A/B-Tests für Amazon-Bilder mit Manage Your Experiments

Manage Your Experiments ist der einzige Weg, ein Listing-Bild mit Amazons eigenem Traffic im A/B-Test zu prüfen, und es kostet nichts. Es ist zugleich das Werkzeug, das einem am ehesten eine seriös aussehende Zahl ohne Aussagekraft liefert — denn ob ein Bildtest funktioniert, entscheidet nicht das Design, sondern ob die ASIN genug Sitzungen hat, um zwei Conversion-Raten vom Rauschen zu trennen. Amazon veröffentlicht keine Traffic-Schwelle. Also: was dokumentiert ist, was geschätzt werden muss, und wie man ein Ergebnis liest, ohne sich selbst zu belügen.

Wer ein Experiment starten darf

Drei Bedingungen, alle aus Amazons eigenem Material. Ein Professional-Verkaufstarif. Markeninhaberschaft mit Eintrag in der Amazon Brand Registry, zugehörig zur Marke und verantwortlich für deren Verkauf im Amazon-Store. Und eine berechtigte ASIN — von Amazon definiert als: gehört zu deiner Marke und hat „in den letzten Wochen genug Traffic erhalten, um valide Testergebnisse zu erzeugen“.

An dieser dritten Bedingung hängt alles, und Amazon beziffert sie bewusst nicht. Es gibt keine veröffentlichte Zahl an Sitzungen pro Woche, keine Mindestbestellmenge, keine Kategorietabelle. Die Prüfung besteht schlicht darin, ob die ASIN im Tool auftaucht: in Seller Central auf Marken gehen, Manage Your Experiments wählen, neues Experiment anlegen. Produkte, die in vertretbarer Zeit zu keinem Ergebnis kämen, werden gar nicht angeboten. Wer dir eine konkrete Schwelle nennt, hat sie erfunden oder aus dem eigenen Sortiment abgeleitet.

Auch die Verfügbarkeit je Marktplatz sollte man prüfen statt annehmen. Das Tool startete als US-Funktion, und Amazon hat Experimenttypen seither auf EU-Stores ausgeweitet; welche Typen in welchem Store aktiv sind, hat sich mehr als einmal geändert. Maßgeblich ist das Marken-Menü in deinem eigenen Seller Central, nicht ein Blogbeitrag, dieser eingeschlossen.

Was das Tool tatsächlich macht

Käufer, die auf deiner Produktseite landen, werden zufällig in zwei Gruppen geteilt: Eine sieht Version A, die andere Version B. Beides sind Live-Listings, bei denen echtes Geld fließt. Testbar sind Bilder — auch das Hauptbild — sowie Titel, Bulletpoints, Beschreibung und A+-Inhalte; Multi-Attribut-Experimente erlauben mehrere Änderungen gleichzeitig. Die Ergebnisse aktualisieren sich einmal pro Woche bis zum Ende des Tests, und das Ganze ist kostenlos.

Für die Laufzeit gibt es zwei Modi. Standard ist „bis zur Signifikanz“: Der Test endet, sobald Amazon genug Daten für einen Sieger sieht, was laut Amazons Material schon nach vier Wochen möglich ist. Wählt man stattdessen eine feste Dauer, empfiehlt Amazon acht bis zehn Wochen. Berichtet werden verkaufte Einheiten, Umsatz, Conversion-Rate, Einheiten pro Unique Visitor und Stichprobengröße, dazu die Wahrscheinlichkeit, dass eine Version besser ist als die andere, und eine Hochrechnung des Jahreseffekts für den Sieger.

Was sich zu testen lohnt

Die alles bestimmende Beschränkung: Jeder Test kostet Wochen, also bleiben pro SKU und Jahr eine Handvoll. Setze sie auf Unterschiede, die groß genug sind, eine Conversion-Rate zu bewegen.

Das Hauptbild, zuerst und mit Abstand. Es ist das einzige Bild, das sowohl den Klick aus der Suche als auch die Conversion auf der Seite beeinflusst; eine Änderung dort wirkt entlang des gesamten Trichters. Perspektive, Produktgröße im Rahmen, Zubehör im Bild oder nicht, verpacktes gegen unverpacktes Produkt — alles legitime Variablen innerhalb der Reinweiß-Regeln.

Das zweite Bild. Es ist das Erste, was auf dem Smartphone weggewischt wird, und der Platz mit dem größten Hebel in der Galerie. Zu testen, welches Argument dort steht — Kernnutzen, Größen- und Passfrage oder Lieferumfang — ist ein echter Test.

Die Reihenfolge des Sets. Das Maßdiagramm von Platz sechs auf Platz drei zu ziehen ist ein billiges Experiment, das an den Grafiken nichts ändert.

