Conversie · A/B-testing · 8 min lezen

A/B-testing voor MKB — kun je dat zelf?

Eerlijk antwoord: meestal niet zinvol onder de 1.000 bezoekers per variant per week. Maar er ís een MKB-route die wel werkt — sequentieel testen, niet split-testen.

TL;DR Klassieke A/B-tests werken pas bij minstens 1.000 unieke bezoekers per variant per week. Onder dat volume: doe sequentiële tests (1 maand A, 1 maand B, vergelijk). Tools voor MKB: Microsoft Clarity gratis, Vercel Toolbar Experiments gratis, VWO €200+/maand. Maar eerst: doe de 6 basisfixes — die leveren altijd lift op, zonder test-statistiek-gedoe.

De cijfers waarom MKB-A/B-tests vaak mislukken

Voor een statistisch significant A/B-resultaat heb je nodig:

Resultaat (sample size calculator): ongeveer 4.000 bezoekers per variant. Twee varianten = 8.000 bezoekers nodig. Voor een MKB-site met 800 bezoekers per maand = 10 maanden testen. Tegen die tijd is de wereld veranderd en mis je elders kansen.

Wat dan wel?

Optie 1 — sequentiële test (de MKB-route)

Geen split-test. Wel: maand 1 versie A, maand 2 versie B. Houd alle andere variabelen gelijk (geen advertentie-campagne, geen seizoenseffect, geen prijsverandering). Vergelijk conversie. Niet 100% statistisch zuiver, maar bij grote verschillen (>30% lift) wel bruikbaar.

Voorbeeld: een schilder uit Wilnis testte op deze manier "Vraag offerte" tegen "Plan kennismaking". Maand 1: 18 leads. Maand 2: 27 leads. Bestelt 'plan kennismaking' voor de site, gaat door.

Optie 2 — kwalitatief experiment

Vraag 5-7 mensen die je site nooit hebben gezien om met je mee te kijken. Zet je telefoon op video, vraag ze hardop te denken bij gebruik. Eén uur werk per persoon, levert vaak 10-15 concrete fixes op. Goedkoper en sneller dan A/B-test.

Optie 3 — heatmap + recording, geen test

Microsoft Clarity (gratis) of Hotjar (gratis tier) laten je zien waar mensen klikken, waar ze stoppen met scrollen en waar ze frustreren. Geen test, wel data. Zie ook onze heatmaps-gids.

Tools die wél bij MKB-volume passen

Microsoft Clarity (gratis, oneindig)

Geen native A/B-feature, maar geweldig voor heatmaps en session-recordings. Je kunt handmatig segmenten maken (UTM-parameters) om twee versies te vergelijken. Privacy-vriendelijk, geen cookie-banner-issues.

Vercel Toolbar Experiments (gratis bij Vercel-hosting)

Als je site op Vercel draait (zoals wij standaard doen): edge-experiments via headers. Geen client-side flickering, snel, gratis. Wel: developer-tooling, niet voor niet-technische gebruikers.

VWO (€200+/maand)

De zwaardere enterprise-tool. Veel features (heatmaps, recordings, A/B, multivariate, surveys). Voor MKB onder de €5.000/maand omzet uit website: overkill. Voor B2B-spelers met grote deal-sizes: dan kan het zinvol zijn.

Convert.com (€100+/maand)

Vergelijkbaar met VWO maar goedkoper en eenvoudiger. AVG-vriendelijker dan veel Amerikaanse tools. Voor MKB met 5.000+ bezoekers/maand een redelijke keuze.

Google Optimize (RIP, sinds 30 sept 2023)

Was gratis en geliefd bij MKB. Google heeft het gestopt. Vervang met Clarity (gratis) of GA4 + Looker Studio (handmatig sequentieel).

