Erstellen einer Hypothese

Die Voraussetzung für einen Test ist eine Hypothese. Diese Hypothese ist eine Annahme oder wörtlich genommen eine “Unterstellung”, denn wir nehmen etwas an, von dem wir nicht wissen, dass es so ist, wollen aber herausfinden, ob es so ist. Dabei ist es wichtig, dass es sich um etwas Messbares handelt. Einfach zu sagen, dass eine Webseiten-Navigation schlecht ist, reicht nicht aus. Woran kann das festgemacht werden? Welche Daten belegen das? Natürlich sind nicht immer Daten vorhanden, es können auch Erfahrungswerte oder Best Practices sein. Gleichzeitig muss diese Annahme mit der Verbesserung eines KPIs zu tun haben. Mit welchem KPI können wir messen, dass die Navigation wirklich schlecht ist? Wir könnten uns zum Beispiel die Onsite Searches ansehen und feststellen, dass die Benutzer nach Begriffen suchen, die die Inhalte auf der Seite gut beschreiben, die aber nicht in der Navigation auftauchen. Wären die Labels also anders beschriftet, so müssten die Nutzer weniger suchen und könnten ihr Informationsbedürfnis mit der Navigation erfüllen. Die Anzahl der Onsite Searches wäre somit der KPI, um die Qualität der Navigation zu messen.

Gleichzeitig müssen die KPIs mit den Geschäftszielen einer Webseite korrespondieren. Wenn die Nutzer die Navigation nutzen anstatt der Suche, dann haben wir eventuell noch nicht einen Cent mehr in die Kasse gespült. Wir könnten auch die Anzahl der Bounces auf einer Seite als KPI nehmen, hätten hier aber den Nachteil, dass Bounces auch durch andere Faktoren entstehen können. Wir sehen, es ist schwierig, eine Hypothese in diesem Fall so zu formulieren, dass sich die gefühlte Verbesserung auch in monetären Vorteilen spiegelt.

Bewährt hat sich der Ansatz, eine Hypothese in vier Teile zu teilen:

  1. Indem ich das, wovon meine Daten belegen, dass es dazu führt, dass meine Nutzer heute “Nein” sagen,
  2. in etwas ändere, wovon ich glaube, dass die Nutzer dazu “Ja” sagen,
  3. erreiche ich den (psychologischen) Effekt bei meinen Nutzern,
  4. der den oder die KPIs verbessert.

Die Begriffe in rot müssen dann an die jeweilige Hypothese angepasst werden. An dem Beispiel der Navigation:

  1. Indem ich die Labels in der Navigation, in denen sich meine Nutzer anscheinend nicht wiederfinden, so dass sie die Onsite Search nutzen müssen (>2% Onsite Search Anteil, was über dem Benchmark liegt) und eventuell eher abbrechen (70% der Nutzer brechen nach einer Suche ab),
  2. in Labels ändere, die mehr dem Vokabular der meisten Nutzer entsprechen,
  3. fühlen sich die Nutzer besser abgeholt und finden schneller, was sie wollen,
  4. so dass sie weniger Schritte und weniger Suchen benötigen und somit seltener abspringen und häufiger in den Conversion Funnel einsteigen und somit für mehr Umsatz sorgen.

Wir haben somit eine daten-basierte Annahme getroffen und definieren mehrere KPIs, die uns helfen, den Effekt zu messen.