Neem als voorbeeld de offerteaanvraagpagina van een installatiebedrijf die een redelijk aantal bezoekers trekt, maar waarvan de conversie laag blijft. De eerste vraag is dan: is hier ooit iets getest? Vaak is het antwoord nee.
Een veelgemaakte reactie is dan: een nieuw ontwerp laten bouwen, betere foto’s laten schieten, de teksten laten herschrijven — alles tegelijk. Stijgt de conversie daarna, dan weet je niet waardoor. Misschien door de wijzigingen. Of misschien zat er ook een seizoenseffect in. Zonder test weet je het simpelweg niet.
Het alternatief is één ding tegelijk testen: verander alleen de tekst op de knop van “Offerte aanvragen” naar “Bereken je besparing”. Niets anders. Dezelfde pagina, hetzelfde ontwerp, alleen die ene knop. Na afloop weet je of juist die wijziging verschil maakte, en hoeveel. Dat is het verschil tussen gokken en weten.
A/B testen klinkt technisch en groot, maar het is in de kern heel simpel. En voor MKB is het één van de weinige marketingtechnieken die je écht vertellen of iets werkt.
Kort antwoord: A/B testen starten zonder ervaring? Stap-voor-stap je eerste experiment opzetten. Van hypothese tot resultaat. Met tools en voorbeelden voor MKB.
De belangrijkste functies worden in de bovenstaande secties uitgelegd — controleer specs en prijzen op de leverancierssite voor de actuele situatie.
Wat is A/B testen?
A/B testen is het vergelijken van twee versies van hetzelfde element om te zien welke beter presteert. Je toont variant A aan de helft van je bezoekers en variant B aan de andere helft. Daarna kijk je welke variant de gewenste actie vaker uitlokt, of dat nu een klik, aanmelding of aankoop is.
Het sleutelwoord is: één ding tegelijk. Dat is precies waarom je na een grote restyling niet weet waardoor de conversie verandert: je hebt dan meerdere dingen tegelijk aangepast. Bij A/B testen pas je één element aan, zodat je zeker weet wat het verschil maakt.
Variant A is je huidige versie, de controlegroep. Variant B is de aanpassing die je wilt testen. Je stuurt beide versies naar vergelijkbare groepen bezoekers, meet wie beter converteert, en trekt een conclusie.
Dat is het. Geen raketwetenschap.
Stap 1: Kies wat je wilt verbeteren
Niet alles is het testen waard. Als je een pagina hebt die vijftien bezoekers per maand trekt, kun je jaren testen zonder ooit een betrouwbaar resultaat te krijgen. Begin bij de elementen die het meest verkeer ontvangen én het grootste effect hebben op je conversie.
In de praktijk zijn er drie plekken die bijna altijd resultaat geven:
Je landingspagina headline. Dit is het eerste wat bezoekers lezen. Een headline die aansluit bij de zoekintentie kan een merkbaar verschil in conversie maken. “Boekhoudsoftware voor ZZP” doet het anders dan “Bespaar 4 uur per week op je boekhouding”. Beide beschrijven hetzelfde product, maar spreken de bezoeker heel anders aan.
Je call-to-action knop. Tekst, kleur en positie. In het voorbeeld hierboven verander je alleen de tekst. Maar ook “Probeer gratis” versus “Start vandaag” of een oranje knop versus een groene knop kunnen grote verschillen maken.
Je aanmeldformulier. Hoeveel velden? Vraag je naar telefoonnummer? Staat er een privacyverklaring bij? Elk extra veld verlaagt je conversie, maar hoeveel precies? Test het.
Begin niet met kleuren van headers of de volgorde van alinea’s. Die hebben zelden impact. Focus op elementen die direct in het pad naar conversie zitten.
Stap 2: Formuleer een hypothese
Hier slaan de meeste beginners de plank mis. Ze bedenken een variant, zetten die live, en kijken wat er gebeurt. Dat is geen experiment, dat is gokken met een spreadsheet.
Een goede hypothese volgt dit format:
“Als ik [wat ik aanpas], dan verwacht ik [welk resultaat] omdat [de reden].”
Concreet voor het installatiebedrijf:
“Als ik de knoptekst verander van ‘Offerte aanvragen’ naar ‘Bereken je besparing’, dan verwacht ik meer klikken omdat bezoekers komen voor kostenbesparing op hun installatie, en ‘besparing’ directer aansluit bij hun motivatie dan ‘offerte’.”
Die “omdat” is het belangrijkste deel. Het dwingt je na te denken over het gedrag van je bezoeker. Als je de reden niet kunt benoemen, is je hypothese te zwak om te testen. Je leert dan niets, zelfs als variant B wint.
