A/B testing je nejspolehlivější způsob, jak v marketingu nahradit dohady tvrdými daty. Místo „myslíme si, že tahle varianta funguje líp” dostanete jasnou odpověď podloženou statistikou.
Tenhle průvodce vás provede vším podstatným: od základní metodiky přes výpočet velikosti vzorku a statistické významnosti až po výběr nástroje a nejčastější chyby. Zaměřuji se na praxi roku 2026 — včetně toho, jak se trh A/B testovacích nástrojů změnil po fúzi VWO a AB Tasty a jak do experimentování vstoupila AI.
Co je A/B testing a proč ho potřebujete
A/B testing (někdy označovaný jako split testing) je metoda kontrolovaného experimentu, při které proti sobě postavíte dvě varianty stejného prvku a měříte, která dosahuje lepších výsledků v předem definované metrice. Varianta A je obvykle stávající stav (kontrola), varianta B obsahuje jednu změnu, jejíž dopad chcete změřit.
Princip vychází z klasického vědeckého experimentu: rozdělíte návštěvníky náhodně do dvou skupin, každá vidí jinou verzi a po dosažení dostatečného vzorku porovnáte výsledky. Pokud je rozdíl statisticky významný, máte odpověď.
Bez A/B testování děláte rozhodnutí podle intuice nebo podle toho, „co funguje konkurenci”. Obojí je v marketingu drahá past — A/B test stojí jen čas a traffic, ale ušetří vám měsíce práce na změnách, které ve skutečnosti konverze snižují.
Co všechno můžete A/B testovat
Testovat lze prakticky cokoli, co má vliv na chování uživatele. V praxi se nejčastěji testují tyto prvky:
- Nadpisy a podnadpisy na landing pages
- Texty CTA tlačítek („Koupit”, „Zjistit víc”, „Vyzkoušet zdarma”)
- Barva, velikost a umístění tlačítek
- Layout stránky a struktura konverzního trychtýře
- Předmět e-mailu a odesílatel
- Cenové úrovně a struktura ceníku
- Délka a podoba kontaktních formulářů
- Produktové fotografie (lifestyle vs. produktové záběry)
- Pop-upy, jejich timing a obsah
- Headery, navigace a vyhledávání
Pozor — ne všechno má smysl testovat. Pokud změna nemá podle vašich dat potenciál ovlivnit klíčovou metriku alespoň o jednotky procent, statisticky ji prostě nedokážete prokázat. Začněte u prvků, kde předpokládáte větší dopad: hlavní CTA, headline na landing page, struktura checkoutu.
Jak A/B testing funguje krok za krokem
Validní experiment není „pustím dvě verze a uvidím”. Pokud přeskočíte kteroukoli fázi, výsledek může být statisticky neplatný — i kdyby vám nástroj zobrazil zelený štítek „winner”.
Krok 1: Formulujte hypotézu
Každý test začíná hypotézou ve formátu: „Pokud změníme X, předpokládáme, že se Y zlepší o Z %, protože …”
Hypotéza musí být konkrétní, měřitelná a mít podklad v datech (heatmapy, analytika, uživatelský výzkum). Špatná hypotéza zní „zkusíme zelené tlačítko místo modrého”. Dobrá hypotéza zní: „Změnou textu CTA z ‚Odeslat’ na ‚Získat nabídku zdarma’ zvýšíme konverzní poměr formuláře o 10 %, protože benefit je explicitní a snižuje vnímané riziko.”
Krok 2: Spočítejte velikost vzorku a délku testu
Tohle je krok, který většina začátečníků přeskakuje — a kvůli kterému pak dělají chybná rozhodnutí. Než spustíte test, musíte vědět, kolik návštěvníků každá varianta potřebuje, abyste byli schopni rozdíl mezi nimi prokázat.
