Konverteringstester

Konverteringstester – Validera förbättringar innan förbättringsarbete börjar

Konverteringstester är metoden att validera att förändringar faktiskt förbättrar konverteringsgraden innan de implementeras permanent. Istället för att gissa eller förlita sig på best practice testas förändringar systematiskt med verkliga användare.

Det vanligaste formatet är A/B-test: En del av besökarna ser originalversionen (A), andra ser den nya versionen (B). Efter tillräckligt med data jämförs resultaten. Den version som presterar bättre vinner och blir permanent.

Utan testning är konverteringsoptimering riskabelt. Förändringar som verkar bra kan faktiskt försämra konverteringen. Med testning elimineras gissningar och beslut fattas baserat på faktiska resultat från användare.

Vad är konverteringstester?

Definition

Konverteringstester (A/B-testning, split testing) är processen att jämföra två eller flera versioner av en webbsida för att avgöra vilken som ger högst konverteringsgrad.

Grundprincip:

  • Version A (kontroll): Originalsidan, nuvarande version
  • Version B (variant): Modifierad version med en förändring
  • Trafik delas: 50% ser A, 50% ser B
  • Resultat mäts: Vilken version konverterar bättre?

Statistisk signifikans: När tillräckligt med data samlats in avgörs om skillnaden är verklig eller bara slump.

Varför testa istället för bara implementera?

Problem utan testning:

Scenario: Analys visar att CTA-knapp inte syns tydligt. Beslut: Ändra färg från grå till röd.

Implementering direkt: Färgen ändras på hela sajten. Men ingen vet om röd faktiskt fungerar bättre. Kanske blir det sämre?

Med A/B-test: 50% ser grå knapp (A), 50% ser röd knapp (B). Efter 2 veckor visar data att röd faktiskt konverterar 15% bättre. Nu finns bevis att implementera permanent.

Alternativt scenario: Test visar att röd faktiskt konverterar 10% SÄMRE. Utan test hade en försämring implementerats permanent.

Resultat: Testning eliminerar risk och garanterar att förändringar faktiskt förbättrar.

När ska testas?

Testa när:

  • Förändringen är stor (ny design, nytt checkout-flöde)
  • Förändringen är kontroversiell (team är oeniga om den fungerar)
  • Förändringen går emot best practice (men hypotes finns att det kan fungera för specifik målgrupp)
  • Osäkerhet finns om effekt

Implementera direkt (utan test) när:

  • Förändringen fixar uppenbart tekniskt problem (trasig länk, felstavning)
  • Best practice är så stark att test är onödigt (lägga till SSL-ikon, förbättra laddningshastighet)
  • Förändringen är minimal och lågrisk (justering av mikrokopi)

Typer av tester

A/B-test (split test)

Jämför två versioner: Original (A) vs en variant (B).

Exempel:

  • A: Grön ”Köp nu”-knapp
  • B: Röd ”Köp nu”-knapp

En förändring åt gången: För att veta vad som påverkade resultatet ändras bara EN sak.

Resultat: Om B vinner vet vi att röd knapp fungerar bättre. Om flera saker ändrats samtidigt är det omöjligt att veta vad som orsakade förändringen.

A/B/n-test (multivariant med flera alternativ)

Jämför original mot flera varianter.

Exempel:

  • A: Grön knapp
  • B: Röd knapp
  • C: Blå knapp
  • D: Orange knapp

Användning: Testa flera alternativ samtidigt för att hitta den bästa snabbare.

Krav: Större trafik behövs (trafiken delas på fler varianter).

Multivariate testing (MVT)

Testar flera element samtidigt i olika kombinationer.

Exempel:

Elementen som testas:

  • Rubrik (2 varianter)
  • CTA-knappfärg (2 varianter)
  • Bild (2 varianter)

Kombinationer: 2 × 2 × 2 = 8 varianter testas samtidigt.

Användning: Förstå hur element interagerar. Kanske fungerar röd knapp bättre med rubrik A men grön knapp bättre med rubrik B.

Krav: Mycket hög trafik (trafiken delas på många varianter). Ofta endast för stora sajter.

Split URL-test

Istället för att ändra element på samma URL testas helt olika sidor.

Användning:

  • Testa helt ny design vs gammal design
  • Testa olika layout-koncept
  • Testa olika checkout-flöden

Exempel:

  • A: /checkout (nuvarande flöde med 3 steg)
  • B: /checkout-new (nytt one-page checkout)

Processen: Från hypotes till resultat

Steg 1: Formulera hypotes

En hypotes är en förutsägelse om vad som kommer att hända och varför.

Format:

”Om vi [förändring], kommer [målgrupp] att [resultat] eftersom [anledning].”