Schrijf je hypothese altijd op voordat je de test start. Dat lijkt overdreven, maar het voorkomt dat je achteraf een verklaring verzint voor wat je al ziet.
Stap 3: Zet je test op
Je hebt software nodig die verkeer splitst en resultaten bijhoudt. De opties lopen uiteen van gratis tot enkele honderden euro’s per maand.
Google Optimize is gestopt in september 2023, maar er zijn goede alternatieven:
- VWO (Visual Website Optimizer): Populaire keuze voor MKB. Visuele editor zodat je geen code hoeft aan te passen. Gratis plan beschikbaar voor kleine tests. Betaalde plannen starten rond €200 per maand.
- Optimizely: Krachtig maar prijzig, meer geschikt voor grotere bedrijven. Interessant als je ook gepersonaliseerde ervaringen wilt serveren.
- Convert.com: Goed alternatief voor VWO, vergelijkbare prijsstelling, sterke privacyfuncties.
- Gratis optie via je e-mailsoftware: Als je A/B testen wilt beginnen met e-mails, hoef je helemaal geen losse tool te kopen. Mailchimp, ActiveCampaign en andere e-mailplatformen hebben A/B testen ingebouwd voor onderwerpregels en e-mailinhoud.
Voor landingspagina’s op je website is VWO onze standaardaanbeveling voor MKB. De installatie bestaat uit één stukje JavaScript dat je in je <head> plakt. Daarna maak je in de visuele editor je variant B aan door tekst of kleuren direct te bewerken.
Wat je ook instelt: zorg dat je conversiedoel correct gemeten wordt. Als je de knop test, wil je weten hoeveel mensen daadwerkelijk het formulier invullen, niet alleen hoeveel keer er op de knop geklikt wordt. Stel je conversiegoal in op de bedankpagina of bevestigingsstap.
Stap 4: Laat de test draaien
Dit is het moeilijkste deel. Niet omdat het technisch ingewikkeld is, maar omdat je elke dag in je dashboard wilt kijken en bij 200 bezoekers al wilt concluderen dat variant B wint.
Doe dat niet.
Twee regels voor testduur:
Regel 1: Minimaal twee weken. Gedrag verschilt per dag. Maandag is anders dan vrijdag, door de week anders dan weekend. Een test van drie dagen die toevallig op een drukke vrijdag eindigt, vertelt je niets. Laat de test altijd een veelvoud van zeven dagen draaien.
Regel 2: Wacht op voldoende bezoekers. De exacte hoeveelheid hangt af van je huidige conversie en het minimale verschil dat je wilt detecteren. Voor een pagina met 3 procent conversie waarbij je een verbetering van 20 procent wilt meten, heb je ongeveer 2.500 bezoekers per variant nodig. Gebruik een gratis sample size calculator zoals die van Evan Miller (evenmiller.com) om dit te berekenen.
Als je website 500 unieke bezoekers per maand heeft op de testpagina, duurt een betrouwbare test dus minimaal tien weken. Dat is prima. Liever een betrouwbaar resultaat na tien weken dan een verkeerde conclusie na tien dagen.
Eén praktische tip: schakel de test in op maandag zodat beide weken volledig zijn. Noteer de startdatum, de eindcriteria, en raak het dashboard daarna twee weken niet aan.
Stap 5: Analyseer en implementeer
Na je testperiode kijk je naar twee dingen: het verschil in conversie en de statistische significantie.
Het verschil in conversie is simpel. Variant A had 2,8 procent conversie, variant B had 3,9 procent. Variant B wint.
De statistische significantie vertelt je hoe zeker je kunt zijn dat dit verschil niet toevallig is. De standaard is 95 procent significantie: er is maximaal 5 procent kans dat het verschil op toeval berust. De meeste A/B testtools berekenen dit automatisch en geven een duidelijke melding wanneer je significantie bereikt is.
Als variant B wint met 95 procent significantie: implementeer de winnaar. Pas de pagina permanent aan en documenteer wat je getest hebt, wat je hypothese was, en wat het resultaat was.
Als er geen winnaar is, of als het resultaat niet significant is: dat is ook een resultaat. Het betekent dat dit element minder impact heeft dan je dacht. Noteer dat, en test iets anders.
Als variant A wint: ook interessant. Je hypothese klopte niet. Dat betekent dat je bezoeker anders denkt dan jij. Schrijf op waarom je denkt dat de oorspronkelijke versie beter werkte, en gebruik dat inzicht voor je volgende hypothese.
Wat je daarna doet: begin een nieuwe test. Marketing automation tools helpen je om winnende varianten automatisch in te zetten en de iteratiecyclus te versnellen.
