Guía sobre A/B testing

¿Qué es el A/B testing?

A/B testing, también denominado split testing, hace referencia al proceso de experimentación aleatoria según el cual dos o más versiones de una misma variable (una página web, un elemento concreto de la página, etc.) se presentan a distintos segmentos de visitantes de un sitio web para determinar cuál de ellas reporta más beneficios a la empresa.

En otras palabras, el A/B testing ayuda a evitar la necesidad de formular conjeturas, a mejorar la optimización del sitio web y a que los expertos en CRO tomen decisiones respaldadas por datos. En cuanto a la nomenclatura, la «A» se refiere a la versión original o «de control» de la página web, mientras que la «B» representa la nueva versión o la «variación». 

La alternativa que mejores métricas genera para el negocio se denomina «versión ganadora», ya que implementar los cambios incluidos en ella a las páginas o elementos testeados puede ayudar a optimizar el sitio web e incrementar el ROI de tu empresa. 

Las métricas de conversión son diferentes para cada empresa. En el caso del eCommerce, por ejemplo, podría tratarse de las ventas de los productos. Sin embargo, en un negocio B2B podría estar determinado por la generación de leads cualificados. 

El A/B testing forma parte del proceso de optimización de la tasa de conversión (CRO) y ayuda a recopilar insights cualitativos y cuantitativos. Los resultados obtenidos se pueden utilizar para comprender el comportamiento de los usuarios, la tasa de engagement, los puntos de fricción e incluso el nivel de satisfacción con distintas características del sitio web como nuevas funcionalidades, secciones remodeladas, etc. Por tanto, el A/B testing de un sitio web permite evitar la pérdida de una gran cantidad de potenciales beneficios para la empres

¿Qué ventajas tiene el A/B testing?

Hoy en día, una de las principales preocupaciones de los negocios B2B es la cantidad leads no cualificados que generan cada mes, mientras que el punto débil de las empresas de eCommerce tiene más que ver con la elevada tasa de abandono del carrito. Las editoriales y las empresas de medios, por su parte, se tienen que enfrentar a unos niveles de engagement reducidos. Estas métricas de conversión principales se ven perjudicadas, en todos los casos, por problemas como fugas en el funnel de conversión, abandonos en la página de pago, etc.

Veamos qué ventajas aporta el A/B testing en estos casos:

1. Resolución de los puntos de fricción de los visitantes

Los visitantes llegan a tu sitio web con un propósito específico, ya sea obtener más información sobre tus productos o servicios, comprar un artículo concreto, leer o profundizar sobre un tema en particular o, simplemente, echar un vistazo. Sea cual sea el objetivo, es posible que se enfrenten a una serie de puntos de fricción comunes, como un copy redactado de forma confusa, un CTA de compra o una solicitud de demo ubicados en un lugar difícil de localizar, etc. 

El hecho de que los usuarios no sean capaces conseguir el objetivo con el que llegaron implica que su experiencia ha sido mala, lo cual incrementa el nivel de fricción y acaba por repercutir en las tasas de conversión. Utilizar los datos recopilados mediante herramientas de análisis del comportamiento de los visitantes como los heatmaps, Google Analytics y las encuestas en el sitio web para solucionar las áreas en las que los visitantes tienden a encontrar más problemas. Este procedimiento es aplicable a empresas de todo tipo: eCommerce, turísticas, SaaS, educativas, de medios de comunicación y editoriales.

2. Mejora del ROI a partir del tráfico ya existente

Tal y como se ha venido comprobando con el paso del tiempo, conseguir tráfico de calidad es esencial para los sitios web. El A/B testing permite sacar el máximo partido al flujo de visitantes ya existente e incrementar las conversiones sin necesidad de realizar inversiones adicionales ni de atraer a más usuarios. El A/B testing puede ayudar a obtener un ROI elevado ya que, en ocasiones, incluso el más mínimo cambio acaba por resultar en un incremento significativo de la tasa general de conversión de una empresa.

3. Reducción de la tasa de rebote

Una de las métricas más importantes a tener en cuenta para conocer el desempeño de un sitio web es la tasa de rebote. Una tasa de rebote elevada puede deberse a múltiples factores, como una oferta excesiva de opciones a elegir, incompatibilidad con las expectativas, una navegación confusa, el uso de un lenguaje demasiado técnico, etc. 