Exempel:

Hypotes 1:
”Om vi lägger till kundrecensioner på produktsidor kommer fler besökare att lägga produkter i varukorg eftersom recensioner bygger förtroende och minskar osäkerhet.”

Hypotes 2:
”Om vi förkortar checkout-formuläret från 12 fält till 6 fält kommer fler att slutföra köp eftersom kortare formulär minskar friktion.”

Hypotes 3:
”Om vi ändrar CTA från ’Läs mer’ till ’Få gratis demo’ kommer fler att klicka eftersom ’gratis demo’ kommunicerar tydligare värde.”

Varför hypotes är viktigt:

Utan hypotes: Test blir slumpmässiga. ”Låt oss testa röd knapp för att det kanske fungerar?”

Med hypotes: Test är målinriktade baserade på analys. ”Analysen visar att folk inte ser knappen. Röd färg stickerut mer från bakgrunden, därför bör fler se och klicka.”

Hypotes baseras på:

  • Konverteringsanalys (kvantitativ + kvalitativ data)
  • Identifierade problem
  • Best practices i branschen
  • Konkurrentjämförelse

Steg 2: Definiera test

Vad testas:

Element att testa:

  • Rubrik
  • Värdeproposition
  • CTA-text
  • CTA-färg/storlek/placering
  • Bilder
  • Formulärlängd
  • Layout
  • Förtroendemarkörer (recensioner, garantier)
  • Pris-presentation

Var testas: Vilken sida? (Produktsida, landningssida, checkout?)

Primärt mål: Vad mäts? (Add-to-cart rate, checkout completion, klick på CTA?)

Sekundära mål: Andra metrics att övervaka (bounce rate, tid på sida).

Exempeltest:

Test: Lägg till kundrecensioner på produktsidor

Hypotes: Recensioner bygger förtroende och ökar add-to-cart rate.

Version A: Produktsida utan recensioner (nuvarande)

Version B: Produktsida med Trustpilot-widget (genomsnittligt betyg + 5 senaste recensionerna)

Sida: Alla produktsidor

Primärt mål: Add-to-cart rate

Sekundära mål: Tid på produktsida, bounce rate

Steg 3: Skapa varianter

Design och utveckling:

Designa variant: Mockup eller wireframe av förändringen.

Utveckla variant: Koda alternativ version eller använd testing-verktyg (Google Optimize, VWO, Optimizely) för att visuellt ändra element utan kodning.

QA-testa: Säkerställ att variant fungerar tekniskt (inga brutna länkar, responsive, snabb).

Steg 4: Sätt upp test

Verktyg:

Google Optimize (gratis, men fasar ut 2023):

  • Visuell editor
  • Integrerad med Google Analytics

VWO, Optimizely (betalda):

  • Mer avancerade funktioner
  • Dedikerad support

Custom implementation: För utvecklare: Bygg egen split-testning med server-side rendering.

Konfiguration:

Trafik-allokering: Hur mycket trafik till varje variant? Typiskt 50/50.

Målgrupp: Alla besökare eller specifika segment? (Ny vs återkommande, desktop vs mobil)

Testlängd: Hur länge ska testet köra? (Baserat på trafik och målad konfidensgrad)

Tracking: Säkerställ att konverteringar spåras korrekt för båda varianterna.

Steg 5: Kör test

Vänta tills tillräckligt med data:

Minsta krav:

  • Minst 100-200 konverteringar per variant (mer för små effekter)
  • Minst 1-2 veckor (fånga vecko-variationer)
  • Statistisk signifikans nådd (95%+ confidence level)

Undvik att sluta för tidigt:

Misstag: Se att B leder efter 2 dagar och avsluta testet.

Problem: Inte tillräckligt med data. Skillnaden kan vara slump.

Rätt: Vänta tills pre-definierad längd eller minsta antal konverteringar uppnåtts.

Undvik att ”snegla” för ofta:

Misstag: Kolla resultat varje dag och bli orolig om B presterar sämre någon dag.

Problem: Skapar stress och risk att avbryta test för tidigt.

Rätt: Sätt upp automatisk notifiering när signifikans nåtts. Annars kolla max 1-2 gånger/vecka.

Steg 6: Analysera resultat

Statistisk signifikans:

Vad det betyder: Sannolikheten att skillnaden mellan A och B är verklig, inte slump.

Konfidensgrad: Typiskt 95% confidence level (p-value < 0.05).

Tolkning: Om 95% konfidensgrad nåtts finns 5% risk att skillnaden är slump. Acceptabelt för de flesta test.

