‘De groene variant leverde 30 procent meer aanvragen op’ – zulke zinnen horen we vaak, en net zo vaak blijkt dat de test na drie dagen met een handvol conversies werd beëindigd. Bij een A/B-test worden twee of meer varianten tegelijk aan willekeurig verdeelde groepen getoond, om te meten welke een vooraf vastgelegd doel beter bereikt; zeggingskracht krijgt hij pas met een duidelijke hypothese en voldoende data. Zonder die twee meet hij toeval.
Deze gids laat zien hoe je A/B-tests plant, uitvoert en analyseert – op de website en in Google Ads. Hij legt uit welke tools Google Ads voor tests biedt, hoe je websitetests uitvoert zonder nadelen in Google Zoeken en op welke fouten de meeste tests stuklopen.
Een goede A/B-test begint met een hypothese (‘Als we X veranderen, stijgt Y, omdat Z’), één enkele hoofdmaatstaf en een vooraf genomen besluit over wanneer de test eindigt. Op de website eist Google: geen cloaking, rel=canonical van variant-URL's naar het origineel, 302- in plaats van 301-redirects en een looptijd die niet langer is dan nodig. Google Optimize is sinds 30 september 2023 stopgezet. In Google Ads zijn er twee testtools: experimenten op campagneniveau voor zoek-, display-, video- en hotelcampagnes, met de optie om alleen bij statistische significantie een winnaar aan te wijzen, en advertentievariaties voor tekstwijzigingen in responsieve zoekadvertenties. De analyse loopt over volle weken, met conversies in plaats van klikken als maatstaf.
Wat kan een A/B-test wel – en wat niet?
Een A/B-test beantwoordt precies één vraag: bereikt variant B het vastgelegde doel onder dezelfde omstandigheden beter dan variant A?
Een A/B-test (ook splittest) is een gecontroleerd experiment waarbij bezoekers of zoekopdrachten willekeurig worden verdeeld over een controlevariant (A) en een of meer testvarianten (B, C …). Omdat alle varianten tegelijk lopen, kun je verschillen in het resultaat toeschrijven aan de geteste wijziging in plaats van aan externe invloeden zoals seizoen of concurrentie.
Daarin zit precies het voordeel ten opzichte van een voor-en-navergelijking. Pas je een pagina aan en vergelijk je de maand ervoor met de maand erna, dan vermengt het effect van je wijziging zich met seizoen, weer, acties van concurrenten en budgetwijzigingen. Een A/B-test scheidt die invloeden, omdat beide varianten aan dezelfde omstandigheden blootstaan.
Wat een A/B-test niet kan: hij vertelt je niet waarom een variant wint. Hij zegt ook niets over varianten die je niet hebt getest. En hij heeft volume nodig – op pagina's met zeer weinig conversies is een klassieke A/B-test vaak niet binnen een redelijke termijn te analyseren. Dan zijn kwalitatieve methoden zoals gebruikersenquêtes of sessieanalyses de betere eerste stap.
Een test goed plannen
Het belangrijkste deel van een A/B-test gebeurt voordat de eerste variant live gaat: hypothese, maatstaf en stopcriterium.
In onze praktijk heeft een testplan met vijf punten zich bewezen:
- Hypothese formuleren: ‘Als we het aanbod van de advertentie in de hoofdkop terug laten komen, stijgt het aantal aanvragen, omdat bezoekers direct zien dat ze op de juiste plek zijn.’ Een hypothese heeft altijd een wijziging, een verwacht effect en een onderbouwing.
- Eén hoofdmaatstaf vastleggen: aanvragen, aankopen of omzet – niet klikken op een knop als het eigenlijk om aanvragen gaat. Andere KPI's volg je wel, maar je beslist er niet op.
- Maar één ding wijzigen: verander je kop, afbeelding en formulier tegelijk, dan weet je achteraf niet wat werkte. Google adviseert ook bij advertentievariaties om het aantal geteste elementen te beperken.
- Looptijd en datavolume vooraf bepalen: schat aan de hand van je bestaande conversieaantallen hoe lang de test moet lopen. Leg het einde vooraf vast, in plaats van de test te stoppen zodra een variant voorligt.
- Documenteren: hypothese, varianten, periode, resultaat en besluit vastleggen – ook bij tests zonder duidelijke winnaar. Zo voorkom je dat hetzelfde idee over een jaar opnieuw wordt getest.