Keine zehn Wochen wert: ein Schriftwechsel, ein anderer Blauton, eine Headline von „wasserdicht“ zu „wasserabweisend“ umformuliert, ein leicht anderer Schlagschatten. Das sind echte Gestaltungsentscheidungen, auf die hier das falsche Instrument gerichtet wird. Die Effektgrößen liegen weit unter dem, was ein normales Listing erkennen kann — das Ergebnis wird also unschlüssig sein oder, schlimmer, zufällig signifikant.

Die Realität der Stichprobengröße

Hier sterben die meisten Bildtests, und die Arithmetik ist nicht Amazon-spezifisch. Die nötige Zahl an Sitzungen wächst ungefähr mit dem Kehrwert des Quadrats des gesuchten Effekts: Halbierst du die Verbesserung, die du noch erkennen willst, vervierfacht sich der Traffic-Bedarf. Ein Test, der 20% relative Steigerung fangen soll, ist eine grundsätzlich andere Übung als einer für 3% — und nur einer davon ist auf einer ASIN mittleren Volumens realistisch.

Zwei praktische Folgen. Erstens: Bei ein paar hundert Sitzungen pro Woche sind überhaupt nur große Unterschiede messbar, was erneut dafür spricht, ganze Konzepte statt Details zu testen. Zweitens: „kein Sieger“ ist das häufigste ehrliche Ergebnis, und es bedeutet nicht, dass die Bilder gleichwertig sind — es bedeutet, dass der Test sie bei diesem Traffic nicht unterscheiden konnte. Das sind zwei verschiedene Befunde, und nur einer davon sollte dein Design ändern.

Dazu ein gern vergessener Preis: Während der gesamten Laufzeit sieht die Hälfte deiner echten Kunden die Verlierervariante. Auf einer trafficstarken ASIN ist das ein Rundungsfehler. In der Hochsaison auf deinem Bestseller nicht — ein guter Grund, Bildtests vor dem vierten Quartal zu fahren und nicht mittendrin.

Ein Ergebnis ehrlich lesen

Was das Tool zeigt	Was es bedeutet
Wahrscheinlichkeit, dass B besser ist als A	Eine Konfidenzaussage, kein Beweis. 70% sind eine leicht gezinkte Münze, keine Entscheidung.
Hochgerechneter Jahreseffekt	Extrapolation weniger Wochen einer einzigen ASIN. Bestenfalls Richtungsangabe; nicht in die Planung übernehmen.
Differenz der Conversion-Rate	Die entscheidende Kennzahl, aber nur zusammen mit der Stichprobengröße. Beide zusammen lesen oder gar nicht.
Wöchentliche Updates	Eine Einladung, in einer guten Woche abzubrechen. Ausschlagen.
Kein signifikanter Unterschied	Der Test konnte nicht trennen. Kein Beleg für Gleichwertigkeit.

Vier Disziplinregeln trennen ein Testprogramm vom Spielautomaten. Schreibe vor dem Start auf, was du erwartest und in welcher Größenordnung — eine festgehaltene Prognose ist die einzige Verteidigung dagegen, hinterher jedes Ergebnis erklären zu können. Brich kein Experiment vorzeitig ab, weil eine Zwischenwoche gut aussieht; in einen laufenden Test hineinzuschauen und auf einem Hoch zu stoppen ist die zuverlässigste Methode, einen Scheinsieger zu erzeugen. Ändere pro Experiment eine substanzielle Sache, außer du fährst bewusst einen Multi-Attribut-Test, denn ein gewinnendes Änderungspaket sagt nichts darüber, welche Änderung gewonnen hat. Und prüfe, was sich im Zeitfenster sonst bewegt hat: Preisänderung, Coupon, Stockout eines Wettbewerbers, Bewertungswelle, verschobenes Werbebudget. Ein Test ist nur sauber, wenn der Rest des Listings stillhielt.

Wenn die ASIN nicht berechtigt ist

Die meisten Sortimente haben mehr nicht berechtigte als berechtigte SKUs, und die Antwort ist nicht, ein Experiment zu simulieren. Panel-Dienste zeigen einen Entwurf einer rekrutierten Zielgruppe und liefern Präferenzdaten in Stunden — geäußerte Präferenz statt Kaufverhalten, also schwächere Evidenz, aber ehrlich darin schwach zu sein, und funktionsfähig bei jedem Traffic-Niveau. Die andere Möglichkeit ist ein sequenzieller Vorher-Nachher-Vergleich auf einem stabilen Listing, der durch Saison, Preis, Ranking und Werbung wirklich konfundiert ist und als Anlass zur Prüfung gelten sollte, nicht als Ergebnis. Und wo der Traffic schlicht fehlt, wende an, was die Kategorieführer bereits validiert haben: Die Top-Listings deiner Nische haben diese Tests gefahren, und ihre Bildsets sind das sichtbare Resultat.