Exempel:

Version A: 1,000 besökare, 20 konverteringar (2.0%)
Version B: 1,000 besökare, 30 konverteringar (3.0%)

Skillnad: +1 procentenhet (50% relativ förbättring)

Statistisk signifikans: 95% confidence (p = 0.04)

Tolkning: B presterar signifikant bättre. Implementera B.

Verktyg för signifikans:

  • Google Optimize visar automatiskt
  • Online A/B-test kalkylatorer (t.ex. Evan Miller’s calculator)

Utvärdera sekundära mål:

Scenario: B ökar add-to-cart rate med 20% (bra!) men ökar också bounce rate med 30% (dåligt).

Analys: Kanske lockar B fel målgrupp? Eller skapar förvirring?

Beslut: Undersök vidare innan implementering.

Steg 7: Implementera eller iterera

Om B vinner:

  • Implementera B permanent
  • Dokumentera resultat
  • Planera nästa test (fortsätt optimera)

Om A vinner (ingen förbättring):

  • Behåll A
  • Analysera varför B inte fungerade
  • Formulera ny hypotes och testa igen

Om resultatet är inkonklusivt (ingen signifikans):

  • Antingen för lite data (kör längre)
  • Eller förändringen har ingen påverkan (testa något annat)

Vanliga testscenarier

Testa CTA (call-to-action)

Vad testas:

  • Text (”Köp nu” vs ”Lägg i varukorg” vs ”Beställ”)
  • Färg (grön vs röd vs orange)
  • Storlek (stor vs medium)
  • Placering (ovanför fold vs nedanför)

Hypotes-exempel: ”Knappen märks inte tillräckligt. Större storlek + kontrasterande färg ökar klick.”

Testa rubrik/värdeproposition

Vad testas:

  • Olika formuleringar av värde
  • Längd (kort vs lång)
  • Fokus (features vs benefits)

Hypotes-exempel: ”Nuvarande rubrik fokuserar på features. Rubrik om benefits resonerar mer emotionellt och ökar konvertering.”

Testa bilder

Vad testas:

  • Produkt-foto vs lifestyle-bild
  • Människor vs ingen människa
  • Olika produktvinklar

Hypotes-exempel: ”Lifestyle-bild hjälper användare visualisera sig själva med produkten, ökar köplust.”

Testa förtroendemarkörer

Vad testas:

  • Lägg till recensioner (ja/nej)
  • Lägg till garantier (ja/nej)
  • Lägg till säkerhetsmarkörer (ja/nej)

Hypotes-exempel: ”Recensioner bygger förtroende hos nya besökare och minskar tveksamhet att köpa.”

Testa formulär

Vad testas:

  • Antal fält (långt vs kort)
  • Layout (single-column vs multi-column)
  • Labels (ovanför vs bredvid fält)
  • Progress bar (ja/nej)

Hypotes-exempel: ”Kortare formulär (6 fält istället för 12) minskar friktion och ökar completion rate.”

Testa prissättning

Vad testas:

  • Hur pris presenteras (månadskostnad vs årskostnad)
  • Decimal vs heltal (9.99 vs 10)
  • Rabatt-framställning (20% rabatt vs ”Spara 200 kr”)

Hypotes-exempel: ”Månadspris ser billigare ut än årspris och ökar signup rate.”

Testa checkout-flöde

Vad testas:

  • Single-page checkout vs multi-step
  • Guest checkout vs tvingande kontoregistrering
  • Fraktkostnad synlig tidigt vs sent

Hypotes-exempel: ”Guest checkout minskar friktion för nya kunder och ökar completion rate.”

Vanliga misstag i testning

Misstag 1: Testa för många saker samtidigt

Problem: Ändra rubrik, CTA-färg och lägg till recensioner i samma test.

Resultat: Om B vinner, vad orsakade förändringen? Rubriken? Färgen? Recensionerna? Omöjligt att veta.

Lösning: Testa EN sak åt gången (eller använd MVT om tillräckligt med trafik).

Misstag 2: Sluta för tidigt

Problem: Avsluta test efter 2 dagar för att B leder med 5%.

Resultat: Inte statistiskt signifikant. Skillnaden kan vara slump.

Lösning: Vänta tills minsta antal konverteringar (100-200 per variant) och signifikans nåtts.

Misstag 3: Ignorera säsongsvariation

Problem: Köra test över helg eller under kampanj-period (Black Friday).

Resultat: Data skevs av atypiskt beteende.

Lösning: Kör test över minst en hel vecka (fånga både vardag och helg). Undvik att starta test under kampanjer.

Misstag 4: Fel målgrupp

Problem: Testa nytt checkout-flöde men bara för desktop-användare.

Resultat: Ingen insikt om mobil (där majoriteten av trafik kan vara).

Lösning: Inkludera all relevant trafik eller gör separata test per segment (desktop vs mobil).

