Linienstrasse 222, 10119 Berlin
Raboisen 30, 20095 Hamburg
Datenschutzerklärung
Impressum
Cookie-Einstellungen
©2026 Peaks & Pies GmbH
Filtern nach
Alle
Neuste
Ein Experiment liefert ein Ergebnis. Die Frage ist, ob dieses Ergebnis stimmt. Wer die Auswertung nicht versteht, kann diese Frage nicht beantworten und trifft Entscheidungen auf Basis von Zahlen, die nicht das messen, was sie zu messen scheinen. Die meisten Fehler in der Experimentauswertung entstehen nicht aus Nachlässigkeit, sondern aus dem Missverständnis, was statistische Signifikanz bedeutet und was nicht. Zu früh auswerten Das verbreitetste Problem in der Experimentierpraxis ist das tägliche Prüfen von
Nicht jedes Segment, das analytisch sinnvoll ist, taugt für Experimentation. Viele Teams übernehmen bestehende Reporting-Segmente direkt in Experimente und merken erst im Nachhinein, dass die Ergebnisse nicht verwertbar sind. Die Anforderungen sind andere. Was ein Segment für Experimentation leisten muss Ein Segment taugt für Experimentation, wenn es vier Anforderungen erfüllt. Stabilität: Das Segment muss während der Laufzeit des Experiments konstant bleiben. Ein Nutzer, der am ersten Tag des Experiments kein
Ein Formular ist kein neutrales Element. Es steht direkt zwischen Absicht und Abschluss. Das Formular in einer Lead-Gen-Strecke einmal zu konfigurieren und danach nicht mehr anzufassen ist eine verpasste Chance. Das ist es, da kein anderes Element im Funnel so viele experimentierbare Variablen vereint. Tracking als Voraussetzung Bevor ein Formular optimiert werden kann, muss klar sein, wo Nutzer abbrechen. Wer nur den Gesamt-Submit-Rate beobachtet, sieht kein Problem, das er lösen könnte. Er sieht lediglich das
Ein Experimentation-Backlog füllt sich schnell. Ideen kommen aus Analytics, aus Nutzerbefragungen, aus Wettbewerbsanalysen, aus dem Marketing. Was selten mitgeliefert wird, ist eine begründete Reihenfolge. Priorisierung ist deswegen eine der unterschätzteren Aufgaben im Experimentation-Programm: Sie bestimmt nicht nur, was als nächstes getestet wird, sondern wie schnell ein Programm tatsächlich lernt. Frameworks liefern Struktur, keine Antworten ICE (Impact, Confidence, Effort) und PIE (Potential, Importance, E
Regelbasierte und Machine Learning- bzw. ML-basierte Personalisierung beschreiben zwei Ansätze mit unterschiedlichen Stärken, unterschiedlichen Anforderungen und unterschiedlichen Einsatzfeldern. Welcher davon passt, ergibt sich nicht allein aus dem angestrebten Reifegrad, sondern aus den tatsächlichen Voraussetzungen: Datenvolumen, Qualität der Datenbasis, Anforderungen an Kontrollierbarkeit und Erklärbarkeit. Was regelbasierte Personalisierung konkret bedeutet Regelbasierte Personalisierung funktioniert nach
Ein Funnel wird konzipiert. Monate später wird ein CRO-Projekt gestartet, um ihn zu optimieren. Die beiden Phasen werden von unterschiedlichen Teams verantwortet, nach unterschiedlichen Kriterien bewertet und mit unterschiedlichen Werkzeugen bearbeitet. Das Ergebnis ist häufig ein Optimierungsprojekt, das an Grenzen stößt, die in der Konzeptionsphase gezogen wurden, ohne dass sich die Beteiligten dessen bewusst waren. Optimierung setzt voraus, dass etwas experimentierbar ist Bevor ein Experiment läuft, muss ein
Ein Experiment endet mit einer Aussage: Variante B hat gewonnen. Was diese Aussage nicht enthält, ist die Antwort auf die eigentlich entscheidende Frage: für wen. Vielleicht hat Variante B auf Desktop gewonnen und auf Mobile verloren. Vielleicht hat sie bei Erstbesuchern funktioniert und bei wiederkehrenden Nutzern das Gegenteil bewirkt. Das Gesamtergebnis verbirgt das. Segmentierung macht es sichtbar. Ein Gesamtergebnis verdeckt, was tatsächlich passiert Wenn ein Experiment auf dem gesamten Traffic läuft und m
Die Begriffe A/B-Testing und Experimentation werden häufig synonym verwendet. Das ist verständlich, weil A/B-Testing die bekannteste Form des Experimentierens ist. Es ist aber ungenau, weil die beiden Konzepte unterschiedliche Dinge beschreiben: A/B-Testing ist eine Methode. Experimentation ist ein Programm. Dieser Unterschied hat praktische Konsequenzen für Ziele, Prozesse, Ressourcen und Ergebnistypen. Im Folgenden die Unterschiede im Detail. A/B-Testing beantwortet eine Frage, Experimentation baut Wissen auf
Am Ende will so ziemlich jedes Unternehmen personalisieren. Was das konkret bedeutet, weiß kaum jemand. Und was genau darunter verstanden wird, variiert erheblich: von wiederkehrenden Besuchern, die einen anderen Homepage-Banner sehen als Erstbesucher, bis zu algorithmischer Echtzeit-Ausspielung, von manuell gepflegten Regeln bis zu ML-Modellen, die aus Verhaltensdaten lernen. Diese Begriffsunschärfe ist nicht trivial. Sie entscheidet darüber, welche Ressourcen investiert werden, welche Erwartungen entstehen und ob
1
2
3
4
...
23