Die besten A/B-Testing-Tools auf Shopify: Das empfehlen die Profis

Treffen sich eine Phykologin (a.k.a. Algenforscherin) und ein Statistiker. Sagt die Phykologin: „Ich kann schmecken, ob in meine Tasse zuerst Tee oder zuerst Milch gegossen wurde.“ Antwortet der Statistiker: „Das will ich messen!“

Und die Pointe? Die Begegnung hat sich wirklich so zugetragen – die Phykologin hieß Muriel Bristol, der Statistiker war Ronald Fisher – und sie gilt als die Geburtsstunde der sogenannten Signifikanztests, die heute überall in der Inferenzstatistik zum Einsatz kommen.

Infer-was? Inferenzstatistik ist der Teil der Statistik, der sich mit der Problematik beschäftigt, anhand einer Stichprobe Rückschlüsse auf die Grundgesamtheit zu ziehen, etwa Wahlprognosen, Qualitätskontrollen in Fabriken oder auch A/B-Tests im E-Commerce.

In diesem Beitrag sehen wir uns Letztere genau an, insbesondere unter der Prämisse, welche A/B-Testing-Tools für dich und dein Business wirklich empfehlenswert sind. Allerdings ist die Toolauswahl nur ein Baustein in einer ganzen Reihe wichtiger Entscheidungen, wenn es um A/B-Tests geht. Daher beginnen wir am Anfang und mit der Frage:

A/B-Tests im E-Commerce: Was ist das überhaupt?

A/B-Tests sind ein Werkzeug aus dem Handwerkskoffer der Statistik, das im E-Commerce vor allem für datengetriebenes Wachstum eingesetzt wird. Kurz zusammengefasst funktionieren sie so:

1. Du formulierst eine Hypothese zu einer Stelle in deinem Store, an der du Verbesserungspotenzial vermutest.
2. Diese eine Stelle veränderst du nun in einem einzigen Detail – damit existieren jetzt zwei Varianten: die alte Version A und die neue Version B.
3. In einem Livetest zeigst du nun einem Teil deiner Besucher:innen Version A und einem anderen Teil Version B. Dabei misst du den zuvor in deiner Hypothese formulierten Wert.
4. Haben sich ausreichend Besucher:innen durch die Varianten A und B geklickt, gehst du in die Auswertung: Welche Version performt besser? Und ist eine Abweichung statistisch signifikant oder bloß eine zufällige Schwankung?

Schritt für Schritt optimierst du so deinen Store. Hier ein halbes Prozent mehr Conversions, dort ein paar Punkte mehr Cross-Selling – und du hast am Ende ein Business, das deutlich mehr Umsatz einfährt als vor den A/B-Tests.

Ein A/B-Test im Beispiel

Wie sieht so etwas in der Praxis aus? Zum Beispiel so:

Als Testobjekt wählst du den Button auf deinen PDPs aus, mit dem Besucher:innen einen Artikel in den Warenkorb legen. Dazu formulierst du diese Hypothese:

„Momentan lautet der CTA auf dem Button ‚Jetzt kaufen‘. Das ist zu aggressiv und erweckt den Eindruck, bereits eine endgültige Kaufentscheidung zu treffen. Wenn wir den Text zu ‚In den Warenkorb‘ ändern, sinkt die Hemmschwelle und mehr Besucher:innen sind bereit, ihrem Warenkorb einen Artikel hinzuzufügen.“

Damit bist du bereit für den eigentlichen Test. In den nächsten Wochen gibt es deine PDPs in zwei Varianten – A, mit „Jetzt kaufen“ und B mit „In den Warenkorb“. Am Ende sagt die Statistik dir, welche Version besser für dein Unternehmen ist.

Für klare Ergebnisse: Auf diese Punkte musst du bei A/B-Tests unbedingt achten

Apropos Statistik: Damit sie dir überhaupt fundierte Ergebnisse liefern kann, musst du bei jedem einzelnen A/B-Test auf diese Aspekte achten:

1. Immer nur ein Element ändern

So viele Ideen du auch hast: Damit ein A/B-Test funktioniert, darfst du immer nur eine einzige Veränderung testen. Wenn du in unserem Beispiel etwa nicht nur den CTA, sondern auch das Layout und die Farbe des Buttons geändert hättest, wüsstest du am Ende des Tests nämlich nicht, welche Veränderung überhaupt für einen Erfolg (oder Misserfolg) verantwortlich ist.

