A/B-test är den vanligaste metoden 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. Den här guiden går igenom hur ett A/B-test går till, hur du vet när resultatet är att lita på, och de vanligaste misstagen som gör att företag drar fel slutsats.
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.
Poängen med slumpningen är att de två grupperna blir jämförbara. Skiljer sig utfallet åt beror det på förändringen du gjorde, inte på 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. 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 den enskilt vanligaste orsaken 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 säker du vill vara på resultatet (signifikansnivån) och hur ofta du accepterar att missa en verklig effekt (den statistiska styrkan). En vanlig utgångspunkt är 95 procents signifikansnivå och 80 procents styrka.
Tumregeln är enkel: 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.
När är resultatet statistiskt säkerställt?
Ett resultat är statistiskt säkerställt när skillnaden mellan versionerna är så stor att den sannolikt inte beror på slumpen. I praktiken uttrycks det som ett p-värde: vid signifikansnivån 95 procent kräver du ett p-värde under 0,05, alltså mindre än fem procents risk att skillnaden är en tillfällighet. Ett säkerställt resultat säger däremot inget om hur stor effekten är i kronor, bara att den troligen är verklig.
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. Ser den lovande ut ökar du andelen stegvis. 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. Formulera en hypotes, bestäm mått och tidslängd i förväg, låt testet löpa klart och kontrollera signifikansen innan du bestämmer dig. A/B-testning är inte magi, det är ett disciplinerat sätt att låta besökarna själva visa vad som fungerar. Verktyg för att sätta upp testerna finns i flera prisklasser, från VWO och AB Tasty till Optimizely. Jämför funktioner och aktuella priser på respektive leverantörs egen sida innan du väljer.
Senast faktagranskad: 17 juli 2026