A/B testování (občas se mu říká split testing) je metoda, kterou porovnáte dvě verze webové stránky nebo jejího prvku a zjistíte, která funguje lépe.
Testovat lze nadpis, obrázek, text tlačítka, celé rozložení stránky nebo marketingový e-mail. Cílem je vždy totéž - zvýšit počet objednávek, registrací nebo jiných konverzí na základě dat, ne odhadu.
Jak A/B testování funguje?
Místo hádání, co bude fungovat nejlépe, otestujete konkrétní hypotézu na reálných návštěvnících.
Proces obvykle probíhá takto:
- Identifikace cíle: definujete, co chcete zlepšit (např. míru prokliků na tlačítko, konverzní poměr formuláře).
- Vytvoření variant: připravíte variantu A (stávající verzi) a variantu B (novou verzi s jednou konkrétní změnou).
- Rozdělení návštěvnosti: návštěvníci webu se rozdělí mezi obě varianty, obvykle v poměru 50:50.
- Sběr dat: po stanovenou dobu sbíráte data o chování uživatelů u obou variant.
- Analýza výsledků: jakmile máte dostatek dat, vyhodnotíte, která varianta byla úspěšnější.
- Implementace vítězné varianty: vítěznou variantu nasadíte natrvalo.
A/B testování dává smysl jen na webu, který se dá snadno měnit a měřit. Pokud web brzdí pomalá nebo zaseklá redakce, testovat nemáte co. Stavím weby tak, aby šly upravovat a testovat bez vývojáře, popisuju to u tvorby webových stránek na míru →.
Kolik návštěvnosti potřebujete, aby test dával smysl?
Tohle je bod, kde se u většiny malých webů A/B testování zbytečně přeceňuje. Při konverzním poměru kolem 2 % a cílovém zlepšení o 10 % potřebujete na spolehlivý výsledek řádově desítky tisíc návštěv na každou variantu, ne stovky.
Čím nižší máte konverzní poměr, tím víc návštěvnosti test spotřebuje. Pokud web měsíčně negeneruje aspoň tisíc konverzí, výsledky testu se u vás pravděpodobně jen míchají s náhodou.
Malý vzorek dat totiž skoro vždy ukazuje šum, ne skutečný vzor - podrobněji v hesle signál vs šum.
Co znamená, že je výsledek statisticky signifikantní?
Statistická signifikance říká, jak moc mohl být rozdíl mezi variantami A a B náhoda. V praxi se používá hranice p ≤ 0,05, tedy 95% hladina spolehlivosti.
Pozor na častý omyl: nízká p-hodnota neznamená „95% jistotu, že varianta B je lepší“. Znamená, že kdyby žádný rozdíl neexistoval, takhle výrazná data by náhoda vyprodukovala nejvýš v 5 % případů - neznamená to jistotu, že rozdíl je skutečný.
Podle benchmarků VWO a Optimizely dosáhne 95% signifikance jen zhruba 20-22 % testů. Zbytek skončí bez jasného vítěze - a to je normální výsledek, ne selhání testu.
Proč je nebezpečné dívat se na výsledky testu každý den?
Průběžné sledování výsledků a předčasné ukončení testu (tzv. peeking) je nejčastější chyba u A/B testování. Když test opakovaně kontrolujete a ukončíte ho hned při první „hezké“ hodnotě, riziko falešně pozitivního výsledku vyskočí zhruba na 19-20 % - místo avizovaných 5 %.
Řešení je jednoduché: předem si stanovte velikost vzorku a dobu běhu testu a vydržte do konce, i když průběžná čísla vypadají lákavě.
Jaké nástroje na A/B testování se používají v roce 2026?
Google Optimize, kdysi nejoblíbenější bezplatný nástroj, skončil už 30. září 2023.
Mezi placenými nástroji je nejrozšířenější VWO (vstupní tarif kolem 314 dolarů měsíčně, bezplatný plán v roce 2026 zrušili). Pro menší weby dává smysl open-source nástroj GrowthBook, který lze provozovat i zdarma. Google Analytics 4 vlastní A/B testování nenabízí.
Můj pohled
A/B testy jsme dělali ve spolupráci s dalším profesionálem (key4you.cz). Bylo zajímavé, jak malé věci dokážou přinést velký nárůst. Je ale potřeba mít velkou návštěvnost - opravdu velkou. Souvisí to s hledáním signálu: u malé návštěvnosti často vyhodnocujete šum a dochází k biasům.
Co vám A/B testování přinese?
Když web řídíte daty místo dohadů, snižujete riziko drahých chyb a měníte jen to, co má prokazatelný dopad.
- Vyšší konverzní poměr: víc návštěvníků dokončí nákup, registraci nebo vyplní formulář.
- Méně spekulací: rozhodujete podle dat, ne podle pocitu, co „asi“ bude fungovat lépe.
- Lepší znalost zákazníků: testy odhalí, co vaše publikum skutečně preferuje.
- Lepší uživatelský zážitek: postupným laděním prvků je web pro návštěvníky příjemnější.
- Vyšší návratnost investic do webu i marketingových kampaní.
Pokud vám návštěvnost zatím nestačí, nezoufejte. Chování uživatelů lze sledovat i přes heatmapy nebo nástroje jako Hotjar a najít slabá místa webu bez statistického testování. Sledujte přitom hlavní KPI webu, ne jen dílčí metriky.
Rád vám s A/B testováním pomůžu - od definice hypotézy přes technickou implementaci až po vyhodnocení výsledků. Pokud chcete přestat hádat a začít web řídit daty, kontaktujte mě.
Co si z článku odnést?
A/B testování je metoda, jak dvě verze webu nebo jeho prvku porovnat na reálné návštěvnosti a zjistit, která funguje lépe. Dává smysl až od tisíců konverzí měsíčně - u nižší návštěvnosti výsledky často jen kopírují náhodný šum. Statistická signifikance (p ≤ 0,05) znamená, že rozdíl asi není náhoda, ne že je jistý na 95 % nebo obchodně důležitý. Nejčastější chybou je předčasné vyhodnocení testu (peeking), které riziko falešného výsledku zvedá až ke 20 %.
Pavel Szabo
Programátor webů, eshopů a informačních systémů s více než 23 lety praxe. Pomáhám firmám i jednotlivcům s online podnikáním, automatizacemi a využitím AI v praxi.