2. Die Hypothese klar formulieren

Ähnliches gilt für die Hypothese: Sie testet immer auf genau einen relevanten KPI, der exakt formuliert wird. Also nicht: „Wenn der Store bunter wird, gefällt er Kindern besser“, sondern: „Wenn wir in der Hero-Area nicht Grafik A, sondern Grafik B verwenden, sinkt die Bounce-Rate.“

3. Stichprobenumfang ausreichend groß

Damit statistische Mathematik überhaupt funktioniert, muss die Stichprobe eine ausreichende Größe besitzen. Wie groß ausreichend groß ist, hängt dabei von vielen Faktoren ab. Zum Beispiel, ob du schnelldrehende Produkte verkaufst oder Artikel, die man sich nur ein- bis zweimal im Leben anschafft. Oder auch, ob du viele wiederkehrende Käufer:innen hast, die ohnehin immer das Gleiche bestellen vs. Impulskäufer:innen, die deinen Store oft spontan aufsuchen.

Als Pi-mal-Daumen-Zahl: Für ein signifikantes Ergebnis sollten mehrere tausend Menschen deine A- und B-Varianten durchgespielt haben. Je mehr Besucher:innen dein Store aufweisen kann, desto aussagekräftiger wird die Statistik.

4. Laufzeit realistisch wählen

Aber wo wir gerade über Zahlen sprechen: Selbst wenn du ein riesiges Business bist, das an einem einzigen Wochenende 100.000 Kund:innen im Store verzeichnet, darfst du die Laufzeit für einen A/B-Test nie zu kurz oder unangemessen wählen.

Denn nicht vergessen: User:innen zeigen an Werktagen ein ganz anderes Surfverhalten als am Wochenende. Deine Bikini-Landingpage zu testen, wenn alle schon im Urlaub sind, ist auch keine gute Idee. Und ein durch eine Pandemie losgetretener Trend (und plötzlich bauten alle einen Pool im Garten.) kann jede Statistik ad absurdum führen.

Wo und wie: Wie du zu Testbereichen und Hypothesen kommst

Drei der gerade genannten vier Punkte sollten unmissverständlich sein, nämlich die Sache mit der Stichprobengröße, der Laufzeit und dass du nur ein einziges Merkmal ändern darfst. Schwieriger dagegen ist die Frage, wie du zu deiner Hypothese kommst. Dazu Folgendes:

Wo wird getestet?

Da A/B-Tests extrem punktuell arbeiten, lässt sich sehr genau definieren, an welchen Stellen deines Stores du sie einsetzen kannst. Unterteilen lassen sich die Zonen in vier Bereiche mit jeweils mehreren Unterkategorien. Namentlich handelt es sich dabei um:

Auf den Produktseiten

• Produktbilder – weil sie direkt die visuelle Kaufentscheidung und Produktwahrnehmung beeinflussen.
• Kurzbeschreibungen – weil sie schnell entscheidungsrelevante Produktinformationen liefern.
• Trust-Elemente – weil sie unmittelbar Kaufbarrieren wie Unsicherheit oder Risiko reduzieren.
• CTA-Bereiche – weil sie den letzten Schritt zur Conversion maßgeblich steuern.

Im Warenkorb

• Cross-Selling – weil hier zusätzlicher Umsatz ohne neue Akquisition generiert werden kann.
• Hinweise – weil sie Kaufabbrüche durch Unsicherheiten oder versteckte Kosten verhindern können.
• Checkout-Einstiege – weil sie den kritischen Übergang vom Warenkorb zum Kaufabschluss bestimmen.

In der Navigation

• Menüstruktur – weil sie den gesamten Nutzerfluss und die Auffindbarkeit von Produkten prägt.
• Kategorien – weil sie die inhaltliche Logik und Orientierung im Sortiment steuern.
• Orientierung – weil sie Suchaufwand reduziert und damit Absprünge im frühen Funnel verhindert.

Auf Startseite und Landingpages

• Hero-Bereich – weil er den ersten Eindruck und die zentrale Wertekommunikation beherrscht.
• Seiteneinstiege – weil sie entscheiden, welche Inhalte Nutzer:innen als Erstes weiterverfolgen.
• Kampagnen-Landingpages – weil sie die Conversions aus gezieltem Traffic direkt beeinflussen.

Wie findest du eine Hypothese?