Veelgemaakte fouten bij A/B testen
Bij MKB-bedrijven die met A/B testen beginnen, komen steeds dezelfde fouten terug.
Te veel tegelijk testen. Je past de headline, de knopkleur én de introductietekst aan in één test. Dan weet je niet welk element verantwoordelijk is voor het verschil. Test één ding per keer, altijd.
Te vroeg stoppen. Variant B staat na vijf dagen op 4,1 procent conversie versus variant A’s 2,9 procent. “Duidelijk genoeg!” Dat is confirmation bias. Wacht op voldoende bezoekers en twee volledige weken, ongeacht hoe veelbelovend het eruit ziet.
Geen hypothese formuleren. Je test iets “om te kijken wat er gebeurt”. Je leert dan weinig, want zelfs als B wint, weet je niet waarom. En als je de volgende test ontwerpt, begin je opnieuw bij nul.
Testen tijdens een uitzonderlijke periode. Een test draaien tijdens Black Friday, een grote campagne, of een nieuwsgebeurtenis dat jouw branche raakt, geeft vertekende resultaten. Die bezoekers zijn niet representatief voor je normale publiek. Plan tests in rustige periodes.
Significantie verwarren met praktische relevantie. Een test van 50.000 bezoekers kan een verschil van 0,1 procent statistisch significant maken. Maar 0,1 procent meer conversie stelt in de praktijk niets voor. Bepaal van tevoren welk minimaal verschil voor jou de moeite waard is om te implementeren.
Meer over e-maillijsten opbouwen voor B2B en deliverability-problemen voorkomen vind je in de gerelateerde artikelen, want die kanalen lenen zich uitstekend voor beginners die hun eerste A/B tests willen draaien met een laag technisch risico.
Je testresultaten documenteren: waarom het telt
De meeste MKB-ondernemers die beginnen met A/B testen doen één test, zien een resultaat, en vergeten twee maanden later alles over wat ze getest hadden. Dat is een gemiste kans.
Documenteer elke test in een eenvoudige spreadsheet. Kolommen: datum gestart, datum beëindigd, pagina of e-mail, beschrijving van variant A, beschrijving van variant B, hypothese, resultaat variant A (conversie%), resultaat variant B (conversie%), statistische significantie, winnaar, geleerde les.
Die “geleerde les” is de waardevollste kolom. Na twaalf tests heb je een patroon: welke type aanpassingen werken bij jouw publiek? Zijn kleurvariaties nooit doorslaggevend bij jou terwijl tekstwijzigingen altijd impact hebben? Dat is waardevolle kennis die je niet in één test leert.
Een tweede reden om te documenteren: je voorkomt dat je dezelfde test twee keer doet. In de praktijk komt het voor dat een team zes maanden na een afgeronde test dezelfde variant opnieuw test, puur omdat niemand meer weet wat er al is getest. Vijf minuten documentatie bespaart je weken aan dubbel werk.
A/B testen voor e-mailcampagnes: laagdrempelig beginnen
Als je website nog weinig verkeer heeft en je niet kunt wachten op de statistisch benodigde aantallen, is e-mail een uitstekend alternatief om te beginnen. E-mailcampagnes hebben twee grote voordelen voor beginners: je bepaalt zelf het tijdstip van verzending, en je kunt vrij snel resultaten zien zonder maanden te wachten.
Onderwerpregel testen is de eenvoudigste e-mail A/B test. Stuur variant A naar 30 procent van je lijst, variant B naar 30 procent, wacht twee uur op de open rates, en stuur de winnende variant naar de resterende 40 procent. Mailchimp, Brevo en ActiveCampaign doen dit automatisch.
Wat je kunt testen in e-mails:
- Onderwerpregel: vraag versus statement (“5 tips voor betere offertes” versus “Waarom jouw offertes het afleggen tegen de concurrent”)
- Verzendtijd: dinsdag 9:00 versus donderdag 14:00
- Afzendernaam: bedrijfsnaam versus persoonsnaam
- Call-to-action in de e-mail: “Lees het artikel” versus “Bekijk de vergelijking”
Bij e-mails kun je al bij een lijst van 500 personen zinvolle A/B tests draaien, zolang je de verschillen groot genoeg houdt om te meten. Een open rate van 22 procent versus 26 procent is statistisch interessant bij 500 ontvangers. Een verschil van 22 procent versus 22,5 procent is dat niet.
Gebruik e-mail als oefenterrein voor je hypotheseformulering. De methodiek is dezelfde als bij websitetests. Als je eenmaal gewend bent aan het denken in hypotheses en het interpreteren van resultaten, is de overstap naar landingspagina-tests minder groot.