Puesto que cada sitio web tiene su propio cometido único y está dirigido a un público objetivo concreto, no existe una solución universal para conseguir una mejora en este aspecto. No obstante, los tests A/B pueden resultar de gran ayuda, ya que permiten testear múltiples variaciones de un elemento para dar con la mejor versión posible. Esto no solo ayuda a identificar puntos de fricción y conflicto, sino que permite optimizar la experiencia general de los usuarios para que pasen más tiempo en el sitio web e incluso acaben por convertirse en clientes habituales.

4. Toma de decisiones con riesgo reducido

El A/B testing te permite introducir pequeños cambios de forma gradual en tu sitio web para que no tengas que rediseñarlo por completo, lo cual reduce el riesgo de poner en peligro tu tasa de conversión ya existente. 

Gracias al A/B testing podrás aprovechar al máximo tus recursos, obtener grandes resultados con modificaciones mínimas e incrementar tu ROI. Un ejemplo de ello serían los cambios en las descripciones de productos. Puedes ejecutar tests A/B siempre que tengas pensado eliminar o actualizar la descripción de alguno de tus productos para saber cómo reaccionarán los visitantes a dicha modificación y qué versión reportará más beneficios a tu empresa. 

Otro ejemplo de variación de bajo riesgo sería la introducción de una nueva funcionalidad. Recurrir al A/B testing antes de publicar una nueva funcionalidad puede ayudar a saber qué acogida le darán los visitantes de tu sitio web.

El hecho de implementar cambios sin testearlos previamente hace que resulte imposible prever si funcionarán o no a corto o a largo plazo, mientras que los tests aportan un mayor grado de seguridad.

5. Obtención de importantes mejoras estadísticas

El A/B testing ofrece resultados totalmente basados en datos, lo cual elimina la necesidad de realizar conjeturas o fiarse del propio instinto a la hora de tomar decisiones. Por tanto, resulta sencillo determinar qué versión es la ganadora y cuál la perdedora a través de métricas como el tiempo que pasan los visitantes en la página, el número de solicitudes de demos, la tasa de abandono del carrito, el CTR, etc.

6. Rediseño del sitio web para incrementar las ganancias en el futuro

La remodelación de un sitio web puede incluir desde pequeños cambios, como el color o el texto de un CTA, hasta otros más importantes como la modificación total de ciertas páginas web o incluso de todo el sitio. Cuando se realiza el A/B testing, las decisiones sobre qué versión implementar deberían basarse por completo en los datos obtenidos. Es más, este procedimiento de experimentación resulta útil incluso cuando ya se ha lanzado el nuevo diseño, dado que permite probar distintas versiones de ciertos elementos para garantizar que se está ofreciendo la alternativa que genera más engagement.

¿Cuándo se puede aplicar el A/B testing?

El funnel de conversión de un sitio web es clave para determinar la prosperidad de un negocio. Por tanto, es necesario optimizar cualquier tipo de contenido que ofrezcas a tus visitantes. Esto resulta especialmente importante en el caso de los elementos que puedan influir de forma significativa en su comportamiento y en la tasa de conversión para tu empresa. Si decides poner en marcha un programa de optimización, no olvides testear los siguientes elementos clave, entre otros:

Copy

1. Títulos y subtítulos

El título es prácticamente lo primero que ven los visitantes al llegar a un sitio web y lo que les genera una primera impresión que, de ser positiva, les hará quedarse e incluso convertirse en clientes habituales. Por tanto, es fundamental prestar suma atención a los títulos y subtítulos de tu sitio web. Para que resulten efectivos deben ser cortos, directos y llamativos y, además, deben transmitir el mensaje que deseas comunicar de un vistazo. Aprovecha el A/B testing para probar distintos copies con fuentes o estilos de redacción diferentes y analiza cuál capta más la atención de los visitantes y mejora la tasa de conversión. También puedes recurrir al sistema de generación de copies con IA de VWO para descubrir recomendaciones relacionadas con el copy de tu sitio web.

2. Body

El body o el texto principal de un sitio web debería especificar claramente qué se ofrece a los visitantes. Esto también debería reflejarse en el título y el subtítulo de la página. Un cuerpo bien redactado puede incrementar de forma muy significativa la tasa de conversión. 

A la hora de escribir el contenido de tu sitio web, ten en cuenta los dos parámetros descritos a continuación:

• Estilo de redacción: usa el tono que mejor se adapte a tu público objetivo. El copy debe dirigirse directamente al usuario final para resolver cualquier posible duda que le pueda surgir. Además, ha de resultar fácil de comprender e incluir elementos que ayuden a destacar los puntos de mayor importancia.
• Formato: opta por títulos y subtítulos relevantes, divide el copy en párrafos pequeños y sencillos y aplica un formato esquemático, como listas o bullet points.

