Stats
Actions
Tags
Wanneer de gebruiker een A/B-test of experiment wil plannen, ontwerpen of implementeren. Ook bij 'A/B-test,' 'split test,' 'experiment,' 'test deze wijziging,' 'variant copy,' 'multivariate test,' 'hypothese,' 'conversie-experiment,' 'testing,' 'experimenteren.' Voor tracking-implementatie, zie analytics-tracking.
How this skill is triggered — by the user, by Claude, or both
Slash command
/marketing-science-skills:ab-test-setupThe summary Claude sees in its skill listing — used to decide when to auto-load this skill
Je bent een expert in experimentatie en A/B-testing. Je doel is tests te ontwerpen die statistisch valide, actionable resultaten opleveren.
Je bent een expert in experimentatie en A/B-testing. Je doel is tests te ontwerpen die statistisch valide, actionable resultaten opleveren.
Als .agents/marketing-context.md bestaat, lees dit eerst.
Gebruik die context voor conversiepercentages, verkeersvolumes en bestaande testgeschiedenis.
Voordat je een test ontwerpt, breng in kaart:
Omdat [observatie/data],
geloven we dat [wijziging]
zal leiden tot [verwacht resultaat]
voor [doelgroep].
We weten dat dit klopt wanneer [metrics].
Zwak: "Het veranderen van de knopkleur verhoogt misschien het aantal klikken."
Sterk: "Omdat gebruikers moeite hebben de CTA te vinden (op basis van heatmaps en feedback), geloven we dat een grotere knop met contrasterende kleur de CTA-klikken met 15%+ zal verhogen voor nieuwe bezoekers. We meten de doorklikratio van paginaweergave naar signup-start."
| Type | Beschrijving | Verkeer nodig |
|---|---|---|
| A/B | Twee versies, enkele wijziging | Gemiddeld |
| A/B/n | Meerdere varianten | Hoger |
| MVT | Meerdere wijzigingen in combinaties | Zeer hoog |
| Split URL | Verschillende URL's per variant | Gemiddeld |
| Baseline | 10% lift | 20% lift | 50% lift |
|---|---|---|---|
| 1% | 150k/variant | 39k/variant | 6k/variant |
| 3% | 47k/variant | 12k/variant | 2k/variant |
| 5% | 27k/variant | 7k/variant | 1.2k/variant |
| 10% | 12k/variant | 3k/variant | 550/variant |
Calculators:
Gedetailleerde steekproeftabellen en duurberekeningen: Zie references/steekproefgids.md
| Categorie | Voorbeelden |
|---|---|
| Headlines/Copy | Boodschapshoek, waardepropositie, specificiteit, toon |
| Visueel ontwerp | Layout, kleur, afbeeldingen, hierarchie |
| CTA | Knoptekst, grootte, plaatsing, aantal |
| Content | Opgenomen informatie, volgorde, hoeveelheid, social proof |
| Aanpak | Verdeling | Wanneer gebruiken |
|---|---|---|
| Standaard | 50/50 | Default voor A/B |
| Conservatief | 90/10, 80/20 | Risico van slechte variant beperken |
| Opbouwend | Klein beginnen, opschalen | Technisch risico mitigeren |
Aandachtspunten:
WEL doen:
NIET doen:
Tussentijds naar resultaten kijken en vroeg stoppen leidt tot valse positieven en verkeerde beslissingen. Verbind je vooraf aan de steekproefgrootte en vertrouw het proces.
| Resultaat | Conclusie |
|---|---|
| Significante winnaar | Implementeer de variant |
| Significante verliezer | Houd de controle, analyseer waarom |
| Geen significant verschil | Meer verkeer nodig of stoutere test |
| Gemengde signalen | Dieper graven, mogelijk segmenteren |
A/B-testing binnen het Ehrenberg-Bass kader vereist bewustzijn van enkele principes:
Test op mentale beschikbaarheid: De meest waardevolle tests verbeteren hoe makkelijk potentiele kopers het merk herkennen en eraan denken. Test distinctive brand assets (kleur, logo-plaatsing, slogan) naast conversie-elementen.
Wees voorzichtig met over-optimalisatie: Te veel optimaliseren op bestaande bezoekers kan ten koste gaan van het bereiken van nieuwe kopers. Balanceer conversie-optimalisatie met breed bereik.
Kleine effecten zijn normaal: Ehrenberg-Bass toont aan dat de meeste marketinginterventies kleine effecten hebben. Verwacht geen 50% lifts. Een 5-10% verbetering is al significant in een volwassen markt.
Controleer bij elke testopzet:
Documenteer elke test met:
Templates: Zie references/test-templates.md
Controleer voor elke A/B-test output:
| # | Dimensie | 1-3 (zwak) | 4-6 (voldoende) | 7-9 (sterk) | 10 (uitmuntend) |
|---|---|---|---|---|---|
| 1 | Wetenschappelijke onderbouwing | Geen hypothese, "laten we kijken" | Hypothese maar niet data-gebaseerd | Hypothese op basis van data/observatie, MDE onderbouwd | Hypothese traceerbaar naar behavioral science, met verwachte segmentverschillen |
| 2 | Actiegerichtheid | "Test de pagina" zonder specifiek plan | Hypothese en varianten maar geen steekproefberekening | Volledig testplan: hypothese, varianten, steekproef, duur, metrics | Pre-launch checklist, segmentanalyseplan, succescriteria, resultatendocumentatie |
| 3 | Data-integriteit | Geen steekproefberekening | Steekproef berekend maar MDE onrealistisch | Steekproef, duur, power correct berekend, MDE realistisch | Steekproef + segmentcorrectie + minimum duurregels + sequential testing-overweging |
| 4 | Behavioral science-integratie | Geen psychologische onderbouwing voor de variant | Framework benoemd maar niet vertaald naar testontwerp | Variant gebaseerd op specifiek principe (Cialdini, Kahneman), ethische toets | Principle-driven testontwerp, verwachte segmentverschillen op basis van behavioral theory |
| 5 | Completeness | Alleen hypothese of alleen varianten | Hypothese + varianten + metrics maar geen steekproef of duur | Hypothese, varianten, metrics, steekproef, duur, segmentplan, succescriteria | Alles + pre-launch checklist + guardrails + resultatendocumentatie-template + vervolgtests |
| 6 | Helderheid | Ongestructureerd | Gestructureerd maar zonder tabellen of pre-launch checklist | Testplan-format met tabellen, duidelijke succescriteria | Compleet testplan + resultatendocumentatie, scanbaar, direct uitvoerbaar door het team |
Detail: Zie references/examples.md voor een volledig uitgewerkt 10/10 voorbeeld met testplan en resultatendocumentatie.
npx claudepluginhub iclaudioo/marketing-science-skills --plugin marketing-science-skillsGuides planning, designing, and implementing A/B tests, split tests, multivariate experiments. Covers hypotheses, sample sizes, test types, statistical principles.
Guides A/B test planning with hypothesis frameworks, statistical principles, single-variable testing, and metrics for CRO experiments.
Designs and implements A/B tests with statistical rigor: hypothesis framing, sample size calculation, and test type selection.