De 6 fixes die je vóór elk A/B-test moet doen

Dit zijn geen "test-kandidaten" — dit zijn dingen die altijd lift opleveren. Niet testen, gewoon doen:

Als je deze nog niet hebt: doe dit eerst, levert 30-150% lift. A/B-testen daarná tilt je van "goed" naar "optimaal" — geen "niet werkend" naar "goed".

De grootste tijdverspilling in MKB-conversie? Maanden A/B-testen wat de knop-kleur moet zijn, terwijl het formulier nog 9 velden heeft. Eerst basis, dan precisie.

Wanneer is A/B-test wél zinvol voor MKB?

Veel gemaakte fouten

Conversie-basis op orde brengen
Bij elke DC-rebuild (€3.995) krijg je de 6 basis-fixes ingebouwd. Test pas daarna — dat scheelt maanden.
Bereken verlies →

De statistiek achter het 1.000-bezoekers-verhaal — uitgelegd zonder formules

Waarom werkt een A/B-test pas bij grote aantallen? Het zit in de manier waarop toeval zich gedraagt. Stel je site converteert gemiddeld 2 op de 100 bezoekers. Dat is geen vaste regel — het is een gemiddelde. Op een dag met 50 bezoekers krijg je soms 0 leads, soms 3. Dat verschil zegt niets over je site, dat is gewone variatie.

Een A/B-test moet door die variatie heen kunnen prikken. De tool moet kunnen zeggen: dit verschil tussen versie A en versie B is groter dan wat toeval alleen zou veroorzaken. Hoe groter het echte verschil, hoe minder bezoekers je nodig hebt. Hoe kleiner het verschil dat je wil detecteren, hoe meer bezoekers je nodig hebt. Een knop-kleur-test detecteert vaak hooguit 5% lift. Daarvoor heb je tienduizenden bezoekers per variant nodig. Een formulier-radicaal-inkorten detecteert vaak 40-80% lift. Daarvoor zijn een paar honderd bezoekers genoeg.

Conclusie: hoe radicaler je verandering, hoe minder data je nodig hebt. MKB-bedrijven die gaan testen moeten dus geen subtiele dingen testen. Test grote, duidelijke verschillen. Knop-kleur is een typische enterprise-test omdat alleen enterprises het volume hebben om subtiel te zijn.

Een tweede misverstand: significantie zegt niets over de grootte van de winst. Een test kan significant zijn met een lift van 3%. Dat is statistisch echt, maar bedrijfsmatig vaak verwaarloosbaar. Een MKB-bedrijf moet niet jagen op significantie maar op winst die het verschil maakt — 30%, 50%, 100% meer leads. Daar verander je de business mee.

Hoe een test fout gaat — vijf valkuilen die we steeds zien

Bij Keurmeesters draaide vorig kwartaal een experiment over de homepage-headline. We hebben drie maanden lang sequentieel getest, omdat het verkeer net genoeg was voor zinvolle uitspraken. De grootste les: vooraf afspraken vastleggen. Wanneer stoppen we? Welke metric is leidend? Wat is een verwaarloosbaar verschil? Zonder die afspraken eindigt elk experiment in een discussie waarbij iedereen zijn favoriete versie verdedigt.

Daarnaast zijn er een paar terugkerende fouten die we bij elk MKB-experiment tegenkomen. Geen specifieke klant — het zijn algemene patronen die je site, of die van een collega, ook treffen.

Een werkbaar MKB-experiment-ritme — wat wij aanraden

Bij websites die wij bouwen en daarna onderhouden, hanteren we een rustig ritme. Geen continu experimenteren, geen pretentieuze "optimalisatie-machine". Wel: één keer per kwartaal kijken, één duidelijk experiment, conclusie binnen zes weken. Dat is voor 80% van de MKB-bedrijven het maximum dat verkeersvolume toelaat.

Eerste maand van het kwartaal: data verzamelen. Wat doet de site nu? Welke pagina's krijgen het meeste verkeer? Waar haken mensen af? Hier komen heatmaps en session-recordings in beeld. Een paar uur kijken naar echte gebruikers levert vaak meer op dan welke test ook.