Velikost vzorku závisí na třech parametrech:
- Baseline conversion rate — současný konverzní poměr kontrolní varianty
- Minimum Detectable Effect (MDE) — nejmenší rozdíl, který chcete detekovat (např. 5% relativní zlepšení)
- Hladina významnosti a statistická síla — standardně 95% významnost a 80% síla
Pro výpočet použijte sample size kalkulátor — Optimizely, VWO, Evan Miller a Statsig nabízejí volně dostupné nástroje. Při baseline 3 % a snaze prokázat 10% relativní uplift potřebujete řádově desítky tisíc návštěvníků na variantu.
Test musí běžet také minimálně jeden plný týdenní cyklus, ideálně dva. Chování uživatelů se liší podle dne v týdnu a kratší doba testu může výsledky zkreslit sezónními výkyvy.
Krok 3: Rozdělte návštěvníky náhodně 50/50
Standardem je rozdělení 50/50, kde každý návštěvník je deterministicky přiřazen k jedné variantě (typicky podle hash z cookie nebo user ID). Tento přístup zajišťuje, že se obě skupiny statisticky neliší v ničem jiném než v testovaném prvku.
Před ostrým testem doporučuji spustit A/A test — tedy verzi proti sobě samé. Pokud váš nástroj hlásí významný rozdíl mezi dvěma identickými variantami, máte v setupu chybu a všechny budoucí výsledky by byly nedůvěryhodné.
Krok 4: Vyhodnoťte výsledky až po dosažení vzorku
Test ukončete teprve tehdy, když dosáhnete předem spočítaného vzorku — ne dřív, ani pokud nástroj během prvních dní hlásí 95% významnost. Tomuto pokušení se říká peeking a je to nejčastější statistická chyba v A/B testingu.
Statistik Evan Miller demonstroval, že pokud kontrolujete ongoing test desetkrát, „95% významnost”, kterou vidíte na dashboardu, ve skutečnosti odpovídá zhruba 60–70 %. Type I error (falešný pozitiv) raketově roste.
Vítěznou variantu navíc neimplementujte rovnou. Best practice doporučuje pustit head-to-head validační test mezi původní verzí a vítězem, abyste výsledek potvrdili a vyloučili vliv sezónních faktorů nebo paralelních kampaní.
Statistická významnost: Co skutečně znamená
Statistická významnost odpovídá na otázku: jaká je pravděpodobnost, že rozdíl mezi variantami vznikl jen náhodou? Standardem je hladina významnosti 5 % (alpha = 0,05), což znamená, že u významného výsledku máte 95% jistotu, že rozdíl není dílem náhody.
Existují dva základní statistické přístupy, které dnešní platformy používají:
- Frequentist statistika — klasický přístup s pevně definovaným vzorkem. Vyžaduje disciplínu (žádný peeking) a přesné dodržení předem stanovené velikosti.
- Bayesian statistika — pracuje s pravděpodobností, že varianta B porazí A, a je odolnější vůči peekingu. Používají ji platformy jako VWO SmartStats nebo Dynamic Yield.
Optimizely v roce 2026 používá vlastní Stats Engine kombinující sequential testing s false discovery rate kontrolou — to umožňuje sledovat výsledky průběžně bez inflace chyb prvního druhu.
Statistická významnost ale není byznys významnost. Test může být statisticky průkazný a přitom přinést uplift 0,2 %, který se nikdy nezaplatí. Vždy si výsledek přepočítejte na očekávaný dopad na revenue, marži nebo LTV.
Nejčastější chyby v A/B testingu (a jak se jim vyhnout)
Z analýzy desítek experimentačních programů vyplývá, že většina problémů se opakuje. Tady je sedm chyb, které vás můžou stát měsíce vývoje a špatná byznysová rozhodnutí.
1. Peeking — kontrola výsledků před koncem testu
Sledování průběžných výsledků a zastavování testu, jakmile p-value klesne pod 0,05, dramaticky zvyšuje riziko falešně pozitivního výsledku. P-value je v průběhu testu náhodná veličina a v raných fázích kolísá.
