Deze calculator is gemaakt door CRO specialist Gijs Wierda en gebruikt Bayesiaanse statistiek om A/B-testresultaten te analyseren. Anders dan traditionele methoden berekent deze aanpak direct de kans dat een variant beter presteert, gebaseerd op de verzamelde data en een neutrale prior . De calculator gebruikt een Beta-Binomiaal model met Monte Carlo simulatie voor nauwkeurige resultaten.
Voor elke variant en elk doel tonen we:
Kleuren geven de statistische en praktische significantie aan: groen bij sterke indicaties van verbetering (>90% ), rood bij risico op verslechtering (< 10%) .
De kans op verbetering is de berekende waarschijnlijkheid (posterior probability) dat een variant beter presteert dan het origineel. Een kans van 50% suggereert geen verschil. Een hoge kans (>90%) geeft een sterke indicatie van verbetering, maar beslissingen over implementatie moeten ook de grootte van het effect (uplift) en business context meewegen.
De calculator gebruikt een Bayesiaans Beta-Binomiaal model met niet-informatieve priors . Voor elke vergelijking worden 100.000 Monte Carlo simulaties uitgevoerd om de posterior distributies te berekenen. Dit geeft nauwkeurige resultaten voor zowel kleine als grote steekproeven. Let op: correlaties tussen verschillende doelen worden niet meegenomen in de berekeningen.
Bij het testen van meerdere varianten of doelen neemt de complexiteit van de analyse toe. Met meer varianten wordt de onzekerheid in de posterior verdelingen groter bij hetzelfde aantal bezoekers per variant. Dit betekent dat je mogelijk meer data nodig hebt om tot dezelfde mate van zekerheid te komen over de effecten. Overweeg bij veel varianten een getrapte testopzet , waarbij je eerst de meest veelbelovende varianten identificeert.
Bij elk resultaat tonen we een 95% credible interval voor de uplift. Dit interval geeft aan waar de werkelijke uplift zich met 95% waarschijnlijkheid bevindt. Bijvoorbeeld, een interval van -2% tot +8% betekent dat we met 95% zekerheid kunnen zeggen dat de werkelijke uplift tussen deze waarden ligt. Hoe smaller het interval , hoe preciezer onze schatting. Hover over de uplift om het interval te zien.
Het benodigde aantal conversies in een Bayesiaanse analyse hangt af van verschillende factoren:
De steekproefgrootte bepaalt hoe nauw je credible intervals zullen zijn. Hoe meer data, hoe meer de posterior verdeling gedomineerd wordt door de data in plaats van de prior. Voor praktische doeleinden kun je simulaties uitvoeren met verschillende steekproefgroottes om te zien wanneer je de gewenste precisie in je posterior bereikt. Voor veel business cases wil je credible intervals die nauw genoeg zijn om betekenisvolle business beslissingen te kunnen nemen.
De business case berekening toont de verwachte omzetimpact van elke variant over 6 of 12 maanden. Deze berekening:
Bij meerdere doelen kun je zelf kiezen welk doel wordt gebruikt voor de omzetberekening. Kies hiervoor het doel dat de daadwerkelijke transacties meet.
Voor elke variant wordt een verwachte omzetrange getoond (hover over het bedrag). Deze range geeft met 95% aan waar de werkelijke omzetimpact zal liggen. Een smallere range duidt op een betrouwbaardere voorspelling.
Hulp nodig met conversie-optimalisatie? Ik help ambitieuze bedrijven al 16 jaar om meer omzet en winst te halen dankzij CRO. En om de concurrentie een stap voor te blijven.