A/B Testing im E-Commerce: Anleitung und Beispiele

A/B Testing hilft Änderungen nicht nach persönlicher Präferenz, sondern anhand beobachteten Nutzerverhaltens zu bewerten. Das Verfahren wirkt einfach: Zwei Varianten treten gegeneinander an. Belastbare Ergebnisse entstehen jedoch erst, wenn Hypothese, Metrik, Stichprobe und Auswertung zusammenpassen.

Dieser Leitfaden führt Sie durch den gesamten Ablauf. Sie erfahren, welche Elemente sich im Online-Shop testen lassen, wie Sie eine sinnvolle Hypothese formulieren, wann Ihr Traffic ausreicht und welche Fehler scheinbare Gewinner produzieren.

Was ist A/B Testing im E-Commerce?

A/B Testing im E-Commerce ist ein randomisiertes Experiment, bei dem Besucher zeitgleich unterschiedliche Varianten eines Shop Elements sehen und anhand einer vorher festgelegten Kennzahl verglichen werden. Variante A ist üblicherweise die bestehende Version. Variante B enthält eine gezielte Änderung. Die zufällige Zuordnung sorgt dafür, dass sich die Gruppen im Durchschnitt nur durch diese Änderung unterscheiden.

Das Ziel ist keine bloße Korrelation, sondern eine möglichst belastbare Ursache Wirkung Aussage. Erzielt Variante B bei ausreichender Stichprobe eine höhere Conversion Rate, lässt sich der Unterschied mit kontrolliertem Fehlerrisiko auf die getestete Änderung zurückführen. Google beschreibt A/B Tests ebenfalls als randomisierte Experimente mit mindestens zwei zeitgleich ausgespielten Varianten.¹

Das Verfahren gehört zur Conversion Rate Optimierung, kann aber auch andere Ziele verfolgen. Dazu zählen mehr Klicks auf Produktdetails, höhere Warenkorbwerte, weniger Formularabbrüche oder eine bessere Nutzung bestimmter Funktionen.

Warum lohnt sich A/B Testing für Online-Shops?

A/B Testing reduziert das Entscheidungsrisiko, weil Shop Änderungen zunächst mit einem Teil des Traffics geprüft werden, bevor sie dauerhaft für alle Besucher gelten. Das ist besonders wichtig, wenn kleine Veränderungen auf viele Sitzungen, Bestellungen oder Umsätze wirken.

Das Verfahren schützt allerdings nicht automatisch vor Fehlentscheidungen. Eine Analyse von mehr als 127.000 Experimenten bei Optimizely ergab, dass nur 12 Prozent eine statistisch signifikante Verbesserung ihrer primären Kennzahl erreichten.² Das ist kein Argument gegen Testing. Es zeigt, wie selten Annahmen über Nutzerverhalten ohne Prüfung zuverlässig sind.

Für Online-Shops entstehen daraus vier konkrete Vorteile:

• Geringeres Rollout Risiko: Eine neue Variante wird erst breit ausgerollt, wenn die Daten dafür sprechen.
• Bessere Priorisierung: Teams erkennen, welche Ideen tatsächlich auf Geschäftsziele einzahlen.
• Mehr Kundenwissen: Jeder sauber dokumentierte Test erweitert das Wissen über Zielgruppe und Customer Journey.
• Kontinuierliche Optimierung: Einzelne Erkenntnisse fließen in neue Hypothesen und eine systematische Online-Shop-Optimierung ein.

Der größte Wert entsteht deshalb nicht durch einen einzelnen Gewinner. Ein Testing Programm macht aus unsicheren Ideen einen wiederholbaren Lernprozess.

Welche Shop Elemente eignen sich für A/B Tests?

Geeignet sind Shop Elemente, deren Veränderung einer klaren Nutzeraktion zugeordnet und technisch konsistent ausgespielt werden kann. Die beste Teststelle ist nicht automatisch das sichtbarste Element. Sie liegt dort, wo Analyse und Nutzerfeedback ein konkretes Hindernis zeigen.

Produktseiten und Kategorieseiten

Auf Produktseiten lassen sich Informationsdichte, Bilder, Variantenwahl, Lieferhinweise, Bewertungen und Handlungsaufforderungen testen. Eine sinnvolle Hypothese könnte lauten: Wenn die Lieferzeit direkt neben dem Warenkorb Button sichtbar ist, steigt die Add to Cart Rate, weil weniger Unsicherheit über die Verfügbarkeit besteht.