A/B-tests op de website
Voor tests op landingspagina's en andere pagina's heb je een testtool nodig die bezoekers over varianten verdeelt, en een meting die conversies per variant vastlegt.
Eén punt is daarbij fundamenteel veranderd: Google Optimize, lang de gratis standaardtool, is volgens Google sinds 30 september 2023 niet meer beschikbaar; lopende tests werden op die datum beëindigd. Voor websitetests heb je sindsdien een andere testtool nodig. De analyse van de conversies kan nog steeds via Google Analytics 4 verlopen, als de testtool de variant per bezoeker aan Analytics doorgeeft.
Op websites lonen tests vooral op de plekken die de beslissing bepalen:
- Kernboodschap en aanbod: wat staat er in de kop, welk voordeel wordt als eerste genoemd?
- Call-to-action: tekst, positie en aantal knoppen.
- Formulier: aantal en volgorde van de velden, toelichting op het vervolg.
- Vertrouwenselementen: positie en soort referenties of reviews.
Hoe je organische landingspagina's in het algemeen op conversies richt, beschrijft ons artikel Conversieoptimalisatie ontmoet SEO; voor bestemmingspagina's van betaalde campagnes is er een aparte gids: Landingspagina's voor Google Ads optimaliseren. Ondersteuning bij de uitvoering biedt onze on-page optimalisatie.
Websitetests zonder SEO-risico
Pagina's die in Google Zoeken ranken, kun je zonder gevaar testen als je de aanwijzingen uit de documentatie van Google over websitetests volgt. De vier kernregels in het kort:
- Geen cloaking: Googlebot mag geen andere content zien dan mensen.
- rel=canonical: varianten onder eigen URL's verwijzen via canonical naar de originele URL.
- 302 in plaats van 301: doorverwijzingen naar varianten zijn tijdelijk.
- Niet langer dan nodig: na de test alle testelementen verwijderen.
De regels in detail, inclusief de vraag waarom Google bij testvarianten canonical in plaats van noindex aanbeveelt, leggen we uit in het onderdeel over A/B-tests van ons artikel Conversieoptimalisatie ontmoet SEO.
Hoe werken A/B-tests in Google Ads?
Google Ads heeft twee eigen testtools, die verschillen in doel en omvang: experimenten op campagneniveau en advertentievariaties voor advertentieteksten.
| Criterium | Experimenten op campagneniveau | Advertentievariaties voor advertentieteksten |
|---|---|---|
| Doel | Meerdere wijzigingen aan een campagne tegen het origineel testen | Eén tekstwijziging over veel campagnes heen testen |
| Typische tests | Biedstrategie, zoekwoorden, bestemmingspagina, campagne-instellingen | Koppen, beschrijvingen, URL's in responsieve zoekadvertenties |
| Campagnetypen | Zoek-, display-, video- en hotelcampagnes | Responsieve zoekadvertenties |
| Verdeling | Zoeken: op basis van cookies of zoekopdrachten; Display: altijd op basis van cookies | Op basis van cookies – een gebruiker ziet maar één versie |
| Overname | Wijzigingen in het origineel overnemen of als nieuwe campagne voortzetten | Winnende variant overnemen |
Experimenten op campagneniveau
Met experimenten vergelijk je volgens Google een testversie met je oorspronkelijke campagne gedurende een vastgelegde periode. Beide delen het verkeer en het budget van de oorspronkelijke campagne. Ze zijn beschikbaar voor zoek-, display-, video- en hotelcampagnes. In zoekcampagnes kies je tussen een verdeling op basis van cookies of op basis van zoekopdrachten; bij display wordt altijd op basis van cookies verdeeld. Voor het bepalen van de winnaar kun je vastleggen of statistische significantie vereist is of dat richtinggevende resultaten volstaan. Wint de testversie, dan kun je de wijzigingen automatisch in de oorspronkelijke campagne overnemen of als nieuwe campagne voortzetten.
Advertentievariaties voor advertentieteksten
Advertentievariaties zijn volgens Google geschikt als je een wijziging over veel campagnes heen wilt testen – bijvoorbeeld ‘Nu boeken’ in plaats van ‘Nu bellen’ in alle responsieve zoekadvertenties. Voor tests van advertentieteksten in zoekcampagnes beveelt Google uitdrukkelijk deze tool aan. De verdeling verloopt via cookies, zodat een gebruiker maar één versie ziet, hoe vaak hij ook zoekt. Google adviseert het aantal geteste elementen te beperken en varianten zo vergelijkbaar te houden dat je van de verschillen kunt leren.
