Un A/B test confronta due versioni di uno stesso elemento per scoprire quale performa meglio, basandosi su dati reali e non su intuizioni.
Si applica su landing page, email, annunci pubblicitari, siti web e qualsiasi elemento con una metrica misurabile.
Per essere valido, un A/B test deve avere una sola variabile modificata, un campione sufficientemente ampio e una significatività statistica di almeno il 95%.
I migliori strumenti attuali sono VWO, Optimizely, AB Tasty per il sito e Mailchimp, Klaviyo per le email.
L’errore più comune è fermare il test troppo presto, prima di raggiungere la significatività statistica necessaria.
Gli A/B test sono uno degli strumenti più potenti del digital marketing moderno: permettono di smettere di fare ipotesi e iniziare a prendere decisioni basate su dati reali. Che si tratti di ottimizzare una landing page, migliorare il tasso di apertura delle email o aumentare il ROI delle campagne, l’A/B test è il metodo scientifico applicato al marketing. In questa guida vediamo tutto quello che devi sapere per iniziare.
Un A/B test — detto anche split test — è un metodo sperimentale che consiste nel mostrare due versioni diverse di uno stesso elemento a due gruppi equivalenti di utenti, per misurare quale delle due produce risultati migliori rispetto a una metrica definita in anticipo.
La versione A è il controllo (quella attuale, che già esiste), mentre la versione B è la variante (quella modificata che vuoi testare). Il traffico viene diviso casualmente tra le due versioni — tipicamente 50/50 — e dopo un periodo sufficiente si analizzano i dati per determinare quale ha performato meglio.
L’A/B test si differenzia dal test multivariato (MVT), in cui si testano più variabili contemporaneamente. Il test multivariato è più potente ma richiede volumi di traffico molto più elevati per raggiungere la significatività statistica. Per la maggior parte delle aziende, soprattutto nelle fasi iniziali, l’A/B test classico è la scelta più pratica ed efficace.
Come funziona un A/B test: la logica statistica
Un A/B test non è semplicemente “provo due cose e vedo quale va meglio”. Ha una logica statistica precisa che, se ignorata, porta a conclusioni sbagliate e decisioni dannose per il business.
I tre concetti chiave da capire sono:
Ipotesi nulla e ipotesi alternativa — prima di iniziare devi definire cosa stai testando e cosa ti aspetti. Es: “Cambiare il colore del CTA da grigio a rosso aumenterà il tasso di clic.”
Significatività statistica — il risultato è valido solo quando la probabilità che sia dovuto al caso è inferiore al 5%. In pratica, serve una confidenza statistica di almeno il 95% prima di dichiarare un vincitore.
Dimensione del campione — maggiore è la differenza attesa tra le due versioni, minore è il campione necessario. Per differenze piccole (es. +2% di conversion rate) servono decine di migliaia di visitatori per raggiungere la significatività.
Esistono calcolatori gratuiti online (come quello di Evan Miller o di AB Testguide) che permettono di calcolare quanti visitatori servono prima di avviare il test, evitando di fermarsi troppo presto con dati non significativi.
Come si fa un A/B test: guida step by step
1
Definisci l’obiettivo e la metrica
Prima di tutto stabilisci cosa vuoi migliorare: tasso di conversione, tasso di apertura email, CTR degli annunci, tempo sulla pagina. Una sola metrica primaria per test — altrimenti i risultati diventano ambigui. I KPI del digital marketing giusti fanno la differenza tra un test utile e uno inutile.
2
Formula un’ipotesi chiara
L’ipotesi deve essere specifica e misurabile. Non “provo a cambiare il titolo”, ma “cambiare il titolo da X a Y aumenterà il tasso di conversione perché risponde meglio all’intenzione dell’utente.” L’ipotesi guida la scelta della variante e rende il test replicabile.
3
Crea la variante (modifica una sola cosa)
La regola più importante: cambia un solo elemento alla volta. Se modifichi contemporaneamente titolo, colore del CTA e immagine, non saprai mai quale variazione ha causato la differenza nei risultati. Un test = una variabile.
4
Calcola la dimensione del campione necessaria
Prima di avviare il test, usa un calcolatore di sample size per sapere quanti utenti servono per ogni variante. Farlo a posteriori è il modo più sicuro per ottenere risultati non significativi e prendere decisioni sbagliate.