Misstag 5: Ingen uppföljning

Problem: B vinner, implementeras, sedan glöms bort.

Resultat: Ingen lär sig vad som fungerade eller applicerar insikter på andra delar av sajten.

Lösning: Dokumentera varje test. Dela insikter med team. Bygg kunskapsbas.

Arbetsgång för kontinuerlig testning

Från befintligt innehåll och utvidgat:

Steg 1: Skapa plan för tester

Baserat på konverteringsanalys:

  • Identifiera top 5-10 problem
  • Prioritera baserat på impact

Skapa test-backlog: Ordnad lista med test att genomföra.

Exempel:

Q1-plan:

  1. Test: Lägg till recensioner på produktsidor
  2. Test: Förkorta checkout-formulär
  3. Test: Ny rubrik på landningssida
  4. Test: Guest checkout vs tvingande konto

Steg 2: Definiera varje test

För varje test i planen:

Hypotes: Vad förväntas hända och varför?

Variant: Vad ändras exakt?

Målmetric: Vad mäts (primärt + sekundärt)?

Framgångskriterium: Vad räknas som framgång? (t.ex. minst 10% förbättring med 95% confidence)

Steg 3: Förslag på utformning

Designa varianter:

Involvera team:

  • Designer skapar mockups
  • Copywriter skriver alternativ text
  • Utvecklare bedömer teknisk feasibility

Skapa flera alternativ: Om osäkerhet finns, skapa 2-3 varianter att testa (A/B/C-test).

Steg 4: Uppsättning av test

Teknisk implementation:

Verktyg: Google Optimize, VWO, Optimizely eller custom kod.

Konfiguration:

  • Trafik-split (typiskt 50/50)
  • Targeting (alla eller specifik målgrupp)
  • Tracking av konverteringsmål

QA: Testa att båda versionerna fungerar tekniskt.

Steg 5: Uppföljning

Under test:

  • Övervaka att tracking fungerar
  • Kolla för tekniska problem
  • Vänta tills signifikans (tvinga inte tidig avslutning)

Efter test:

  • Analysera resultat
  • Dokumentera fynd

Steg 6: Slutsatser inför nästa test

Vad lärdes:

  • Vad fungerade? Varför?
  • Vad fungerade inte? Varför?
  • Kan insikten appliceras på andra sidor?

Planera nästa test:

  • Baserat på resultat, vad är nästa hypotes?
  • Iterera på vinnande variant (kan den förbättras ytterligare?)

Exempel:

Test 1: Lägg till recensioner → +15% add-to-cart (framgång)

Insikt: Förtroende är viktigt för konvertering.

Nästa test: Testa att lägga till garantier också (”30 dagars pengarna tillbaka”) → Hypotes: Ytterligare förtroendebyggande ökar konvertering mer.

Verktyg för konverteringstester

Google Optimize (fasar ut)

Status: Google Optimize upphör sept 2023. Alternativ krävs.

Om fortfarande tillgängligt:

  • Gratis
  • Visuell editor
  • Integration med Google Analytics

VWO (Visual Website Optimizer)

Funktioner:

  • A/B-testning
  • Multivariate testing
  • Heatmaps
  • Session recordings
  • Surveys

Användning: All-in-one CRO-plattform.

Kostnad: Från ~$200/månad.

Optimizely

Funktioner:

  • A/B-testning
  • Personalisering
  • Feature flags (för utvecklare)

Användning: Enterprise-fokus, stora företag.

Kostnad: Från ~$1,000/månad.

AB Tasty

Funktioner:

  • A/B-testning
  • Personalisering
  • AI-driven optimering

Användning: Medel till stora företag.

Convert.com

Funktioner:

  • A/B-testning med fokus på privacy (GDPR-compliant)
  • Inget third-party tracking

Användning: Europa-fokuserade företag.

Custom implementation

För utvecklare: Bygg egen testning med server-side rendering.

Fördel: Full kontroll, ingen tredjepartsverktyg.

Nackdel: Kräver utvecklingsresurser.

Från test till kontinuerlig förbättring

Konverteringstester är inte engångsprojekt. Det är löpande process.

Cykel:

1. Analysera → Identifiera problem

2. Hypotes → Formulera vad som kan förbättra

3. Testa → Validera hypotes

4. Implementera → Rulla ut vinnare

5. Lär → Dokumentera insikter

6. Iterera → Nästa test

Upprepa kontinuerligt.

Kontakta oss för konverteringstester

Carnaby hjälper företag sätta upp och genomföra systematiska A/B-tester – från hypotesformulering till statistisk analys till implementation av vinnande varianter.

Kontakta oss →

Kontakta oss