Hoy en día, los expertos en CRO pueden valerse de la inteligencia artificial a la hora de crear copies para sitios web. Generative Pre-trained Transformer 3, o GPT-3, es una red neuronal artificial impulsada por IA con capacidad para generar textos prácticamente impecables en cualquier contexto La solución GPT-3, creada por OpenAI, emplea el machine learning para predecir y redactar contenidos tal y como lo haría una persona. ¡Y eso no es lo mejor! Ahora, además, puedes integrar GPT-3 de OpenAI con tu cuenta de testing de VWO y crear distintas variaciones del copy de tu sitio web sin necesidad de recurrir a un copywriter profesional ni a un experto en TI. 

3. Asunto del email

El asunto de los emails repercute directamente en las tasas de apertura. Si un suscriptor no ve nada que le interese, lo más probable es que el correo acabe en la papelera.

Según un estudio reciente, la tasa de apertura media en más de una docena de sectores se encuentra entre el 25 % y el 47 %. Aunque tu caso se encuentre por encima de la media, lo más probable es que solo la mitad de tus suscriptores decidan abrir el email.

Realizar A/B testing en el asunto de tus emails puede ayudar a incrementar el porcentaje de clics. Prueba a comparar entre preguntas y afirmaciones, entre distintas power words, o entre frases con y sin emojis. 

Diseño y layout

En muchos casos, es tal la cantidad de elementos que parece importante conservar, que las empresas tienen problemas para decidir cuáles deben formar parte del sitio web. El A/B testing ayuda a solucionar este problema de una vez por todas. 

En el caso de las tiendas de eCommerce, por ejemplo, las páginas de producto son extremadamente importantes desde el punto de vista de la conversión. Si algo está claro es que los recursos tecnológicos actuales han hecho que los visitantes deseen disponer de una imagen bien definida de los artículos antes de adquirirlos. Por tanto, el diseño y el layout de las páginas de los productos han de estar totalmente optimizados. 

Estos dos elementos incluyen el copy y el uso de imágenes (de ofertas o artículos) y vídeos (de los productos, de demostración, publicitarios, etc.). Las páginas de producto deberían resolver todas las dudas de los visitantes de manera inteligible y ordenada.

• Transmite información de forma clara: Trata de encontrar alternativas creativas para ofrecer todo el contexto necesario y descripciones precisas en función del tipo de producto que vendas. De esta forma, los posibles compradores no se verán abrumados al tratar de buscar respuesta a sus dudas en un copy desordenado. Escribe textos concisos acompañados de gráficos llamativos, colores variados, etc.
• Destaca las opiniones de los clientes: Añade opiniones buenas y malas sobre tus productos, ya que estas últimas aportan credibilidad a la tienda.
• Opta por una redacción sencilla: Evita usar un lenguaje rebuscado o con demasiadas florituras que pueda resultar confuso para los posibles compradores. En lugar de ello, opta por un estilo corto, sencillo y ameno.
• Crea sensación de urgencia: Añade etiquetas como «Solo quedan 2 unidades», banners de cuenta atrás del tipo «La oferta termina en 2 horas 15 minutos» o destaca cualquier descuento exclusivo u oferta de temporada para incitar a los posibles compradores a adquirir los productos de inmediato.

Asimismo, resulta imprescindible optimizar el diseño tanto de la página de inicio como de la landing page. Utiliza el A/B testing para descubrir qué versión funciona mejor en estas URL tan importantes. Testea todo lo que se te ocurra, como distintos layouts, el uso de espacios en blanco combinados con imágenes de gran definición o de vídeos en lugar de imágenes, etc. 

Aprovecha los insights obtenidos a partir de heatmaps, mapas de clics y scrollmaps para retirar elementos innecesarios de las páginas, analizar los dead clicks e identificar posibles distracciones. Cuanto menos recargadas estén la página de inicio y la landing page, más probabilidades tendrán los visitantes de encontrar lo que buscan de forma fácil y rápida.

Navegación

La navegación del sitio web es otro de los elementos que se pueden optimizar gracias al A/B testing. De hecho, es el más importante a la hora de ofrecer una experiencia de usuario de gran calidad. Asegúrate de planificar claramente la estructura del sitio web y la forma en que las distintas páginas estarán vinculadas entre sí y, a continuación, prueba a navegarla. 