Auf Kategorieseiten sind Filter, Sortierung, Produktkarten und Vergleichsfunktionen typische Kandidaten. Prüfen Sie dabei nicht nur Klicks. Eine höhere Klickrate kann wertlos sein, wenn anschließend weniger Besucher kaufen.

Warenkorb und Checkout

Im Warenkorb und Checkout wirken Änderungen besonders nah am Umsatz. Testbar sind beispielsweise Gastbestellung, Formularreihenfolge, Fortschrittsanzeige, Zahlarten, Versandinformationen und Hinweise zu Rückgabe oder Sicherheit.

Diese Nähe zum Kauf erhöht zugleich das Risiko. Ein technischer Fehler oder eine falsch interpretierte Zwischenkennzahl kann direkt Umsatz kosten. Starten Sie Checkout Tests deshalb erst nach gründlicher Qualitätssicherung und definieren Sie Schutzmetriken wie Fehlerrate, Stornoquote oder Supportkontakte.

Popups, E-Mails und Rückgewinnung

Bei Popups und Rückgewinnungsnachrichten lassen sich Auslöser, Timing, Ansprache, Gestaltung und Anreiz testen. Bei uptain haben datengestützte Maßnahmen einen hohen Stellenwert. Deshalb testet der uptain Algorithmus im Hintergrund kontinuierlich unterschiedliche Varianten der Exit-Intent Popups und spielt automatisch die jeweils passende Version aus. Shopbetreiber müssen diese Tests weder selbst aufsetzen noch auswerten:

Intelligente Rückgewinnung

Wie im Hintergrund getestet wird

uptain®Algorithmuslernt nicht nur aus einem Shop, sondern aus dem gesamten Netz3.000+Shops30 Mio.+Besucherläuft dauerhaft

1Variante ausspielenPopup oder Trigger-Mail

2Reaktion messengerettete Bestellung statt nur Klick

3Gewichtung anpassenschwache Varianten treten zurück

4Beste Version bevorzugenfür jeden weiteren Besucher

Shopbetreiber müssen diese Tests weder selbst aufsetzen noch auswerten.

Wer den konkreten Einfluss im eigenen Online-Shop messen möchte, kann zusätzlich einen kontrollierten Vergleich durchführen: Ein Teil des Traffics nutzt uptain, der andere Teil nicht. Anschließend werden Conversion Rate, gerettete Warenkörbe, Umsatz pro Besucher oder Gesamtumsatz beider Gruppen verglichen. Dafür müssen die Besucher stabil zugeordnet werden und beide Gruppen während der Laufzeit denselben Bedingungen unterliegen.

Für solche Tests sollte die Zielgröße zur Nachricht passen. Bei einem Popup kann das die gerettete Bestellung sein. Bei einer E-Mail reichen Öffnungen oder Klicks allein nicht aus, wenn das eigentliche Ziel die Rückkehr in den Kaufprozess ist.

Konkrete Testideen nach Shopbereich

Ein A/B Test ist besonders sinnvoll, wenn Analyse, Nutzerfeedback oder Supportanfragen auf ein konkretes Hindernis hinweisen. Die folgende Übersicht verbindet typische Testideen mit einer passenden Hauptkennzahl und wichtigen Schutzmetriken.⁴

Die Hauptkennzahl muss zur Position im Funnel passen. Eine höhere Klickrate auf der Startseite ist noch kein Erfolg, wenn anschließend weniger Besucher kaufen oder der Umsatz pro Besucher sinkt.

Welche Arten von A/B Tests gibt es?

A/B Test, Split Test, A/B/n Test und multivariater Test unterscheiden sich danach, wie viele Varianten oder Elemente gleichzeitig verglichen werden und wie die technische Ausspielung erfolgt. Die Begriffe werden im Alltag teilweise gleich verwendet, beschreiben aber unterschiedliche Versuchsaufbauten.