Tweede maand: één verandering doorvoeren. Niet drie, niet vijf. Eén. De rest van de site blijft gelijk. Geen advertentie-campagne starten, geen nieuwsbrief versturen die het verkeer verstoort. Schoon experiment.

Derde maand: vergelijken, beslissen, vastleggen. Won versie B? Dan blijft B staan. Geen lift? Dan terug naar A en volgende kwartaal iets anders proberen. Document wat je hebt geleerd in één pagina. Over drie jaar heb je een interne bibliotheek met wat wel en niet werkt voor jouw doelgroep — dat is goud waard.

Wat doet een goede landing-page-test eigenlijk?

Een test draait om één vraag tegelijk. Werkt CTA X beter dan CTA Y voor mijn doelgroep? Niet: welke van deze tien dingen werkt? Dat is geen test, dat is een redesign. Bij een redesign weet je achteraf niet wat de winst veroorzaakte. Je rolt het uit en hoopt dat het beter werd. Bij een echte test isoleer je één variabele.

De meest waardevolle MKB-tests die wij hebben zien werken: headline-test (eerste regel boven de fold), CTA-tekst-test (knop-tekst, niet -kleur), formulier-veld-test (kort versus middellang), prijs-zichtbaarheid-test (range tonen versus vraag offerte), en social-proof-test (testimonial direct onder hero versus pas onder features). Deze vijf testen leveren meestal grote effecten op — groot genoeg om op MKB-volume detecteerbaar te zijn.

Wat we nooit testen op MKB-niveau: knop-kleur, lettergrootte (binnen redelijke grenzen), micro-copy in disclaimers, exact aantal items in een feature-grid. Dat zijn enterprise-tests. Bij een site met 10.000 dagelijkse bezoekers zinvol, bij 800 maandelijkse bezoekers verspilling.

Hypothese schrijven — het deel dat iedereen overslaat

Bijna elke mislukte MKB-test heeft één gemeenschappelijk kenmerk: er was geen schriftelijke hypothese. Er was een idee, een onderbuik-gevoel, een suggestie van een collega. Geen geschreven hypothese betekent geen meetlat achteraf. En zonder meetlat win je altijd de discussie die je wil winnen.

Een bruikbare hypothese ziet er zo uit: omdat we zien dat bezoekers op de mobiele homepage stoppen met scrollen voor ze de CTA bereiken, verwachten we dat een sticky bottom-CTA-balk het aantal contact-aanvragen met minimaal 20 procent verhoogt over een periode van vier weken. Drie elementen: waarneming, ingreep, voorspelling. Schrijf die zin voor elke test. Geen zin, geen test.

Bijkomend voordeel: de discipline van het opschrijven dwingt je om eerlijk te zijn over wat je écht denkt te bereiken. Als je opschrijft dat je 3 procent lift verwacht, weet je meteen dat een MKB-test daarvoor weken duurt — of nooit detecteerbaar wordt. Vaak resulteert dat in een betere, grotere ingreep.

Wat te doen met de eerste resultaten

Een test loopt af. Je hebt een winnaar. En nu? De meeste MKB-bedrijven implementeren snel en gaan door naar de volgende test. Dat is op zich prima, maar mis niet de kans om twee dingen vast te leggen. Eén: wat heb je geleerd over je doelgroep, niet alleen over deze pagina? Twee: welke aannames waren fout? Beide stukken kennis maken volgende experimenten goedkoper.

Daarnaast: kijk twee weken na implementatie of de winst standhoudt. Soms verdwijnt een lift omdat de winnende versie een nieuwheidseffect had. Soms blijkt dat de winst niet op alle bron-kanalen even sterk werkt. Een test in isolatie is een momentopname, niet een waarheid.