Jetzt weißt du zwar, wo und warum du testen solltest, eine Hypothese hast du damit aber noch nicht formuliert. Um diese zu finden, gibt es grundsätzlich drei Optionen:

Datenanalyse

Eine erste Anlaufstelle, um eine Hypothese zu finden, ist meist die systematische Auswertung deiner Daten. Denn in Analytics kannst du sehen, wie sich Nutzer:innen tatsächlich durch den Shop bewegen, wo sie herkommen und wo sie abspringen.

Besonders der Weg durch den Conversion Funnel führt dich dabei oft zu Abbruchmomenten und damit zu den Stellen im Store, an denen sich ein Test lohnen könnte. Muster werden so zu Hypothesen wie: „Wenn wir Schritt X vereinfachen, sinkt die Abbruchrate im Funnel an der Stelle Y.“

Shop-Audit

Eine weitere Möglichkeit ist der strukturierte Blick auf den Shop selbst. Hier helfen insbesondere Best Practices für den E-Commerce sowie ein kritischer Blick auf mögliche UX-Schwachstellen. Oft fallen dabei Dinge auf, die technisch oder historisch gewachsen sind, aber nicht mehr optimal funktionieren. Ein Shop-Audit erzeugt damit eher heuristische Hypothesen wie: „Diese Gestaltung widerspricht aktuell gängigen UX-Konventionen und könnte Nutzer:innen verwirren.“

Als Tipp dazu: Oft werden Unternehmen im Laufe der Jahre ein wenig betriebsblind oder halten krampfhaft an Liebgewonnenem fest, obwohl sie es längst in die digitale Rente hätten schicken sollen („Aber das GIF mit dem tanzenden Baby haben wir schon seit 2001!“). Hier hilft oft der neutrale Expertenblick von außen, sprich: das Audit durch eine erfahrene Agentur.

Working Sessions

Die dritte – und in der Praxis oft überraschend ergiebige – Quelle sind interne Working Sessions. Dabei wird gezielt all das Wissen genutzt, das im Unternehmen bereits vorhanden ist: aus Support, Vertrieb, Marketing oder dem Produktmanagement. In Diskussionen im Team lassen sich viele konkrete Ideen identifizieren und anschließend priorisieren.

Denn bedenke: Wer jeden Tag in, um und auf dem Shopsystem arbeitet, kennt die Kundschaft oft besser als jedes Tool. Dein Team weiß, welche Fragen immer wieder auftauchen, wo es zu Reibungen kommt und mit welchen Argumenten sich Zweifelnde doch noch von einem Kauf überzeugen lassen. Genau hier entstehen daher häufig die relevantesten Hypothesen.

Ab in die Praxis: Die besten A/B-Testing-Tools für Shopfiy

Deine Hypothese steht; jetzt musst du sie nur noch testen. Und während der stationäre Handel sich mit Klickern bewaffnete Student:innen in den Laden stellen muss, die zählen, wie viele Menschen vor einer Werbetafel stehen bleiben, erledigen wir die Dinge digital und mithilfe eines A/B-Testing-Tools.

Im Folgenden stellen wir dir die besten Tools vor. Dazu eine Sache vorweg: Damit ein Tool überhaupt gut ist, sollte es diese Punkte beherrschen:

• Einfache Testeinrichtung, denn wenn zunächst tief im Backend rumgeschraubt werden muss, wird der Test viel zu teuer.
• Sauberes Randomisieren und Traffic-Splitting, damit die Testergebnisse aussagekräftig werden und es nicht zu Verfälschungen kommt.
• Segmentierung nach demografischen Nutzergruppen, denn zum Beispiel ist das mobile Surfverhalten ganz anders als das am Desktop.
• Zahlreiche KPI- und Conversion-Tracking-Optionen, um auch ausgefallene Hypothesen testen zu können.
• Stabiler Betrieb bei hohem Traffic, denn viel Traffic liefert die besten Ergebnisse.
• Gute Anbindung an Analytics-Systeme – für Datenabgleiche, statistische Ausreißer und noch mehr relevante Informationen.
• Integrierte Statistik, denn irgendwie müssen die Ergebnisse ja auch ausgewertet werden.
• Dokumentation und Nachvollziehbarkeit der Testergebnisse sind wichtig, weil eine Black Box, die verschweigt, wie sie zum Ergebnis kommt, das totale No-Go ist.