La navegación comienza en la página de inicio. Esta es la matriz desde la que parten el resto de páginas y a través de la cual se vinculan unas con otras. Asegúrate de que la estructura de tu sitio web sea lo bastante sencilla como para que los visitantes encuentren lo que buscan y no acaben perdidos en «callejones sin salida». Cada uno de los clics que realicen debería llevarlos a la página que desean ver.

A continuación te ofrecemos algunas ideas para mejorar la experiencia de navegación:

• Cumple las expectativas de los visitantes ubicando la barra de navegación en los lugares más comunes, como la parte superior en horizontal o la parte izquierda en vertical, para facilitar su uso.
• Ayuda a crear una navegación predecible. Para ello, agrupa el contenido similar en un mismo bucket o en buckets que estén relacionados entre sí para, de esta forma, reducir la carga cognitiva del usuario. Pongamos el caso de una tienda de eCommerce que venda auriculares internos y externos. Es posible que algunos de ellos tengan cable y que otros sean inalámbricos o tipo ear-pods. La mejor estrategia sería ordenarlos de tal forma que los visitantes que busquen auriculares internos o externos puedan encontrar todas las variedades en un solo lugar en vez de tener que buscar las distintas clases una por una.
• Favorece una navegación fácil y fluida de tu sitio web gracias a la creación de una estructura sencilla y predecible acorde a las expectativas de los visitantes. Esto no solo incrementará las posibilidades de aumentar el número de conversiones, sino que permitirá ofrecer una experiencia de usuario inmejorable para que los usuarios no duden en volver.

Formularios

Los formularios son una de las vías por las que pueden optar los posibles clientes para ponerse en contacto contigo y resultan especialmente importantes si forman parte del funnel de compras. Del mismo modo que no existen dos sitios web iguales, no existen formularios universales adaptados a todo tipo de públicos objetivo. Mientras que las versiones más cortas y generales pueden funcionar fenomenal para algunas empresas, otras se beneficiarán enormemente de la introducción de formularios largos que mejoren la calidad de los leads. 

Si deseas saber cuál se adaptará mejor a tu público objetivo, puedes recurrir a herramientas o métodos de investigación como análisis de formularios que ayuden a identificar qué partes resultan más conflictivas de cara a la optimización.

CTA (call to action)

Los CTA son los verdaderos desencadenantes de la acción, es decir, de la finalización de la compra, de la conversión, del envío de formularios de registro y de otro tipo de comportamientos que influyen directamente sobre el CRO. El A/B testing permite testear distintos copies, ubicaciones, tamaños y colores para los CTA, entre otras cosas. Este tipo de experimentos ayuda a saber qué versión tiene mayor potencial para generar conversiones.

Demostración social

Las demostraciones sociales o social proof incluyen desde recomendaciones y opiniones de expertos en la materia, de personas famosas o de los propios clientes, hasta testimonios, menciones en medios de comunicación, insignias y galardones, certificaciones, etc. La presencia de este tipo de elementos sirve para dar fe de la autenticidad de la oferta de un sitio web. El A/B testing puede ayudar a identificar si resulta o no pertinente añadir demostraciones sociales y, en caso de que lo sea, determinar cuántos y qué tipos funcionarían mejor. Puedes testear distintas variedades, layouts y ubicaciones para saber cuál te reporta más beneficios.

Profundidad del contenido

Puede que algunos visitantes del sitio web prefieran leer textos largos y detallados que hablen de forma exhaustiva sobre un tema determinado. No obstante, hay otros que prefieren ojear la página y detenerse únicamente en los temas que les resultan más relevantes. ¿Cuál de estos casos se corresponde más con tu público objetivo?

Realiza A/B testing de la profundidad del contenido. Crea dos versiones de un mismo texto, una de ellas mucho más extensa y detallada que la otra, y analiza cuál llama más la atención de tus lectores. 

La profundidad del contenido influye tanto en el SEO como en otras métricas importantes para el negocio como la tasa de conversión, el tiempo de permanencia en cada página y la tasa de rebote. El A/B testing permite encontrar el equilibrio perfecto.

Tipos de tests A/B

Una vez identificados qué elementos de una página web se deben testear para mejorar las métricas de tu empresa, profundicemos en los distintos tipos de testing y las ventajas de cada uno de ellos.

En general, los métodos de testing suelen dividirse en cuatro: A/B testing, split testing de URL, test multivariante y test multipágina. Puesto que ya hemos hablado ampliamente del primero, prosigamos con el resto.