• Klassischer A/B Test: Zwei Varianten derselben Seite oder desselben Elements laufen unter vergleichbaren Bedingungen gegeneinander.
• A/B/n Test: Eine Kontrollversion wird mit mehreren Varianten verglichen. Die zusätzliche Auswahl erhöht den Trafficbedarf und erfordert eine saubere Kontrolle des Fehlerrisikos.
• Split URL Test: Varianten liegen auf unterschiedlichen URLs. Das eignet sich für größere Layout oder Template Änderungen, braucht aber eine stabile Weiterleitung und konsistentes Tracking.
• Multivariater Test: Mehrere Elemente und Kombinationen werden gleichzeitig untersucht. Dadurch lässt sich auch das Zusammenspiel von Änderungen bewerten, der notwendige Traffic steigt jedoch stark.

Die verbreitete Empfehlung, immer nur eine Kleinigkeit zu testen, ist zu pauschal. Entscheidend ist die Hypothese. Wenn die vermutete Wirkung aus einem zusammenhängenden neuen Konzept entsteht, darf die Variante mehrere abgestimmte Änderungen enthalten. Sie erfahren dann, ob das Gesamtkonzept wirkt, nicht welcher einzelne Bestandteil verantwortlich war.

Was braucht ein valider A/B Test?

Ein valider A/B Test braucht eine überprüfbare Hypothese, eine passende Zielkennzahl, zufällige und stabile Gruppenzuordnung sowie einen vorab definierten statistischen Plan. Fehlt eine dieser Grundlagen, kann auch ein scheinbar eindeutiges Ergebnis irreführend sein.

Problem, Hypothese und erwartete Wirkung

Eine gute Hypothese verbindet Beobachtung, Änderung und erwartete Wirkung. Die Struktur lautet: Weil wir ein bestimmtes Nutzerproblem beobachten, verändern wir ein konkretes Element. Dadurch erwarten wir eine messbare Veränderung bei einer definierten Zielgruppe und Kennzahl.

Beispiel: Weil mobile Besucher das Gutscheinfeld im Warenkorb häufig öffnen und danach abbrechen, verschieben wir das Feld hinter einen dezenten Textlink. Dadurch erwarten wir eine höhere Weiter zum Checkout Rate bei mobilen Sitzungen.

Primäre Kennzahl und Schutzmetriken

Die primäre Kennzahl entscheidet, ob die Hypothese bestätigt wird. Sie muss empfindlich genug auf die Änderung reagieren und zugleich geschäftlich relevant sein. Eine neue Produktbilddarstellung kann zunächst an der Add to Cart Rate gemessen werden. Bei Änderungen im letzten Bestellschritt ist die abgeschlossene Bestellung meist näher am Testziel.

Schutzmetriken verhindern lokale Optimierung auf Kosten des Gesamtergebnisses. Eine Variante kann etwa mehr Warenkorb Klicks erzeugen, aber den Umsatz pro Besucher senken. Behalten Sie deshalb ergänzend Stornos, Retouren, durchschnittlichen Bestellwert, Ladezeit und Fehlerrate im Blick. Wie Sie die zentrale Kennzahl bestimmen, zeigt der Beitrag zur Berechnung der Conversion Rate.

Stichprobengröße, Effekt und Teststärke

Die benötigte Stichprobe hängt von vier Größen ab: Ausgangs Conversion Rate, kleinster wirtschaftlich relevanter Effekt, Signifikanzniveau und gewünschte Teststärke. Kleine Effekte benötigen deutlich mehr Beobachtungen als große Effekte. Auch niedrige Ausgangsraten erhöhen den Trafficbedarf.

In der Praxis werden häufig ein Signifikanzniveau von 5 Prozent und eine Teststärke von 80 Prozent verwendet. Diese Werte sind keine Garantie. Sie begrenzen zwei unterschiedliche Fehlerrisiken. Das Signifikanzniveau kontrolliert falsch positive Ergebnisse. Die Teststärke beschreibt, wie wahrscheinlich ein tatsächlich vorhandener Effekt erkannt wird.

Testdauer und vollständige Geschäftszyklen

Die Laufzeit ergibt sich aus benötigter Stichprobe und täglichem qualifiziertem Traffic. Ein Test sollte vollständige Wochenzyklen abdecken, damit Unterschiede zwischen Werktagen und Wochenende nicht zufällig eine Variante bevorzugen. Aktionen, Feiertage, Kampagnenwechsel oder technische Releases können die Vergleichbarkeit zusätzlich stören.

Eine feste Mindestdauer wie zwei Wochen ersetzt keine Stichprobenplanung. Bei wenig Traffic kann der Test länger dauern. Bei sehr viel Traffic kann die rechnerische Stichprobe früher erreicht sein, trotzdem sollten typische Geschäftszyklen enthalten sein.