Okay, jetzt aber genug der Vorrede. Wir präsentieren die besten A/B-Testing-Tools im E-Commerce auf Shopify:

Varify.io

Varify.io positioniert sich als moderne, DSGVO-freundliche Alternative zu den klassischen, oft einschüchternden Enterprise-Testing-Tools. Besonders sticht dabei sein Ansatz als Single Source of Truth heraus: Testergebnisse werden direkt im Zusammenspiel mit bereits bestehenden Analytics-Daten ausgewertet, statt ein eigenes paralleles Tracking-System aufzubauen.

Dadurch entstehen weniger Datenabweichungen zwischen Analytics und Testing-Tool. Gleichzeitig ist Varify deutlich günstiger als viele etablierte Lösungen und eignet sich deshalb besonders gut für mittelständische E-Commerce-Teams und aufstrebende Shopify-Shops. Die wichtigsten Vorteile in der Übersicht:

• Sehr gutes Preis-Leistungs-Verhältnis
• DSGVO-konform und cookieless
• Hosting in Deutschland/EU
• Keine trafficbasierten Kostenmodelle
• Direkte Integration in bestehende Analytics-Setups
• Besonders gut für Shopify geeignet
• Visual Editor plus Entwickleroptionen
• Stark für Teams, die pragmatisch und schnell testen wollen

Shopify Rollouts

Shopify Rollouts ist Shopifys eigene Lösung für A/B-Tests. Besonders interessant ist dabei das serverseitige Testing: Varianten werden bereits vor dem Laden der Seite ausgespielt, wodurch die typischen Probleme vieler Drittanbieter-Tools (etwa Flicker-Effekte oder Performance-Einbußen) vermieden werden. Dieser Umstand macht Rollouts insbesondere interessant für Shopify-Plus-Setups und Shops mit sehr hohem Traffic: Das Testing ist unmittelbar in die Plattform integriert und läuft so extrem stabil.

Die wichtigsten Vorteile in der Übersicht:

• Native Shopify-Lösung ohne externe Scripts
• Serverseitiges Testing
• Keine Flicker-Effekte
• Keine zusätzlichen Ladezeit-Probleme
• Direkte Integration in Themes
• Gut geeignet für kontrollierte Releases und Experimente

Intelligems

Intelligems fokussiert sich weniger auf klassische UI-Tests, sondern stärker auf Umsatz- und Profitoptimierung. Daher findet das Tool vor allem im DTC-Umfeld Verwendung, um Preise, Bundles, Angebote oder Versandschwellen systematisch zu testen. Intelligems ist also eine gute Wahl für Brands, die bereits ausreichend Traffic haben und aktiv an dessen Profitabilität arbeiten möchten.

Die wichtigsten Vorteile in der Übersicht:

• Fokus auf Preis- und Angebots-Testing
• Stark im DTC-Umfeld
• Tests für Bundles, Discounts und Versandlogik
• Fokus auf Profit

VWO

VWO gilt als große Komplettlösung im Bereich Conversion Rate Optimization, denn neben klassischem A/B-Testing bietet die Plattform auch Heatmaps, Session Recordings, Funnel-Analysen und Personalisierungsfunktionen an. Dadurch eignet sich VWO besonders für größere Teams, die Research, Analyse und Testing zentral auf einer Plattform bündeln möchten. Voraussetzung ist dabei allerdings immer, dass sich im Unternehmen auch die nötige Expertise findet. Fehlt das Fachwissen in den eigenen Reihen, kann VWO schnell übermächtig werden.

Die wichtigsten Vorteile in der Übersicht:

• Umfangreiche Conversion Rate Optimization (CRO)-Suite
• Heatmaps und Session Recordings integriert
• A/B- und Multivarianten-Tests
• Gute Analyse- und Research-Funktionen
• Besonders interessant für große Unternehmen

Convert

Convert gilt seit Jahren als datenschutzfreundliche Alternative zu den vielen US-zentrierten Testing-Plattformen. Dabei liegt der Fokus des Tools klar auf sauberem, performantem A/B-Testing ohne unnötigen Schnickschnack. Convert eignet sich also besonders für Unternehmen, die Wert auf Datenschutz, Performance und klassisches Testing legen. Kreative Experimente sind mit dem Tool dagegen nicht möglich.