Split testing de URL

Muchas personas que deciden realizar testings de sus páginas confunden el split testing de URL con el A/B testing. Sin embargo, son dos cosas muy diferentes. El split testing de URL se refiere a los experimentos en los que se testea una versión totalmente nueva de una URL ya existente para ver cuál funciona mejor. 

Normalmente, el A/B testing se utiliza para testear cambios de front-end en el sitio web. El split testing de URL, por su parte, se emplea para realizar cambios significativos, especialmente en cuanto al diseño, en la página actual. Por tanto, resulta perfecto en casos en los que no se desee tocar el diseño de una página web para llevar a cabo el testing. 

Al ejecutar un split testing de URL, el tráfico del sitio web se reparte entre la versión de control (el URL original) y las distintas variaciones (las nuevas URL) para analizar las tasas de conversión de cada una de ellas y determinar cuál es la ganadora. 

Ventajas del split testing de URL

• Resulta ideal para testear diseños totalmente nuevos y compararlos con el actual a fin de analizar los resultados de ambos. 
• Está recomendado para la ejecución de tests cuyos cambios no están relacionados con la UI, como el cambio de base de datos, la optimización del tiempo de carga de la página, etc. 
• Permite el cambio de los flujos de trabajo de la página web. Los flujos de trabajo influyen enormemente en las conversiones y ayudan a testear nuevas vías antes de implementar los cambios y a determinar si se ha pasado por alto algún punto de fricción.
• Ofrece un método de testing mejor y más adecuado para el contenido dinámico. 

Test multivariante

Los tests multivariante representan el método de experimentación mediante el cual se testean versiones de múltiples variables de una misma página de forma simultánea para analizar qué combinación ofrece los mejores resultados. Es un procedimiento más complejo que el A/B testing y está especialmente indicado para expertos en marketing, producto y desarrollo.

A continuación te ofrecemos un ejemplo para tratar de reflejar mejor lo que conlleva un test multivariante. Pongamos que deseas testear dos versiones de la imagen principal, del color del CTA y de los títulos una de tus landing pages. En total se crean ocho variaciones que se testean simultáneamente para dar con la versión ganadora.

El número total de versiones que se crean en cada test multivariante se puede calcular fácilmente a través de la siguiente fórmula:

[N.º de variaciones del elemento A] × [N.º de variaciones del elemento B] × [N.º de variaciones del elemento C]… = [N.º total de variaciones]

Los tests multivariante correctamente ejecutados pueden evitar la necesidad de realizar múltiples tests A/B secuenciales en una página web con objetivos similares. El hecho de realizar diversos experimentos de forma simultánea para toda una serie de variaciones permite ahorrar tiempo, dinero y trabajo y, además, ayuda a obtener conclusiones más rápidamente.

Ventajas de los tests multivariante 

Los tests multivariante suelen ofrecer tres ventajas principales:

• Evitan la necesidad de llevar a cabo diversos tests A/B secuenciales con un objetivo común y favorecen el ahorro de tiempo, ya que permiten realizar un seguimiento del desempeño de los distintos elementos testeados de forma simultánea.
• Permiten analizar y determinar fácilmente en qué medida contribuye cada elemento de la página a los beneficios obtenidos.
• Favorecen el análisis de la interacción entre todas las variaciones de cada elemento (títulos de la página, imágenes de los banners, etc.).

Test multipágina

Los tests multipágina permiten testear cambios realizados en elementos concretos en varias páginas a la vez.

Existen dos formas de llevar a cabo este tipo de experimentos. En primer lugar, puedes tomar todas las páginas de tu funnel de ventas y crear nuevas versiones de cada una de ellas para, de esta forma, comparar todo el funnel con la versión de control. A este proceso se le denomina testing multipágina del funnel. 

En segundo lugar, puedes testear en qué medida afecta al funnel de ventas la introducción o la retirada de elementos recurrentes, como sellos de certificaciones de seguridad, testimonios, etc. A este proceso se le conoce como testing multipágina clásico o tradicional. 

Ventajas de los tests multipágina 

Al igual que ocurre con el A/B testing, los tests multipágina son fáciles de crear y ejecutar y permiten obtener datos fiables y significativos de forma sencilla en el menor plazo de tiempo posible. 

Estas son algunas de las ventajas de este tipo de experimentos:

1. Permiten mejorar la experiencia del público objetivo. 
2. Ofrecen un gran nivel de consistencia en las páginas, independientemente de si se trata de la versión de control o de las variaciones. 
3. Permiten implementar el mismo cambio en distintas páginas para evitar que los visitantes se distraigan y acaben vagando sin rumbo entre distintas variaciones y diseños de tu sitio web.

