A/B-test är en av de vanligaste metoderna för att förbättra en webbplats med data i stället för tyckande. Du visar en version av en sida för en del av besökarna och en annan version för resten, och låter beteendet avgöra vilken som fungerar bäst.
Vad är ett A/B-test?
Ett A/B-test jämför två versioner av samma sida eller element. Version A är originalet, ofta kallat kontroll, och version B är utmanaren med en förändring du tror kan öka konverteringen. Besökarna slumpas mellan versionerna, och du mäter hur stor andel i varje grupp som utför den önskade handlingen, till exempel ett köp, en registrering eller en nedladdning.
Slumpningen gör de två grupperna jämförbara. Skiljer sig utfallet tydligt åt, gör slumpningen att du kan utesluta att den ena gruppen råkade bestå av mer köpbenägna besökare. Det är skillnaden mot att bara byta ut en sida och jämföra före och efter, där säsong, kampanjer och trafikkällor grumlar bilden.
Så planerar du testet
Ett bra test börjar med en tydlig hypotes. Formulera vad du ändrar, varför du tror att det hjälper och vilket mått du följer. Ett exempel: om vi flyttar upp fri frakt till rubriken ökar andelen som lägger en vara i varukorgen, eftersom fraktkostnad är ett vanligt skäl till avhopp.
Bestäm sedan i förväg hur länge testet ska köra och hur mycket trafik det behöver. Testa helst en tydlig förändring i taget, så att du vet vad som orsakade utfallet. Behöver du ändå pröva flera element parallellt, till exempel för att se om två av dem påverkar varandra, visar jämförelsen av A/B-test och multivariattest vilket upplägg som passar och vad det kostar i trafik. Låt testet löpa över hela affärscykler, oftast minst en till två hela veckor, så att skillnader mellan vardag och helg jämnas ut. Att avsluta ett test för tidigt är en av de vanligaste orsakerna till felaktiga slutsatser.
Hur stor urvalsstorlek behöver du?
Hur många besökare testet kräver beror på fyra saker: din nuvarande konverteringsgrad, hur liten skillnad du vill kunna upptäcka, hur stor risk för falskt larm du accepterar (signifikansnivån) och hur stor chans du vill ha att upptäcka en verklig effekt (den statistiska styrkan). En vanlig utgångspunkt är 5 procents signifikansnivå, alltså 95 procents konfidensgrad, och 80 procents styrka.
Ju lägre baskonvertering och ju mindre effekt du vill fånga, desto mer trafik krävs. Sajter med lite trafik bör därför satsa på förändringar som kan ge stora skillnader, eftersom små justeringar aldrig hinner bli statistiskt säkerställda innan intresset tar slut. Ett konkret räkneexempel på hur snabbt kravet växer, med typ 1- och typ 2-fel förklarade i detalj, finns i guiden om statistisk signifikans.
När är resultatet statistiskt säkerställt?
Ett resultat är statistiskt säkerställt när skillnaden mellan versionerna är så stor att den vore osannolik om de egentligen var likvärdiga. I praktiken uttrycks det som ett p-värde: vid signifikansnivån 5 procent kräver du ett p-värde under 0,05. Ett säkerställt resultat säger däremot inget om hur stor effekten är i kronor, bara att data stämmer dåligt med att versionerna är likvärdiga.
För att räkna ut om din skillnad är säkerställd har vi byggt ett gratis verktyg. Mata in antal besökare och antal konverteringar för A och B, så får du konverteringsgrad, uplift och besked om skillnaden är signifikant på 95 procents nivå. Allt räknas ut i din webbläsare och inga siffror sparas.
Testa skillnaden i vår A/B-testkalkylator
Rätt testmetod och en riktig hypotes
Skilj på idé och hypotes. Idén är vad du ändrar, till exempel att flytta upp fri frakt. Hypotesen är varför du tror att det hjälper och vad du förväntar dig ska hända. En formulerad hypotes gör att du lär dig något oavsett om testet vinner eller faller, i stället för att bara byta saker på måfå.
Vilken statistisk metod som passar beror på vad du mäter. Mäter du en andel, som hur stor del av besökarna som köper, jämför du två proportioner, vilket vår kalkylator gör med ett z-test. Mäter du i stället ett kontinuerligt värde, som genomsnittligt ordervärde i kronor, passar ett t-test bättre, eftersom spridningen i beloppen då vägs in. Att jämföra medelvärden med ett verktyg byggt för andelar ger missvisande resultat.
Är du rädd att en sämre variant ska kosta intäkter kan du börja försiktigt och skicka bara en liten andel av trafiken till utmanaren. Ökar du sedan andelen stegvis, gör det enligt en plan du bestämt i förväg och inte på grund av ett tidigt resultat. Räkna bara på data från perioden med den slutliga fördelningen. Då begränsar du risken samtidigt som du samlar data.
Vanliga misstag
- Att tjuvkika och stoppa testet så snart det ser signifikant ut. Ju oftare du kikar och avbryter tidigt, desto större är risken för falska positiva.
- Att köra testet för kort tid, så att veckodagsvariation snedvrider resultatet.
- Att dra slutsatser av för få konverteringar, oavsett hur stor den synliga skillnaden ser ut.
- Att ändra flera saker samtidigt utan en metod som håller isär deras effekter, så att du inte vet vad som fungerade.
- Att bara mäta klick i stället för hela vägen fram till intäkt, och missa att en variant med fler klick kan ge färre köp.
Kom igång
Börja där du har mest trafik och mest att vinna, ofta kassan eller en viktig landningssida. Ligger kassan hos en extern leverantör, avgör ditt val av leverantör vad som över huvud taget går att variera. Jämförelsen av kassalösningarna visar vad Kustom Checkout, Svea och Klarna låter butiken ändra. Formulera en hypotes, bestäm mått och tidslängd i förväg, låt testet löpa klart och kontrollera signifikansen innan du bestämmer dig. Verktyg för att sätta upp testerna finns bland annat från VWO, AB Tasty och Optimizely. Varken VWO eller AB Tasty visar något belopp på sina prissidor. VWO och AB Tasty kom i januari 2026 överens om att gå samman. Jämförelsen VWO mot AB Tasty visar hur olika de två räknar fram ett resultat. Begär offert från de leverantörer du överväger och pröva funktionerna mot dina egna krav innan du väljer.
Senast faktagranskad: 15 oktober 2026