Wie führen Sie einen A/B Test durch?

Ein A/B Test folgt einem festen Ablauf aus Analyse, Priorisierung, Planung, technischer Umsetzung, kontrollierter Laufzeit, Auswertung und dokumentiertem Lernen. Dieser Prozess verhindert, dass spontane Ideen ohne ausreichende Grundlage live gehen.

1. Schwachstelle identifizieren: Nutzen Sie Webanalyse, Funnel Daten, Nutzerfeedback, Session Recordings und Supportanfragen. Suchen Sie nach einem konkreten Problem, nicht nur nach einer Seite mit viel Traffic.
2. Hypothese formulieren: Halten Sie Beobachtung, Zielgruppe, Änderung, erwartete Wirkung und primäre Kennzahl schriftlich fest.
3. Test priorisieren: Bewerten Sie erwarteten Einfluss, Sicherheit der Annahme und Umsetzungsaufwand. Bevorzugen Sie wichtige Probleme mit vertretbarem Risiko.
4. Stichprobe planen: Legen Sie Ausgangsrate, minimalen Effekt, Signifikanzniveau, Teststärke und erwartete Laufzeit vor dem Start fest.
5. Variante umsetzen: Stellen Sie sicher, dass beide Versionen technisch stabil, schnell und auf allen relevanten Geräten nutzbar sind.
6. Tracking prüfen: Kontrollieren Sie Ereignisse, Bestellungen, Umsätze, Ausschlüsse und Gruppenzuordnung. Ein kurzer A/A Test kann technische Unterschiede sichtbar machen.
7. Test unverändert laufen lassen: Stoppen oder verändern Sie den Versuch nicht aufgrund früher Zwischenstände.
8. Ergebnis auswerten: Prüfen Sie Effektgröße, Unsicherheit, Schutzmetriken, technische Qualität und mögliche Segmentunterschiede.
9. Entscheidung dokumentieren: Rollen Sie Gewinner aus, verwerfen Sie schädliche Varianten und entwickeln Sie bei neutralen Ergebnissen eine neue Hypothese.

Bei Tests am Warenkorb sollten Sie die bestehende Warenkorb Optimierung und mögliche Wechselwirkungen mit Checkout, Versandkosten oder Gutscheinen berücksichtigen. Sonst verbessert die Variante womöglich nur einen Zwischenschritt.

Wie wird ein A/B Test ausgewertet?

Die Auswertung vergleicht nicht nur zwei Conversion Rates, sondern bewertet Effektgröße, statistische Unsicherheit, Datenqualität und geschäftliche Relevanz gemeinsam. Ein kleiner statistisch signifikanter Unterschied kann wirtschaftlich bedeutungslos sein. Ein großer beobachteter Unterschied kann bei kleiner Stichprobe zu unsicher sein.

Für eine einfache binäre Conversion Kennzahl werden zunächst die Raten beider Varianten berechnet:

Conversion Rate = Conversions geteilt durch Besucher mal 100

Der relative Uplift zeigt die Veränderung gegenüber der Kontrollgruppe:

Relativer Uplift = Rate B minus Rate A, geteilt durch Rate A, mal 100

Ein Signifikanztest prüft anschließend, wie gut der beobachtete Unterschied mit reinem Zufall vereinbar ist. Zusätzlich ist ein Konfidenzintervall hilfreich, weil es einen plausiblen Bereich für die tatsächliche Differenz zeigt. Berichten Sie deshalb nicht nur Gewinner oder Verlierer, sondern mindestens Ausgangsrate, Variantenrate, absolute Differenz, relativen Uplift, Stichprobengröße und Unsicherheit.

Segmentanalysen dürfen nicht zur nachträglichen Suche nach irgendeinem positiven Ergebnis werden. Wenn mobile Besucher oder Neukunden für die Hypothese besonders relevant sind, definieren Sie diese Auswertung vor dem Test. Spontane Teilgruppen können neue Hypothesen liefern, sollten aber nicht ohne Folgetest als Beweis gelten.

Welche Fehler verfälschen A/B Tests?

