Experiment
A/B-test
Man visar två varianter av samma sak för olika besökare och mäter vilken som fungerar bäst.
Senast faktagranskad: 26 september 2026
- Vad testas?
- Två varianter mot varandra
- Vem ser vad?
- Slumpen avgör
- Vad mäter man?
- Beteende, inte åsikter
- Var används det?
- Webbplatser, appar, mejl
Kort svar
Vad är ett A/B-test, kort sagt?
Hälften av besökarna ser version A, hälften ser version B. Efter en tid mäter man vilken version som fick fler att göra det man ville, till exempel klicka eller köpa.
Ett A/B-test är ett experiment: du ändrar en sak, till exempel texten på en knapp, och låter slumpen avgöra vilka besökare som ser gamla versionen (A) och vilka som ser nya (B).
Sedan jämför man: vilken version fick fler besökare att göra det man önskade? Det beteendet kallas konvertering.
Varför gör man A/B-test?
För att slippa gissa. I stället för att diskutera vilken rubrik som "känns bäst" låter man verkliga besökares beteende avgöra.
Små förändringar kan ha stor effekt, och lika ofta visar det sig att den nya versionen var sämre. Det är också värdefullt att veta.
Hur fungerar det?
1. Välj en sak att ändra och ett mål att mäta (till exempel andelen som klickar på knappen).
2. Dela besökarna slumpmässigt i två grupper. Slumpen är viktig eftersom den gör grupperna jämförbara.
3. Låt testet gå tillräckligt länge för att samla tillräckligt många besök.
4. Jämför resultaten. Skillnaden måste vara större än vad slumpen rimligen kan förklara.
Vad är statistisk signifikans?
Om 52 av 100 klickar på A och 54 av 100 på B, betyder det att B är bättre? Inte nödvändigtvis. Skillnaden kan vara slumpen.
Statistisk signifikans är ett mått på hur troligt det är att skillnaden är på riktigt och inte bara tillfällighet. Ju fler besökare, desto säkrare kan man vara.
En webbutik undrar om knappen ska säga "Köp nu" eller "Lägg i varukorgen". Hälften av besökarna ser det ena, hälften det andra. Efter två veckor visar siffrorna att "Lägg i varukorgen" får fler att slutföra köpet.
Tänk så här
Tänk på ett smaktest i mataffären: två ostar, samma pris, kunderna väljer fritt. A/B-testet är smaktestet, fast på webben, och med tusentals besökare.
Det här kan testet säga
- Vilken av två varianter som fick fler besökare att göra något specifikt, under testperioden.
- Ett beslutsunderlag byggt på verkligt beteende i stället för magkänsla.
Det här säger testet INTE
- Det säger inte varför den vinnande varianten vann.
- Det säger inget om effekter som tar lång tid att märka, som varumärke eller förtroende.
- Ett resultat på en sida gäller inte automatiskt på en annan sida eller för en annan målgrupp.
- Det mäter inte om ändringen är bra för användaren på sikt, bara om den ändrade ett mätbart beteende.
Vanligt missförstånd
“Man kan testa flera saker samtidigt i samma A/B-test.”
Ändrar du både rubriken och knappfärgen samtidigt vet du inte vilken ändring som gav effekten. En sak i taget, eller så behövs en mer avancerad metod som multivariat testning.
Vill du veta mer?
Här gräver vi djupare, metod, forskning och tekniska detaljer.
Experimentdesign
Ett bra experiment bestämmer i förväg vad som mäts, hur länge testet ska gå och hur stor skillnad som krävs för att räknas. Att stoppa testet så fort man ser en skillnad man gillar är ett vanligt fel. Det blåser upp risken för skenbara fynd.
Multivariat testning testar flera ändringar samtidigt med statistiska metoder, men kräver mycket mer trafik.
Vanliga frågor
Hur länge ska ett A/B-test gå?
Tillräckligt länge för att samla tillräckligt många besök. Hur länge bestäms i förväg, inte när resultatet "ser bra ut". Att stoppa testet så fort man ser en skillnad man gillar blåser upp risken för skenbara fynd.
Kan jag testa flera ändringar samtidigt?
Inte i ett vanligt A/B-test. Då vet du inte vilken ändring som gav effekten. En sak i taget, eller så behövs multivariat testning, som kräver mycket mer trafik.
Vad är statistisk signifikans?
Ett mått på hur troligt det är att skillnaden mellan varianterna är på riktigt och inte bara slump. Ju fler besökare, desto säkrare kan man vara.
Källor
Practical Guide to Controlled Experiments on the Web
Ron Kohavi med flera, Microsoft · Vetenskaplig artikel
Google Firebase · Teknisk dokumentation
Läs vidare
Den här sidan är en förenklad, allmän förklaring skriven för nybörjare. Den ersätter inte statistisk rådgivning eller dokumentationen för det verktyg du använder. Hittar du något som verkar fel, hör gärna av dig via kontaktsidan.