A\/B-Tests gelten als der rationale Weg, um Produktentscheidungen zu treffen: Man bringt zwei Varianten auf den Markt, misst, welche besser abschneidet, und beh\u00e4lt die erfolgreichere Variante bei. Das klingt nach Wissenschaft. Ist es aber oft nicht.<\/p>\n
Die meisten A\/B-Tests in unserer Gr\u00f6\u00dfenordnung weisen eine zu geringe statistische Aussagekraft auf, um aussagekr\u00e4ftig zu sein. Tests, die sind<\/em> die so lange laufen, dass sich in der Zwischenzeit etwas anderes in der App oder in der Au\u00dfenwelt ver\u00e4ndert und das Ergebnis verf\u00e4lscht. Und die Kennzahl, die man misst, ist fast nie die Kennzahl, die einem tats\u00e4chlich wichtig ist \u2013 man optimiert f\u00fcr Klicks, weil Klicks z\u00e4hlbar sind, und das, was einem eigentlich am Herzen liegt (Vertrauen, Kundenbindung, Geschmack), driftet in eine Richtung ab, die man nie gemessen hat.<\/p>\n Wir entwerfen zwei Varianten, w\u00e4hlen diejenige aus, die das Wesen der App am besten widerspiegelt, bringen sie selbstbewusst auf den Markt und h\u00f6ren aufmerksam darauf, was uns die Bewertungen und Support-Anfragen der n\u00e4chsten sechs Wochen verraten. Wir sind bereit, uns manchmal zu irren, wenn wir daf\u00fcr nicht st\u00e4ndig statistische Gewissheit haben m\u00fcssen.<\/p>\n In gewisser Hinsicht ist es langsamer, in jeder anderen Hinsicht aber schneller.<\/p>","protected":false},"excerpt":{"rendered":" Eine umstrittene Haltung zu einer beliebten Praxis \u2013 ehrlich und fair erkl\u00e4rt.<\/p>","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-578","post","type-post","status-publish","format-standard","hentry","category-journal"],"yoast_head":"\nWas wir stattdessen tun<\/h2>\n