zien de conversies per stap, we zien waar het stokten daar komen die bottlenecks uit. <\/span><\/em>Vanuit die bottlenecks formuleren we hypotheses. En pas daarna denken we: ok\u00e9, gaan we testen?<\/span><\/em><\/p>\n Maar\u2026 in datzelfde dashboard zit nog \u00e9\u00e9n check die veel mensen overslaan.De haalbaarheidscheck.<\/p>\n Niet alleen: wat testen<\/span><\/em><\/p>\n maar ook: kan testen?<\/span><\/em><\/p>\n Je kunt de mooiste hypothese hebben.Je kunt precies weten wat je wil verbeteren.Maar als er te weinig mensen door die stap gaan, dan is een A\/B-test vooral\u2026 een hobbyproject met grafieken.<\/p>\n Daarom zet ik in het dashboard ook grafiekjes die \u00e9\u00e9n ding laten zien:Actual:<\/span><\/strong> <\/span>hoeveel bezoekers\/gebruikers er nu door die stap gaan (per week\/maand)Target:<\/span><\/strong> <\/span>hoeveel bezoekers\/gebruikers je nodig hebt om een A\/B-test zinvol te kunnen draaien<\/p>\n En die twee leg je letterlijk naast elkaar.Je wil niet gokken. Je wil bewijs.<\/h3>\n
En dan kom je uit bij A\/B-testen<\/h3>\n
Waarom je maar \u00e9\u00e9n ding tegelijk verandert<\/h3>\n
Concreet voorbeeld: knop verplaatsen<\/h3>\n
Waarom testen vaak niet werkt (probleem)<\/h2>\n
reden 01: Je hebt te weinig verkeer (dus je test duurt eeuwen)<\/h3>\n
reden 02: Je test iets dat te klein is (en dan ben je aan het micro-rommelen)<\/h3>\n
reden 03: Je weet nog niet waar het probleem zit (dus je test blind)<\/h3>\n
reden 04: Je kijkt te vroeg en roept te snel een winnaar uit<\/h3>\n
Wat je eerst moet doen (audit)<\/h2>\n
Hoe je van inzicht naar test komt (hypothese)<\/h2>\n
Van verklaring naar \u00e9\u00e9n gerichte test<\/h3>\n
Waarom dit je A\/B-test volwassen maakt<\/h3>\n
Wanneer is een A\/B-test haalbaar?<\/h2>\n
stap 01: bepaal je huidige conversie<\/h3>\n
stap 02: bepaal welk verschil de moeite waard is<\/h3>\n
stap 03: de vaste spelregels<\/h3>\n
stap 04: wat komt er uit deze berekening?<\/h3>\n
![\"\"](\"https:\/\/heeltreffend.nl\/wp-content\/uploads\/2025\/12\/gaston-vermeer-600x600-1.png\" "\\"gaston-vermeer-600x600\\"")
<\/span><\/p>\n\n
Wat dit betekent in de praktijk<\/h4>\n
De haalbaarheidscheck in je dashboard<\/h2>\n