Ook andere advertentieplatforms bieden inmiddels experimenten voor geautomatiseerde campagnetypen. Hoe Microsoft Advertising experimenten voor Performance Max uitvoert en wat dat voor tests betekent, beschrijft ons artikel over Microsoft PMax-experimenten. Bij de uitvoering in je campagnes ondersteunt ons Google Ads-beheer je.
Resultaten goed analyseren
Een testresultaat is pas een basis voor een beslissing als het verschil niet door toeval te verklaren is en op de juiste maatstaf berust.
In onze praktijk zijn vier regels doorslaggevend:
- Niet te vroeg stoppen: in de eerste dagen schommelen resultaten sterk. Wie de test beëindigt zodra een variant voorligt, roept vaak een toevalstreffer uit tot winnaar.
- Volle weken afwachten: gebruikersgedrag verschilt tussen weekdagen en weekend. Tests moeten daarom hele weken omvatten.
- Op significantie letten: statistische significantie beschrijft hoe onwaarschijnlijk het is dat een waargenomen verschil puur toevallig is ontstaan. In Google Ads-experimenten kun je vastleggen dat een winnaar alleen bij statistische significantie wordt aangewezen.
- Conversies in plaats van klikken: een advertentie met een hogere klikfrequentie maar minder aanvragen is geen winnaar. Google wijst er bij responsieve zoekadvertenties bovendien op dat statistieken op advertentieniveau niet het volledige beeld geven, en adviseert te letten op extra vertoningen, klikken en conversies op advertentiegroep- en campagneniveau.
Hoe je testresultaten eerlijk communiceert – ook als een test geen winnaar oplevert –, beschrijft ons artikel Eerlijke PPC-rapportage. Een test zonder winnaar is geen mislukking: hij laat zien dat de geteste wijziging geen meetbaar verschil maakt, en bespaart je een implementatie die niets had opgeleverd.
Een test van hypothese tot beslissing
Hoe de afzonderlijke stappen samenhangen, laat een typisch verloop uit onze projecten zien – hier als vereenvoudigd voorbeeld zonder concrete cijfers.
Uitgangssituatie: een installatiebedrijf adverteert in Google Ads met ‘Gratis inspectie aan huis’. De landingspagina begint echter met een algemene bedrijfspresentatie; het aanbod staat pas verder naar onderen. De pagina krijgt veel klikken, maar relatief weinig aanvragen.
- Hypothese: als de kop het aanbod van de advertentie terug laat komen en de aanvraagknop in het zichtbare deel staat, stijgt het aantal aanvragen, omdat bezoekers direct zien dat ze op de juiste plek zijn.
- Maatstaf: verzonden aanvraagformulieren per bezoeker uit de campagne. Klikken op de knop worden gevolgd, maar zijn niet beslissend.
- Opzet: variant B met nieuwe kop en knop bovenaan, verder identiek. De variant draait onder een eigen URL met canonical naar het origineel; de advertenties blijven ongewijzigd.
- Looptijd: vooraf geschat op basis van de bestaande aanvragen per week en afgerond op volle weken. Tijdens de test worden budget en biedingen niet gewijzigd.
- Beslissing: ligt variant B aan het eind duidelijk en stabiel voor, dan wordt die het nieuwe origineel en wordt de variant-URL verwijderd. Is het verschil niet betrouwbaar, dan blijft het origineel – en richt de volgende hypothese zich op een ander punt, bijvoorbeeld het formulier.
Doorslaggevend aan dit verloop is niet het resultaat, maar dat elke beslissing vóór de start vaststond. Zo kan niemand achteraf de maatstaf wisselen of de test verlengen tot het gewenste resultaat verschijnt.
Typische fouten bij A/B-testen
De meeste mislukte tests stranden niet op de techniek, maar op de planning.
- Zonder hypothese testen: ‘Eens kijken of blauw beter is’ leidt zelden tot inzichten die je naar andere pagina's kunt vertalen.
- Te veel wijzigingen tegelijk: wint de variant, dan blijft onduidelijk welke wijziging werkte.