Řešení: Předem si stanovte velikost vzorku a délku testu a držte se jich. Pokud potřebujete sledovat průběžně, použijte platformu se sequential testingem (Optimizely Stats Engine, GrowthBook), která je proti peekingu odolná.
2. Příliš malý vzorek
Test s 500 návštěvníky na variantu nedokáže detekovat rozdíly menší než desítky procent. Výsledky kolísají vlivem náhody a falešně negativní zjištění (skutečně lepší varianta vypadá hůř) jsou stejně nebezpečná jako falešně pozitivní.
Řešení: Pokud máte malý traffic, testujte jen prvky s velkým očekávaným dopadem (hlavní CTA, headline) a nesnažte se měřit drobné změny barvy tlačítka.
3. Více změn v jedné variantě
Pokud testujete novou verzi stránky, kde jste změnili headline, fotku, CTA i layout, a varianta vyhraje, nevíte, který prvek za to stojí. Pro budoucí optimalizaci nemáte žádné použitelné poznání.
Řešení: Testujte změny po jednotlivých prvcích. Pokud chcete měřit kombinovaný efekt, použijte multivariate testing (MVT) — ale ten vyžaduje násobně větší vzorek.
4. Ignorování segmentace
Globální „vítěz” může mít na různých segmentech (mobile vs. desktop, noví vs. vracející se, různé zdroje trafficu) zcela odlišné výsledky. Bez segmentace přicházíte o klíčový kontext a riskujete, že implementujete změnu, která 60 % uživatelů zlepší a 40 % zhorší.
Řešení: Po vyhodnocení testu vždy projděte výsledky alespoň podle zařízení, zdroje trafficu a typu uživatele. Pozor: segmentace post-hoc zvyšuje riziko multiple testing problem, takže k segmentovým výsledkům přistupujte jako k hypotézám pro další testy.
5. Zahrnutí nesprávných uživatelů do testu
Pokud testujete onboarding novým uživatelům, ale do experimentu se vám dostanou i staří, kteří jím už prošli, ředíte výsledky a metrika nevykazuje skutečný dopad změny.
Řešení: Před zařazením do testu filtrujte uživatele tak, aby se experimentu účastnili jen ti, kterých se změna reálně týká.
6. Optimalizace na proxy metriky místo byznys cílů
Klasická past: testujete CTR na bannerech a vyhrajete o 30 %, ale konverze do prodeje klesnou. Proxy metriky (CTR, kliknutí, prokliky) jsou snadno měřitelné, ale často nekorelují s výsledným byznys výsledkem.
Řešení: Definujte primární metriku co nejblíže byznys cíli — ideálně revenue per visitor, dokončené objednávky, kvalifikované leady. Proxy metriky sledujte jako sekundární.
7. Implementace bez post-launch validace
Vítězná varianta v testu nemusí zachovat svůj výkon po nasazení do produkce. Důvody jsou různé: novelty effect (uživatelé reagují na novinku), sezónnost, paralelní kampaně, jiné chování segmentů než v testu.
Řešení: Po nasazení sledujte minimálně 4–6 týdnů klíčové metriky a porovnávejte s pre-launch baselinem. Pokud výsledky neodpovídají testu, vraťte se k analýze.
Nejlepší nástroje pro A/B testing v roce 2026
Trh A/B testovacích nástrojů prošel v posledních dvou letech zásadní konsolidací. Po sunsetování Google Optimize v roce 2023 se trh přesunul k full-stack a server-side experimentaci. V roce 2025 oznámily VWO a AB Tasty fúzi do společné entity s ARR přes 100 milionů dolarů a 4 000+ enterprise zákazníky.
Volba nástroje závisí na velikosti firmy, technické vyspělosti týmu a tom, jestli potřebujete spíš marketingové (client-side) nebo produktové (server-side) testování.
Enterprise platformy
- Optimizely — leader pro velké organizace s vlastní stats engine (sequential testing + FDR controls), generative AI pro tvorbu variant a deep integrací s CDP. Cena se obvykle pohybuje od pěticiferných čísel ročně, transparentní pricing není veřejný.