Die wichtigsten Vorteile in der Übersicht:

• Datenschutzfreundlicher Ansatz
• Starker Fokus auf klassisches A/B-Testing
• Gute Performance und stabile Ausspielung
• Geeignet für datensensible Unternehmen
• Weniger Suite, mehr fokussiertes Testing

Unser Urteil: A/B-Tests mit Varify.io und Shopify Rollouts

Vielleicht ist es schon ein wenig durchgeklungen: Unsere Favoriten für A/B-Tests heißen Varify.io und Shopify Rollouts. Welches der beiden Tools die absolut beste Wahl ist? Das lässt sich nicht beantworten, denn dazu sind sie zu unterschiedlich in ihren Vor- und Nachteilen – wie du bei einem Blick in unsere Vergleichstabelle sofort erkennst: Oder in einem ganz einfachen Satz: Varify.io kann mehr, ist aber aufwendiger im Einsatz, während Rollouts fast schon selbsterklärend und superschnell funktioniert, aber ein wenig abgespeckter daherkommt.

Heißt das jetzt, dass du auf das eine verzichten musst, weil du dich für das andere entschieden hast? Natürlich nicht. Richtig implementiert kommen sich die beiden Tools nicht in die Quere und Mehrkosten entstehen dir auch nicht, da du für Rollouts ohnehin schon bezahlt hast. Wir selbst nutzen diesen hybriden Ansatz immer öfter in unserer eigenen Arbeit.

A/B-Testing im E-Commerce: Für wen überhaupt?

Eine letzte Sache haben wir noch, nämlich die Antwort auf die Frage, welche Unternehmen überhaupt auf A/B-Tests setzen sollten. Klar, du benötigst zunächst ausreichend Traffic, um sinnvoll testen zu können, aber dann? Tatsächlich gilt: Je größer ein Business ist, desto wichtiger werden A/B-Tests. Warum?

Zunächst, weil kleinere Unternehmen oft Fehler begehen, die so offensichtlich sind, dass es keinen A/B-Test braucht, um sie zu finden. Meist reicht ein Blick vom Profi und die Conversion Rate zieht spürbar an.

Bei mittelständischen Unternehmen versteckt sich das Verbesserungspotenzial dagegen häufig im Detail – und allein das macht A/B-Testing schon sinnvoll. Vor allem aber gilt: Kleine Veränderungen haben hier oft große Konsequenzen. Eine Verbesserung der Conversion Rate von 15 % auf 15,8 % klingt nicht aufregend. Wenn die relativen 15 % allerdings absoluten 500.000 Einkäufen entsprechen, sieht die Sache schon ganz anders aus.

Als letztes Fazit: A/B-Testing auf Shopify für dein Business

Und damit sind wir durch. Du weißt jetzt nicht nur, wie ein A/B-Test funktioniert, sondern auch, an welchen Stellen im Store er Sinn ergibt und worauf du bei deinen eigenen Tests unbedingt achten musst (nur ein Merkmal ändern, klare Hypothese formulieren, ausreichend Traffic verzeichnen, sinnvolle Laufzeit wählen).

Außerdem kennst du jetzt die besten A/B-Testing-Tools im europäischen Raum und weißt sogar, welche wir dir ganz persönlich empfehlen würden – nämlich Shopify Rollouts, wenn es schnell und einfach gehen soll, sowie Varify.io für intensivere und komplexere Tests; gerne auch hybrid.

Was du jetzt noch brauchst, ist ein Shopify-Shop – und dazu können wir dir Folgendes anbieten: Entweder, wir relaunchen deinen alten Store, bringen ihn auf den neuesten Stand von Design und Technik und optimieren ihn danach fortlaufend via A/B-Testing. Oder wir migrieren dein Business aus einem anderen System zu Shopify, werfen Altlasten über Bord und bringen dein Business auf die Plattform, auf der die Profis zuhause sind.

Solltest du dagegen der Meinung sein, dass du weder Relaunch noch Migration brauchst, helfen wir dir trotzdem gerne weiter, denn ein Audit ist für jeden Shopify Store möglich: Wir identifizieren Schwachstellen – auch mittels A/B-Tests – und sorgen so für einen ordentlichen Performance-Schub.

War noch was? Ach, ja. Die Sache mit dem Tee: Miss Bristol bekam von Mr. Fisher tatsächlich acht Tassen Tee in zufälliger Reihenfolge serviert. Bei vier davon wurde zuerst der Tee eingeschenkt, bei den vier anderen kam zuerst die Milch in die Keramik – und der Überlieferung zufolge konnte Miss Bristol jede einzelne Tasse richtig bestimmen. Schade, dass wir in der Redaktion nur schwarzen Kaffee trinken.

FAQ: Die besten A/B-Testing-Tools auf Shopify