Die häufigsten Fehler entstehen durch vorzeitiges Stoppen, zu kleine Stichproben, ungeplante Mehrfachvergleiche, unzuverlässiges Tracking und Kennzahlen ohne Bezug zur Hypothese. Viele dieser Probleme erzeugen überzeugend aussehende, aber nicht reproduzierbare Ergebnisse.

• Peeking und frühes Stoppen: Wer täglich prüft und beim ersten positiven Wert beendet, erhöht die Wahrscheinlichkeit eines Zufallstreffers.
• Zu kleiner relevanter Effekt: Ein Test wird auf minimale Veränderungen ausgelegt, obwohl diese den Aufwand wirtschaftlich nicht rechtfertigen.
• Mehrere primäre Kennzahlen: Je mehr gleichberechtigte Ziele geprüft werden, desto wahrscheinlicher erscheint mindestens eines zufällig positiv.
• Ungleiches Nutzererlebnis: Flackernde Varianten, langsame Skripte oder fehlerhafte Geräteausspielung verfälschen das Verhalten.
• Wechselnde Kampagnen: Unterschiedlicher Traffic Mix während der Laufzeit kann Ergebnisse stärker verändern als die Variante selbst.
• Fehlende Persistenz: Derselbe Besucher darf nicht bei jedem Seitenaufruf zwischen A und B wechseln.
• Nur Mikro Conversions betrachten: Mehr Klicks sind kein Erfolg, wenn Käufe, Umsatz oder Kundenzufriedenheit sinken.
• Neutrale Tests vergessen: Ohne zentrale Dokumentation testet das Team dieselbe Annahme später erneut.

Besonders kritisch sind Tests im Bestellprozess. Prüfen Sie dort parallel technische Fehler, Abbrüche und Zahlungsprobleme. Der Leitfaden zur Checkout Optimierung zeigt weitere Ansatzpunkte und Risiken.

Die Tabelle ist keine Rangliste. Prüfen Sie zuerst, ob Sie visuelle Seitenänderungen, serverseitige Funktionen, Landingpages oder ein unternehmensweites Experimentierprogramm testen möchten. Erst danach lassen sich Funktionsumfang und Aufwand sinnvoll vergleichen. BigCommerce nennt darüber hinaus Analysewerkzeuge wie Hotjar oder Crazy Egg. Solche Lösungen helfen bei Heatmaps und Verhaltensanalyse, ersetzen aber nicht in jedem Fall die Ausspielung und statistische Bewertung eines vollständigen A/B Tests.⁴

Prüfen Sie bei der Auswahl folgende Punkte:

• Clientseitige oder serverseitige Ausspielung
• Integration mit Shop, Analytics und Consent Management
• Unterstützung für Umsatz, Warenkorbwert und eigene Ereignisse
• Persistente Gruppenzuordnung über Geräte und Sitzungen
• Qualitätssicherung, Vorschau und Ausschlussregeln
• Transparenz von Statistik, Signifikanz und Korrekturen
• Datenschutz, Datenstandort und Auftragsverarbeitung

Für Shopify Shops gelten zusätzlich technische Besonderheiten rund um Theme, Checkout und Apps. Der Beitrag zur Shopify Conversion Optimierung ordnet diese Umgebung ein.

Wie entsteht ein nachhaltiges Testing Programm?

Ein nachhaltiges Testing Programm verbindet Nutzerforschung, Priorisierung, Experimentdesign und Wissensmanagement zu einem wiederholbaren Prozess. Die Anzahl gestarteter Tests allein ist kein Qualitätsmerkmal. Entscheidend ist, ob die Tests relevante Unsicherheiten reduzieren.

Führen Sie für jedes Experiment ein kompaktes Protokoll mit Problem, Datenquelle, Hypothese, Zielgruppe, Varianten, Metriken, Stichprobenplan, Laufzeit, Ergebnis und Entscheidung. Ergänzen Sie Screenshots und technische Besonderheiten. So bleibt die Erkenntnis auch nach Teamwechseln nutzbar.

Planen Sie regelmäßig drei Arten von Experimenten:

• Optimierungstests: Bestehende Schritte werden gezielt verbessert.
• Risikotests: Größere Änderungen werden vor dem Rollout abgesichert.
• Lerntests: Grundlegende Annahmen über Motivation, Einwände oder Zielgruppen werden geprüft.