- Adobe Target — součást Adobe Experience Cloud, vhodný pro firmy už zakořeněné v Adobe ekosystému. Silný v personalizaci a omnichannel scenarech.
- Kameleoon — full-stack testovací platforma s AI personalizací a předvídavým targetingem na základě více než 25 segmentačních kritérií.
All-in-one platformy pro CRO
- VWO (nyní fúzovaná s AB Tasty) — Bayesian SmartStats engine, vizuální editor, integrované heatmapy, session recordings a feature management. Free tier do 50 000 uživatelů, placené plány od 299 USD měsíčně.
- AB Tasty — historicky silný v personalizaci a předbuilt widgetech (alerty, bannery, modaly). Po fúzi s VWO se postupně produkt integruje pod společnou platformu.
- Convert — alternativa k Optimizely s důrazem na ochranu soukromí a flexibilní integrace.
Open-source a developer-friendly
- PostHog — all-in-one platforma s product analytics, feature flags, experiments a session replay. Vhodná pro produktově orientované týmy a startupy.
- GrowthBook — open-source platforma s Bayesian a sequential testingem, ideální pro týmy, které chtějí mít plnou kontrolu nad daty.
- Statsig — feature flags a experimentation s důrazem na statistickou rigoróznost. Populární u SaaS a produktových týmů.
V roce 2026 navíc přibyly AI-driven funkce napříč všemi platformami — generování test ideí z URL, automatické psaní variant copy, AI segmentace návštěvníků a prompt-based workflows. Trend ukazuje směrem k experimentaci, kterou zvládne i méně technický marketing tým.
Případové studie: Co A/B testing dokázal v praxi
Teorie je hezká, ale konkrétní výsledky přesvědčí lépe. Tady je několik dobře zdokumentovaných případů, které ukazují rozsah dopadů — od jednociferných uplifů až po násobné růsty konverzí.
Cestovní platforma Going testovala dvě varianty CTA — „Start Free Trial” vs. „Get Premium Access”. Vítězná varianta vedla k 104% nárůstu trial sign-ups měsíc-na-měsíc a poprvé překonala výkon organického trafficu z placených kanálů. Drobná změna textu, obrovský dopad.
Polský e-shop Grene (zemědělské produkty) přepracoval mini cart tak, aby zvýraznil klíčové prvky stránky. Výsledek se projevil v měřitelném růstu konverzí v košíku — ukázka, že technicky drobná úprava UX prvku může mít neúměrný byznys dopad.
Beauty retailer True Botanicals přidal na produktové stránky social proof prvky (počet recent purchases) a dosáhl konverzního poměru 4,9 % a přírůstku ROI přes 2 miliony dolarů.
Pravděpodobně nejznámější příklad: Google testoval 41 odstínů modré pro barvu odkazů a vítězný odstín přinesl podle veřejně dostupných dat odhadovaných 200 milionů dolarů ročně navíc na ad revenue. Test, který se v komunitě stal symbolem extrémní data-driven kultury — a důkazem, že i triviální změny při správném škálování generují obrovskou hodnotu.
Kdy A/B testing nemá smysl
Přes všechny benefity má A/B testing reálné limity. Než spustíte experiment, zvažte, jestli ho vůbec potřebujete:
- Příliš malý traffic — pokud máte pod 1 000 unikátních návštěvníků měsíčně na klíčové stránce, statisticky průkazné výsledky budete mít po měsících. Lepší je investovat do kvalitativního výzkumu (uživatelské testy, rozhovory).
- Strategická nebo brand rozhodnutí — celkový rebranding, nový brand positioning nebo zásadní redesign nelze rozumně A/B testovat, protože dopad se projeví v dlouhodobém horizontu mimo metriky testu.
- Čerstvě nasazené stránky — než začnete optimalizovat, potřebujete baseline data alespoň 4–8 týdnů.