5
Esegui il test e raccogli i dati
Avvia il test e lascialo girare per almeno una settimana intera (per evitare distorsioni legate ai giorni della settimana) o finché non raggiungi la dimensione del campione calcolata. Resisti alla tentazione di fermarlo anticipatamente anche se una variante sembra vincere.
6
Analizza i risultati e implementa
Verifica la significatività statistica prima di trarre conclusioni. Se la variante B ha vinto con confidenza ≥95%, implementala. Se il risultato è non significativo, il test è comunque utile: hai imparato che quella variabile non impatta la metrica in modo rilevante. Documenta sempre tutto.
Cosa testare: gli elementi più efficaci per canale
Non tutti gli elementi hanno lo stesso impatto sul conversion rate. Ecco i più efficaci da testare, organizzati per canale:
Canale
Elementi ad alto impatto
Metrica da misurare
Landing page
Headline, CTA (testo, colore, posizione), immagine hero, form (campi, lunghezza), social proof
Tasso di conversione
Email marketing
Subject line, nome mittente, preview text, orario di invio, CTA, lunghezza del testo
Tasso di apertura, CTR
Google Ads
Headline dell’annuncio, descrizione, URL display, estensioni, landing page di destinazione
CTR, CPC, conversion rate
Meta Ads
Immagine/video, copy, CTA button, audience, formato (singola immagine vs carosello)
CTR, CPM, ROAS
Sito web / e-commerce
Layout pagina prodotto, posizione add-to-cart, immagini prodotto, descrizioni, pagina checkout
Add-to-cart rate, conversion rate, AOV
A/B test per canale: cosa sapere
A/B test su landing page
La landing page è il terreno più fertile per gli A/B test: ogni elemento può avere un impatto diretto sulla conversione. Gli elementi con il maggior impatto statistico sono la headline (che determina se l’utente continua a leggere) e la CTA (che determina se clicca). Un test classico e sempre efficace: CTA con testo in prima persona (“Voglio la mia prova gratuita”) vs terza persona (“Inizia la prova gratuita”) — in media il testo in prima persona converte il 90% in più.
A/B test su email marketing
Nell’email marketing il test più impattante è sulla subject line: determina se l’email viene aperta o ignorata. Testa lunghezza (corta vs lunga), personalizzazione (con nome vs senza), uso di emoji, domande vs affermazioni, urgenza vs curiosità. Anche l’orario di invio merita un test: per il B2B il martedì e mercoledì mattina tendono a performare meglio, ma il tuo pubblico potrebbe essere diverso — testalo.
A/B test su campagne Google Ads e Meta Ads
Nelle campagne Google Ads testa una headline alla volta, mantenendo invariati gli altri elementi. Per le Meta Ads il creative (immagine o video) è quasi sempre l’elemento con il maggior impatto sul CTR e sul CPM — è da lì che conviene partire. Usa la funzione “Esperimento” nativa di Google Ads e il “Test A/B” di Meta Ads Manager per test statisticamente corretti.
Esempi famosi di A/B test di successo
Obama Campaign 2008 — +$60 milioni
Il team della campagna di Barack Obama testò 24 combinazioni diverse di immagine e CTA sulla pagina di iscrizione alla newsletter. La combinazione vincente — una foto di famiglia con il testo “Learn More” invece di “Sign Up Now” — aumentò il tasso di iscrizione del 40,6%, generando un valore stimato di 60 milioni di dollari in donazioni aggiuntive.
Booking.com — cultura del test continuo
Booking.com esegue oltre 1.000 A/B test simultaneamente ogni giorno. Uno dei test più famosi riguardava la visualizzazione della disponibilità limitata delle camere: mostrare “Solo 2 camere rimaste!” aumentò le conversioni in modo significativo. Oggi questa pratica è diventata uno standard del settore e-commerce, copiata da ogni piattaforma di prenotazione.
Amazon — il checkout a 1 click
Amazon brevettò il “1-Click Purchase” dopo aver testato che ridurre i passaggi del checkout da più step a uno solo aumentava drasticamente le conversioni. Il brevetto, scaduto nel 2017, è ora usato da praticamente tutti gli e-commerce del mondo. Un test sulla frizione del processo d’acquisto che ha letteralmente cambiato il commercio online.
Google — 41 sfumature di blu
Google ha testato 41 sfumature diverse di blu per i link dei risultati di ricerca, per determinare quale colore generava più clic. Il test, spesso citato come esempio estremo di data-driven design, ha generato 200 milioni di dollari di ricavi aggiuntivi annui. Un caso che dimostra come anche le micro-ottimizzazioni abbiano un impatto enorme su scala.