Eine Befragung von Optimizely aus dem Jahr 2024 zeigte, dass 87 Prozent der befragten Marketingverantwortlichen Experimentieren für wichtig hielten, während 20 Prozent ihren aktuellen Ansatz als ineffektiv bewerteten.³ Der Unterschied zwischen Aktivität und Wirkung liegt meist in der Qualität von Hypothesen, Priorisierung und Dokumentation.

Häufige Fragen zu A/B Testing

Die wichtigsten Fragen zu A/B Testing betreffen Definition, Einsatz im Marketing, Testarten und den praktischen Ablauf. Die folgenden Antworten fassen die Grundlagen kompakt zusammen.

Was versteht man unter A/B Testing?

A/B Testing ist ein kontrolliertes Experiment mit mindestens zwei Varianten. Besucher werden zufällig einer Variante zugeordnet. Anschließend wird anhand einer vorher festgelegten Kennzahl geprüft, welche Version besser abschneidet und wie sicher der beobachtete Unterschied ist.

Was ist A/B Testing im Marketing?

Im Marketing vergleicht A/B Testing Varianten von Webseiten, Anzeigen, E-Mails oder anderen Maßnahmen. Ziel ist eine messbare Verbesserung, etwa mehr Käufe, Anmeldungen oder qualifizierte Klicks. Die Kennzahl und die erwartete Wirkung müssen vor dem Start definiert werden.

Welche Arten von Testing gibt es?

Zu den wichtigsten Formen gehören klassische A/B Tests, A/B/n Tests mit mehreren Varianten, Split URL Tests und multivariate Tests. Sie unterscheiden sich durch Anzahl und Aufbau der Varianten, technische Ausspielung, Erkenntnistiefe und benötigten Traffic.

Wie läuft ein A/B Test ab?

Sie analysieren ein Problem, formulieren eine Hypothese, bestimmen Kennzahl und Stichprobe, setzen die Variante technisch um und prüfen das Tracking. Danach läuft der Test unverändert bis zum geplanten Ende. Abschließend bewerten und dokumentieren Sie Ergebnis, Unsicherheit und nächste Entscheidung.

Fazit

A/B Testing liefert dann belastbare Entscheidungen, wenn E-Commerce Wissen, saubere Technik und Statistik gemeinsam geplant werden. Beginnen Sie mit einem nachweisbaren Nutzerproblem, wählen Sie eine geschäftlich relevante Kennzahl und legen Sie die Auswertung vor dem Start fest.

Ein Gewinner kann die Performance verbessern. Ein neutrales oder negatives Ergebnis ist ebenfalls wertvoll, wenn es eine falsche Annahme früh stoppt. Genau daraus entsteht langfristig ein Online-Shop, der nicht nur häufiger verändert, sondern gezielter verbessert wird. Weitere Ansatzpunkte finden Sie im Leitfaden zu Warenkorbabbrechern und Rückgewinnung.

Quellenverzeichnis

¹ Google Analytics Help: GA4 A/B test (2026), https://support.google.com/analytics/answer/13468470?hl=en (letzter Zugriff: 21.08.2026)

² Optimizely: Lessons learned from 127k experiments (2026), https://www.optimizely.com/field-notes/guides/127000-experiments (letzter Zugriff: 21.08.2026)

³ Optimizely: Tested to Perfection (2024), https://www.optimizely.com/company/press/tested-to-perfection (letzter Zugriff: 21.08.2026)

⁴ BigCommerce: A Step-By-Step Guide to Effective Ecommerce A/B Testing (2026), https://www.bigcommerce.com/articles/ecommerce/ab-testing/ (letzter Zugriff: 21.08.2026)

⁵ Optimizely Support: Steps to create an experiment (2026), https://support.optimizely.com/hc/en-us/articles/4410289104013-Steps-to-create-an-experiment (letzter Zugriff: 21.08.2026)

⁶ VWO: Pricing and feature overview (2026), https://vwo.com/pricing/ (letzter Zugriff: 21.08.2026)

⁷ Adobe: Adobe Target Experimentation and Optimization (2026), https://business.adobe.com/products/target/experimentation-optimization.html (letzter Zugriff: 21.08.2026)

⁸ Convert: A/B Testing Features (2026), https://www.convert.com/features/ab-testing/ (letzter Zugriff: 21.08.2026)

⁹ Unbounce: A/B Testing Tool (2026), https://unbounce.com/product/ab-testing-tool/ (letzter Zugriff: 21.08.2026)