- Změny vynucené regulací nebo právním požadavkem — GDPR cookie lišta nebo povinné disclaimery se netestují na konverzi, ale implementují.
Nejčastější otázky
Jak dlouho má A/B test běžet?
Minimálně jeden plný týdenní cyklus, ideálně dva, abyste pokryli rozdíly v chování uživatelů během týdne. Konkrétní délka se odvíjí od trafficu — primárně se ale řiďte předem spočítanou velikostí vzorku, ne časovým harmonogramem.
Kolik návštěvníků potřebuji pro statisticky průkazný test?
Závisí na vašem baseline conversion rate a velikosti efektu, který chcete detekovat. Při baseline 3 % a snaze prokázat 10% relativní uplift se pohybujeme v desítkách tisíc návštěvníků na variantu. Použijte sample size kalkulátor (Optimizely, VWO, Evan Miller).
Můžu zastavit test dřív, když už vidím vítěze?
Ne, pokud nepoužíváte platformu se sequential testingem. Předčasné zastavení (peeking) dramaticky zvyšuje pravděpodobnost falešně pozitivního výsledku. Držte se předem definované velikosti vzorku.
Jaký je rozdíl mezi A/B testingem a multivariate testingem?
A/B test porovnává dvě varianty s jednou změnou. Multivariate testing (MVT) testuje více kombinací několika prvků současně (např. 3 nadpisy × 2 obrázky = 6 variant). MVT vyžaduje násobně větší vzorek a hodí se až tehdy, když máte hodně trafficu a chcete měřit interakce mezi prvky.
Ovlivní A/B testing moje SEO?
Pokud testování provádíte podle pravidel, ne. Google A/B testování explicitně povoluje. Vyhněte se cloakingu (servírování jiného obsahu Googlebotu než uživateli), používejte rel=”canonical” pro varianty s odlišnou URL a omezte délku testu na nezbytně nutnou dobu.
Jaký nástroj zvolit pro malý e-shop?
Pro menší e-shopy s omezeným rozpočtem dává smysl VWO Free tier (do 50 000 uživatelů) nebo PostHog v open-source verzi. Convert nabízí přívětivější pricing než enterprise hráči. Vyhněte se Optimizely a Adobe Target — pro malý e-shop jsou neúměrně drahé.
Další zdroje:
- The State of A/B Testing Tools in 2026 – Convert Experiences [online]. [cit. 8. 5. 2026]. Dostupné z: https://www.convert.com/blog/a-b-testing/state-of-ab-testing-tools-2026/
- 15 Best A/B Testing Tools & Software in 2026 – VWO [online]. [cit. 8. 5. 2026]. Dostupné z: https://vwo.com/blog/ab-testing-tools/
- How Not To Run an A/B Test – Evan Miller [online]. [cit. 8. 5. 2026]. Dostupné z: https://www.evanmiller.org/how-not-to-run-an-ab-test.html
- How Do I Avoid Common A/B Testing Mistakes? – Adobe Target Documentation [online]. [cit. 8. 5. 2026]. Dostupné z: https://experienceleague.adobe.com/en/docs/target/using/activities/abtest/common-ab-testing-pitfalls
- What is A/B testing? With examples – Optimizely [online]. [cit. 8. 5. 2026]. Dostupné z: https://www.optimizely.com/optimization-glossary/ab-testing/
- A/B Testing Best Practices – Twilio [online]. [cit. 8. 5. 2026]. Dostupné z: https://www.twilio.com/en-us/blog/insights/best-practices/ab-testing-best-practices
- 12 A/B Testing Case Studies for CRO Success in 2026 – Upskillist [online]. [cit. 8. 5. 2026]. Dostupné z: https://www.upskillist.com/blog/12-ab-testing-case-studies-for-cro-success-in-2025/
- A/B testing mistakes I learned the hard way – PostHog [online]. [cit. 8. 5. 2026]. Dostupné z: https://posthog.com/product-engineers/ab-testing-mistakes