Wanneer je beter geen test draait

Niet elk moment leent zich voor experimenteren. Tijdens campagnes met betaalde advertenties is je verkeer minder homogeen — bezoekers komen via verschillende doelgroepen, met verschillende intenties, en de ruis in je data wordt groter. Tijdens seizoenspieken werkt het verschil tussen versies anders dan in een rustige maand. Vlak na een grote site-wijziging is je baseline nog niet stabiel.

Het beste moment voor een test is een periode met stabiel verkeer, geen campagne-activiteit, geen technische veranderingen aan andere delen van de site en voldoende voorbereiding. Twee weken zonder externe variabelen, gevolgd door twee weken testen, gevolgd door een week analyse. Dat is een realistische cyclus voor een serieuze MKB-test.

Als je twijfelt of een test zinvol is: doe hem niet. Een mislukte test kost vier tot zes weken en levert geen kennis op. Vier tot zes weken die je had kunnen gebruiken voor een onderbouwde redesign van een specifiek onderdeel.

FAQ — A/B-testing MKB

Heeft Google Optimize een vervanger?
Google heeft geen directe vervanger gelanceerd. Combinaties die wij aanraden: Microsoft Clarity (gratis, heatmaps + recordings) + GA4 (event tracking) + handmatige sequentiële test. Voor wie écht client-side A/B wil: VWO of Convert vanaf €100-€200/maand.
Mag ik gewoon mijn site veranderen en kijken wat er gebeurt?
Ja — dat is een sequentiële test. Voorwaarde: houd alle andere variabelen gelijk, vergelijk min. 1 maand vs 1 maand, weet dat je geen seizoenseffect hebt. Niet zuiver statistisch maar voor MKB-volume vaak de enige bruikbare route.
Heeft Hotjar A/B-test ingebouwd?
Nee. Hotjar doet heatmaps, recordings en surveys. Voor A/B heb je een aparte tool nodig. Hotjar + Vercel Experiments is een sterke combinatie als je site op Vercel staat.
Werkt AI/machine learning voor MKB-conversie?
Personalisatie-tools (zoals Mutiny of Dynamic Yield) draaien op €1.000+/maand en hebben veel data nodig om te leren. Voor MKB onder €10k/maand omzet uit website: niet zinvol. Eerst basis, dan eventueel — en alleen als de business-case sluit.
Hoeveel kost een goede experiment-setup voor een MKB-site?
De tooling-kant kan gratis (Microsoft Clarity, Vercel Toolbar) of betaald (VWO €200+, Convert €100+). De grootste kost zit in tijd: één goed experiment kost ongeveer 8-12 uur denkwerk en uitvoering plus 4-6 weken doorlooptijd. Reken voor een serieuze interne experiment-cadans op 2-4 uur per week dat iemand er actief mee bezig is.
Mag je een test stoppen zodra je een winnaar ziet?
Nee. Dat heet peeking en het maakt je significantie-cijfer onbetrouwbaar. Beslis voor de test begint hoe lang hij loopt (minimaal 14 dagen, liefst 4 weken) en hoeveel bezoekers nodig zijn. Stop pas op die afgesproken eindstreep. Dat voorkomt dat ruis je conclusies stuurt.
Hoe combineer je SEO en A/B-testing zonder problemen?
Drie regels: gebruik server-side of edge-experimenten in plaats van client-side flickering, zet rel="canonical" op de originele URL als je twee URL's gebruikt, en houd test-duur kort (max 6 weken). Google heeft expliciet bevestigd dat correct uitgevoerde experimenten geen SEO-penalty opleveren. Verberg geen content voor Googlebot — dat is wel een penalty-risico.

Wat doe je vandaag?

Door Isabella Vermeer — DesignCheck. Laatst bijgewerkt 16 mei 2026.

Doe eerst de basis-check

Voor je een dure test-tool koopt: vraag de gratis DesignCheck Audit. Misschien is je site al klaar voor 80% meer conversie zonder enige test.

Site checken →