Ons advies: begin met één test per maand
A/B testen is geen sprint. Het is een gewoonte.
Ons advies aan elk MKB-bedrijf dat begint: zet een vaste A/B test-cyclus in je agenda. Eerste week van de maand: kies element, formuleer hypothese, start test. Derde week: check of je voldoende data hebt. Einde van de maand: analyseer, implementeer, begin de volgende cyclus.
Na twaalf maanden heb je twaalf afgeronde experimenten. Twaalf dingen die je nu zeker weet over je website. En als een deel van die tests een duidelijke winnaar oplevert, heb je je website structureel verbeterd zonder opnieuw een nieuw ontwerp te laten bouwen.
En het installatiebedrijf uit het voorbeeld? Bij een gemiddelde orderwaarde van enkele duizenden euro’s hoeft een betere knoptekst maar een paar extra opdrachten op te leveren om het aanpassen van vier woorden ruimschoots waard te zijn.
Wanneer een A/B test zinloos is — en wat je dan beter kunt doen
Niet elke situatie leent zich voor A/B testen. Als je website minder dan driehonderd unieke bezoekers per week heeft, is het bijna onmogelijk om statistisch significante resultaten te behalen binnen een redelijke termijn. Een test op een landingspagina met vijftig bezoekers per week duurt bij een bescheiden conversieverbetering van vijf procentpunt al meer dan drie maanden voordat je betrouwbare data hebt.
In die gevallen adviseren wij twee alternatieven. Het eerste is gebruikersonderzoek: stuur je beste klanten een korte vragenlijst (vijf vragen, vijf minuten) of plan een videogesprek van dertig minuten. Wat je leert uit vijf kwalitatieve gesprekken overtreft wat een slecht opgestelde A/B test je oplevert.
Het tweede alternatief is heatmap-analyse. Tools als Hotjar of Microsoft Clarity (gratis) laten zien waar mensen klikken, hoe ver ze scrollen en waar ze de pagina verlaten. Dat geeft je directe hypotheses voor verbeteringen die je kunt doorvoeren zonder te wachten op statistisch bewijs. Pas dan, als de pagina meer bezoekers trekt, start je met A/B testen.
De volgorde is dus: begrijp eerst het gedrag van je bezoekers, verbeter dan op basis van inzicht, en toets daarna met data.
Welke tools gebruik je voor A/B testen als MKB?
Voor wie wil beginnen, zijn er drie categorieën tools. De eerste is ingebouwde A/B testfunctionaliteit in je bestaande e-mail of marketingplatform: Brevo, Mailchimp en ActiveCampaign hebben allemaal native A/B tests voor e-mailcampagnes. Dat is het makkelijkste startpunt.
De tweede categorie is website A/B testsoftware: Google Optimize (inmiddels stopgezet), VWO en Convert zijn bekende opties. Voor MKB zonder groot budget is Microsoft Clarity gratis en biedt beperkte experimentfunctionaliteit. AB Tasty is een Nederlandse optie met goede ondersteuning.
De derde categorie is CRO-platforms die A/B tests combineren met heatmaps en sessie-opnames: Hotjar, Crazy Egg en FullStory. Die zijn minder gericht op A/B testen maar bieden het kwalitatieve inzicht dat je nodig hebt om goede hypotheses te formuleren.
Ons advies: begin met de A/B testfunctie in je bestaande marketingtool, doe je eerste vijf tests daarmee, en kijk dan pas of gespecialiseerde testsoftware nodig is. ActiveCampaign wordt voor dit soort tests het vaakst gebruikt — lees onze ActiveCampaign review 2026 als je wilt weten waarom.
Probeer ActiveCampaign 14 dagen gratis →
Lees ook:
- Marketing automation: concrete ROI-voorbeelden voor MKB
- Beste e-mailmarketing software 2026: eerlijke vergelijking
Zoek je een marketingtool met ingebouwde A/B testfunctionaliteit? Gebruik de marketing keuzehulp om snel de juiste tool voor jouw situatie te vinden. Bekijk ook de marketing software kosten berekenen tool om te vergelijken wat A/B testsoftware en e-mailplatformen je per maand kosten.
Een volledig overzicht van alle marketing software vergelijkingen vind je op de marketing overzichtspagina. Als je e-mail als testkanaal wilt gebruiken, lees dan ook onze Brevo review 2026 — Brevo heeft een sterke ingebouwde A/B testmodule voor e-mailcampagnes.
Externe bron: KvK — starten met een bedrijf — onafhankelijke informatie over dit onderwerp.