Strumenti per fare A/B test nel 2025
Dopo la dismissione di Google Optimize nel 2023, il mercato si è consolidato su alcune piattaforme principali. Ecco quelle più usate:
Strumento
Ideale per
Piano gratuito
Note
VWO
Sito web, landing page, e-commerce
Sì (limitato)
Il più completo, include heatmap e session recording
Optimizely
Enterprise, grandi volumi di traffico
No
Standard di riferimento per aziende grandi
AB Tasty
PMI e e-commerce, UX testing
No
Ottima UX, dashboard intuitiva
Hotjar
Analisi comportamento utenti + test
Sì
Ottimo come complemento ad altri strumenti
Mailchimp
A/B test su email
Sì
Integrato nella piattaforma email
Klaviyo
A/B test email per e-commerce
Sì (fino a 500 contatti)
Migliore integrazione con Shopify e WooCommerce
Per chi vuole integrare i risultati degli A/B test con i dati di traffico complessivi, una consulenza Google Analytics 4 è fondamentale per impostare correttamente gli eventi di conversione e leggere i dati in modo affidabile.
Errori comuni negli A/B test
Fermare il test troppo presto — è l’errore più diffuso. Vedere una variante “vincere” dopo pochi giorni non significa nulla se il campione non è statisticamente significativo. I risultati precoci sono spesso rumore casuale.
Testare più variabili contemporaneamente — se cambi titolo, immagine e CTA nello stesso test, non puoi sapere quale variabile ha causato la differenza. Un test = una variabile.
Non definire la metrica prima di iniziare — decidere cosa misurare dopo aver visto i risultati si chiama “p-hacking” ed è una forma di bias cognitivo che porta a conclusioni false.
Ignorare la stagionalità — un test che gira solo nei weekend o durante un periodo atipico (Natale, Black Friday) produce risultati non generalizzabili. Fai girare sempre il test per almeno un ciclo completo di 7 giorni.
Campione troppo piccolo — con pochi visitatori anche una grande differenza può non essere statisticamente significativa. Calcola sempre il sample size necessario prima di avviare.
Non documentare i risultati — i test producono conoscenza sul tuo pubblico. Senza documentazione, le stesse ipotesi vengono testate di nuovo mesi dopo, sprecando tempo e risorse.
FAQ sugli A/B test
Quanto traffico serve per fare un A/B test?
Dipende dalla differenza attesa tra le due versioni e dal conversion rate attuale. In linea generale, per rilevare un miglioramento del 10% su una pagina con conversion rate del 3%, servono circa 5.000-10.000 visitatori per variante. Per differenze più piccole o conversion rate più bassi, il campione necessario cresce esponenzialmente. Usa calcolatori come quello di Evan Miller per avere il numero preciso prima di iniziare.
Quanto deve durare un A/B test?
Almeno 7 giorni completi, per includere tutti i giorni della settimana (il comportamento degli utenti varia significativamente tra giorni feriali e weekend). La durata ideale è quella necessaria per raggiungere la dimensione del campione calcolata in anticipo. Non fermare mai un test basandoti solo sull’aspetto della dashboard, anche se una variante sembra vincere chiaramente.
Qual è la differenza tra A/B test e test multivariato?
L’A/B test confronta due versioni che differiscono in un solo elemento. Il test multivariato (MVT) testa contemporaneamente più variabili e le loro combinazioni, permettendo di capire le interazioni tra elementi diversi. L’MVT è più potente ma richiede volumi di traffico molto maggiori (spesso 10x rispetto all’A/B test) per raggiungere la significatività statistica. Per la maggior parte delle aziende, partire con A/B test semplici è la scelta più pratica.
Cosa si può testare con un A/B test?
Qualsiasi elemento digitale che abbia una metrica misurabile: titoli, CTA, immagini, layout, colori, testi, prezzi, orari di invio email, oggetti delle email, annunci pubblicitari, pagine di checkout, form, pop-up. La regola è che l’elemento testato deve influenzare direttamente la metrica che vuoi migliorare.
Un A/B test negativo è un fallimento?
No — un test senza vincitore è comunque un test di successo, perché ti ha detto che quella variabile non è critica per la conversione. Ti permette di concentrare le energie su altri elementi. L’unico test fallito è quello eseguito male (campione insufficiente, più variabili testate, fermato troppo presto) o quello non documentato, perché non produce conoscenza riutilizzabile.
