Stellenanzeigen A/B-testen: mit Daten herausfinden, was wirklich Bewerbungen bringt

Stellenanzeigen werden fast überall nach Bauchgefühl geschrieben und nie wieder angefasst. Dabei ist die Anzeige der erste und oft einzige Kontaktpunkt mit potenziellen Bewerbenden - und kleine Unterschiede in Titel, Einleitung oder Tonfall können die Zahl der Bewerbungen verdoppeln oder halbieren. Ohne Test rätst du, welche Version wirkt. Mit einem einfachen A/B-Test weißt du es.

A/B-Testen klingt nach Marketing-Abteilung und Statistik-Studium, ist aber im Kern simpel: Du lässt zwei Versionen derselben Stelle parallel laufen, die sich in genau einer Sache unterscheiden, und schaust nach einer fairen Laufzeit, welche mehr qualifizierte Bewerbungen gebracht hat. Das kann jedes kleine Team.

Der häufigste Fehler ist, zu viel auf einmal zu ändern. Wenn du gleichzeitig Titel, Einleitung und Gehaltssignal änderst und Variante B gewinnt, weißt du nicht, was gewirkt hat - vielleicht war es der Titel und das Gehaltssignal hat sogar geschadet. Ein sauberer A/B-Test ändert genau eine Variable. Alles andere bleibt identisch. Nur so ist das Ergebnis interpretierbar.

Wenn du mehrere Ideen hast, teste sie nacheinander, nicht gleichzeitig. Erst der Titel, dann - mit dem Gewinner-Titel - die Einleitung, dann das Gehaltssignal. Das dauert länger, aber jeder Test gibt dir eine klare, übertragbare Erkenntnis, die du auf die nächste Anzeige anwenden kannst.

Nicht jede Variable ist gleich wirkungsvoll. Der Titel ist fast immer der größte Hebel, weil er entscheidet, ob jemand die Anzeige überhaupt öffnet - 'Senior Backend-Entwickler:in (m/w/d)' gegen 'Backend-Profi für unser Produkt-Team' kann den Unterschied zwischen gefunden und übersehen ausmachen. Die zweite einflussreiche Variable ist das Gehaltssignal: eine konkrete Spanne zieht oft mehr und passendere Bewerbungen als 'attraktives Gehalt'.

Weitere lohnende Tests: die ersten zwei Sätze der Einleitung (Aufgabe zuerst oder Firma zuerst?), die Länge der Anforderungsliste (eine kürzere Muss-Liste senkt oft die Abbruchquote), und der Call-to-Action am Ende. Was sich selten lohnt zu testen, sind kosmetische Dinge wie Schriftgröße oder Bildfarben - die bewegen die Bewerbungs-Zahl kaum.

Ein A/B-Test braucht genug Daten, um aussagekräftig zu sein. Wenn jede Variante nur fünf Aufrufe bekommt, ist jedes Ergebnis Zufall. Als Faustregel für kleine Teams: lass den Test laufen, bis jede Variante eine zweistellige Zahl an Bewerbungen oder zumindest eine ordentliche dreistellige Zahl an Aufrufen gesammelt hat. Bei sehr seltenen Rollen mit wenig Traffic ist A/B-Testen schwierig - dann lohnt sich eher das saubere Lernen aus jeder einzelnen Anzeige.

Und miss die richtige Kennzahl. Klicks und Aufrufe sind verführerisch, weil sie groß und früh sind - aber eine Anzeige mit vielen Klicks und vielen unpassenden Bewerbungen hat verloren, nicht gewonnen. Die Kennzahl, die zählt, ist die Zahl der qualifizierten Bewerbungen, die es bis ins Interview schaffen. Ein guter A/B-Test optimiert auf Qualität, nicht auf Lärm.

Das praktische Problem beim A/B-Testen ist nicht das Konzept, sondern die saubere Erfassung: Welche Bewerbung kam über welche Variante? Wer das von Hand in einer Tabelle führt, verliert nach zwei Wochen den Überblick. Du brauchst eine Pipeline, die pro Bewerbung die Quelle und die Anzeigen-Variante festhält, damit du am Ende ehrlich vergleichen kannst.

In KI BMS kannst du zwei parallele Stellen mit unterschiedlichen Titeln oder Texten veröffentlichen, jede schreibt über ihr eigenes öffentliches Formular in die Pipeline, und die Quelle wird pro Bewerbung festgehalten. Über die Funnel-Auswertung siehst du dann, welche Variante nicht nur mehr Bewerbungen, sondern mehr Bewerbungen mit echter Conversion bis zum Interview gebracht hat. Damit testest du mit Daten, statt mit Bauchgefühl - und jede Erkenntnis macht die nächste Anzeige besser.