---
title: "Ergebnisse analysieren: CheckoutOS-Doku | Chargezen"
description: "A/B-Testdaten interpretieren und Entscheidungen treffen. Aus dem Bereich „A/B-Tests“ der Doku zu Chargezen CheckoutOS."
url: "https://chargezen.com/de/docs/checkoutos/ab-testing/results"
lang: "de"
updated: "2025-01-16"
---

Canonical URL: https://chargezen.com/de/docs/checkoutos/ab-testing/results

# Ergebnisse analysieren

A/B-Testdaten interpretieren und Entscheidungen treffen

Zuletzt aktualisiert: 2025-01-16

Die **Ergebnisanalyse** zeigt, ob dein Experiment aussagekräftige Erkenntnisse geliefert hat. CheckoutOS bietet umfassende Analysen, um das Geschehen zu verstehen und fundiert zu entscheiden.

## Ergebnis-Dashboard

Das Ergebnis-Dashboard zeigt:

*   **Leistungsübersicht** – Kennzahlen jeder Variante
*   **Statistische Signifikanz** – Sicherheit der Ergebnisse
*   **Verbesserung berechnen** – Wie viel besser oder schlechter die Variante abschnitt
*   **Stichprobengrößen** – Traffic jeder Variante
*   **Trendgrafiken** – Leistung im Zeitverlauf

## Wichtige Kennzahlen verstehen

Ergebnisübersicht

```json
{
  "experiment_results": {
    "status": "significant",
    "winner": "Variant A",
    "runtime_days": 14,
    "total_visitors": 12500,
    "variants": [
      {
        "name": "Control",
        "visitors": 6250,
        "conversions": 312,
        "conversion_rate": "4.99%",
        "revenue": 28750,
        "aov": 92.15
      },
      {
        "name": "Variant A",
        "visitors": 6250,
        "conversions": 387,
        "conversion_rate": "6.19%",
        "revenue": 35418,
        "aov": 91.52,
        "lift": "+24.0%",
        "p_value": 0.003,
        "confidence": "99.7%"
      }
    ]
  }
}
```

## Statistische Signifikanz

Statistische Signifikanz zeigt, ob der beobachtete Unterschied wahrscheinlich real oder möglicherweise zufällig ist:

#### Signifikanzindikatoren

*   95 % Konfidenz – Übliche Schwelle für einen Gewinner
*   99 % Konfidenz – Hohe Sicherheit, Zufall sehr unwahrscheinlich
*   p-Wert < 0,05 – Auf dem 95-%-Niveau statistisch signifikant
*   Konfidenzintervall – Bereich, in dem der wahre Wert wahrscheinlich liegt

Nicht vorzeitig auf Ergebnisse reagieren

Wiederholtes Nachsehen und Stoppen bei Signifikanz erhöht die Falsch-Positiv-Rate. Lege eine Zielstichprobe fest und halte sie ein.

## Ergebnisse auswerten

### Klarer Gewinner

Bei statistischer Signifikanz und spürbarer Verbesserung:

1.  Gewinner-Variante und zentrale Erkenntnisse dokumentieren
2.  Gewinner für 100 % des Traffics ausrollen
3.  Kennzahlen nach Einführung zur Bestätigung beobachten
4.  Nächstes Experiment planen

### Kein signifikanter Unterschied

Wenn Varianten ähnlich abschneiden:

*   Auch das ist wertvoll: Du weißt, dass die Änderung keinen Unterschied macht
*   Prüfen, ob der Test lange genug lief
*   Die einfachere oder günstigere Option kann vorzuziehen sein
*   Dokumentieren und größere Änderungen testen

### Unerwartete Ergebnisse

Wenn die Variante schlechter als erwartet abschneidet:

*   Negative Ergebnisse nicht abtun: Sie sind wertvoll
*   Untersuchen, warum es nicht funktioniert hat
*   Implementierungsfehler prüfen
*   Prüfen, ob die richtige Zielgruppe getestet wurde

## Segmentanalyse

Teile Ergebnisse nach Kundensegmenten auf, um verborgene Erkenntnisse zu finden:

Segmentaufteilung

```json
{
  "segment_analysis": {
    "by_device": {
      "mobile": { "control": "4.2%", "variant": "6.8%", "lift": "+62%" },
      "desktop": { "control": "5.5%", "variant": "5.4%", "lift": "-2%" }
    },
    "by_customer_type": {
      "new": { "control": "3.1%", "variant": "5.2%", "lift": "+68%" },
      "returning": { "control": "7.8%", "variant": "7.4%", "lift": "-5%" }
    },
    "by_cart_value": {
      "under_50": { "control": "5.1%", "variant": "6.2%", "lift": "+22%" },
      "50_to_100": { "control": "4.9%", "variant": "6.1%", "lift": "+24%" },
      "over_100": { "control": "4.8%", "variant": "6.3%", "lift": "+31%" }
    }
  }
}
```

Erkenntnisse nach Segment

Manchmal verbirgt ein Gesamtergebnis ohne Gewinner einen großen Erfolg in einem Segment. Mobile Nutzer können eine Änderung lieben, die Desktop-Nutzer ablehnen. Segmentanalysen zeigen solche Chancen.

## Ergebnisse exportieren

Exportiere Experimentdaten für weitere Analysen:

#### Exportoptionen

*   CSV-Export – Rohdaten für Tabellenkalkulationen
*   PDF-Bericht – Teilbare Zusammenfassung
*   API-Zugriff – Daten programmgesteuert abrufen
*   Analyse-Integration – An Google Analytics, Mixpanel und andere senden

## Experimente abschließen

1

#### Signifikanz prüfen

Stelle sicher, dass statistische Signifikanz erreicht wurde.

2

#### Erkenntnisse dokumentieren

Halte Hypothese, Ergebnisse und Erkenntnisse fest.

3

#### Gewinner bestimmen

Wähle einen Gewinner oder erkläre das Ergebnis für nicht eindeutig.

4

#### Ausrollen

Wende die Gewinner-Variante auf 100 % des Traffics an.

5

#### Beobachten

Prüfe nach Einführung, ob die Verbesserung bestehen bleibt.

## Bewährte Vorgehensweisen

Analysetipps

*   **Signifikanz abwarten** – Gewinner nicht zu früh bestimmen
*   **Mehrere Kennzahlen ansehen** – Conversion ist nicht alles
*   **Segmente prüfen** – Gesamtergebnisse können Unterschiede verdecken
*   **Geschäftswirkung beachten** – Kleine Verbesserung bei viel Traffic bedeutet großen Wert
*   **Alles dokumentieren** – Eine Wissensbasis für Experimente aufbauen

## Verwandte Themen

[

### Analyse-Dashboard

Gesamtleistung von CheckoutOS verfolgen

Mehr erfahren



](https://chargezen.com/de/docs/checkoutos/analytics/dashboard)[

### Experimente erstellen

Deinen nächsten A/B-Test einrichten

Mehr erfahren



](https://chargezen.com/de/docs/checkoutos/ab-testing/creating)

War diese Seite hilfreich?

Brauchst du mehr Hilfe? [Support kontaktieren](https://chargezen.com/de/docs/checkoutos/troubleshooting/support)