- Te weinig volume: met weinig conversies per week kun je een klein verschil niet binnen een redelijke termijn aantonen. Test dan grotere, gedurfdere wijzigingen – of pagina's met meer verkeer.
- Tijdens de test ingrijpen: budget, biedingen of doelgroepen wijzigen tijdens een lopend experiment vertekent het resultaat.
- Testelementen vergeten: na websitetests blijven variant-URL's en testscripts vaak online. Google adviseert ze na de test te verwijderen.
Veelgestelde vragen
Wat is een A/B-test?
Bij een A/B-test worden twee of meer varianten van een pagina, advertentie of campagne tegelijk aan willekeurig verdeelde groepen getoond, om te meten welke variant een vooraf vastgelegd doel beter bereikt – bijvoorbeeld meer aanvragen of aankopen.
Schaden A/B-tests op de website mijn posities in Google?
Niet als je de aanwijzingen van Google voor websitetests volgt: geen cloaking, rel=canonical van testvarianten naar de originele URL, 302-redirects in plaats van 301 en een testduur die niet langer is dan nodig. Volgens Google hebben kleine wijzigingen, zoals de kleur of tekst van een knop, vaak weinig of geen invloed op snippet en ranking.
Hoe test ik wijzigingen in Google Ads?
Google Ads biedt daarvoor twee tools: experimenten, die een testversie van een campagne tegen het origineel laten lopen, en advertentievariaties, waarmee je tekstwijzigingen in responsieve zoekadvertenties over veel campagnes heen test. Voor tests van advertentieteksten in zoekcampagnes beveelt Google advertentievariaties aan.
Hoe lang moet een A/B-test lopen?
Zo lang tot er genoeg data zijn voor een betrouwbare uitspraak – en niet langer. In onze praktijk moet een test minimaal volle weken beslaan, zodat schommelingen tussen weekdagen worden uitgevlakt. Google Ads biedt bij experimenten de optie om alleen bij statistische significantie een winnaar aan te wijzen.
Bestaat Google Optimize nog?
Nee. Google Optimize en Optimize 360 zijn volgens Google sinds 30 september 2023 niet meer beschikbaar. Voor websitetests heb je sindsdien een andere testtool nodig; de analyse kan nog steeds via Google Analytics 4 verlopen.
Wat moet ik als eerste testen?
Volgens onze praktijkervaring de elementen met de grootste invloed op de beslissing: aanbod en kernboodschap, call-to-action en formulier. Kleine designdetails leveren zelden meetbare verschillen op, zolang de grote vragen niet zijn beantwoord.
Conclusie: eerst vragen, dan testen
A/B-tests zijn het betrouwbaarste middel om erachter te komen wat er op je website en in je campagnes echt werkt – maar alleen als je ze als experimenten behandelt. Een duidelijke hypothese, één enkele hoofdmaatstaf, voldoende data en een vooraf vastgelegde looptijd onderscheiden een betrouwbare test van een momentopname.
- Eerst de hypothese: wijziging, verwacht effect en onderbouwing vastleggen.
- Eén maatstaf: conversies of omzet, geen klikken.
- Website netjes testen: geen cloaking, canonical, 302, testelementen daarna verwijderen.
- Google Ads-tools gebruiken: experimenten voor campagnewijzigingen, advertentievariaties voor advertentieteksten.
- Geduldig analyseren: volle weken, op significantie letten, ook tests zonder winnaar documenteren.
“Een A/B-test is maar zo goed als de vraag die hij beantwoordt: wie zonder hypothese, zonder vastgelegde maatstaf en zonder voldoende data test, meet toeval – en neemt op die basis blijvende beslissingen.”

Bronnen
Algemene informatie over het plannen en analyseren van A/B-tests. Welk datavolume nodig is voor een betrouwbare uitspraak, hangt af van jouw cijfers. Aanbevelingen die als ‘praktijk’ zijn gemarkeerd, zijn gebaseerd op onze projectervaring, niet op documentatie van Google. Stand van zaken: november 2026.
YellowFrog
Zichtbaarheid is geen toeval.
Laten we samen bekijken hoe je merk zichtbaarder wordt in Google – en in AI-antwoorden. Concreet, meetbaar, zonder buzzword-bingo.
Verder lezen & passende diensten
Gerelateerde artikelen
Passende diensten