¿Cuál es el mejor enfoque estadístico para ejecutar un test A/B?

Al igual que resulta importante conocer los cuatro métodos de experimentación de los tests A/B, también es esencial saber qué enfoque estadístico resulta más conveniente para ejecutarlos correctamente y obtener las conclusiones más apropiadas para tu negocio. 

Generalmente, los enfoques estadísticos empleados en los experimentos de A/B testing se dividen en dos: el frecuentista y el bayesiano. Cada uno de ellos tiene sus ventajas y sus inconvenientes. Sin embargo, en VWO siempre utilizamos, respaldamos y promovemos el enfoque bayesiano. 

A continuación te ofrecemos una comparación entre ambos para ayudarte a entender mejor nuestra decisión.

Enfoque frecuentista:

La probabilidad frecuentista calcula la probabilidad de un evento en función de la frecuencia (de ahí su nombre) con la que se dé dicho evento dentro de un gran número de experimentos o puntos de datos. Aplicado al A/B testing, resulta obvio que para optar por un enfoque frecuentista se necesitarían más datos (sería necesario realizar los tests a un mayor número de visitantes y durante un periodo de tiempo más largo) para obtener conclusiones de calidad. Esto implica una serie de limitaciones en cuanto a la escalabilidad del A/B testing. Además, según este método, resulta esencial definir la duración de un test A/B basándose en el tamaño de la muestra para sacar las conclusiones correctas. Los tests se basan en el hecho de que cada experimento puede repetirse un número infinito de veces.

Por tanto, el enfoque frecuentista requiere prestar la máxima atención posible en todos los casos ya que, para un mismo grupo de visitantes, será necesario ejecutar los tests durante un periodo más prolongado que el que se utilizaría con el enfoque bayesiano. Además, se ha de tener especial cuidado a la hora de gestionar cada experimento concreto, ya que solo se puede ejecutar un número de tests determinado en un periodo de tiempo específico. En comparación con las estadísticas bayesianas, el enfoque frecuentista resulta menos intuitivo y más difícil de comprender.

Enfoque bayesiano:

A diferencia del enfoque frecuentista, las estadísticas bayesianas se sustentan sobre una base teórica que se apoya en la interpretación bayesiana de la probabilidad, según la cual esta se expresa como un nivel de creencia en un evento determinado. Dicho de otra forma, cuanta más información tengamos sobre un evento, mejor y más rápido podremos predecir los resultados finales. En lugar de tratarse de valores fijos, las probabilidades ofrecidas por las estadísticas bayesianas pueden variar a medida que se introducen nuevos datos. Los resultados obtenidos pueden basarse en información antigua, como las conclusiones obtenidas por distintos tests realizados anteriormente, o en otro tipo de datos sobre el evento. 

El enfoque bayesiano ofrece resultados aplicables casi un 50 % más rápido que el frecuentista y se centra en la significación estadística. En un momento determinado, y siempre que dispongas de suficientes datos, las estadísticas bayesianas indican la probabilidad de que la variación A ofrezca una tasa de conversión más baja que la variación B o la de control. No tienen un límite de tiempo definido ni requieren grandes conocimientos sobre estadística.

Simplificado al máximo, el enfoque bayesiano podría compararse a la forma en la que gestionamos las cosas en nuestro día a día. Pongamos, por ejemplo, que estás en casa y no sabes dónde has puesto el móvil. Un frecuentista optaría por un rastreador con GPS para localizarlo y miraría únicamente en la zona que le indique el dispositivo. Por el contrario, un bayesiano no usaría solo el rastreador con GPS, sino que miraría en todos los sitios de la casa donde se ha dejado el móvil otras veces. En el primer caso, el evento se consideraría un valor fijo mientras que, en el segundo, se utiliza toda la información pasada y presente para localizar el teléfono. 

Echa un vistazo a la siguiente tabla para obtener una visión más clara de ambos enfoques:

Enfoque frecuentista	Enfoque bayesiano
Las estadísticas frecuentistas siguen la definición de la probabilidad como frecuencia a largo plazo.	Las estadísticas bayesianas siguen los conceptos de probabilidad como grado de creencia y probabilidad lógica.
Este enfoque solo emplea datos del experimento que se está llevando a cabo. El procedimiento se basa en realizar tests y sacar conclusiones.	Este enfoque emplea datos recopilados en experimentos anteriores y trata de incorporarlos al que se está llevando a cabo. El procedimiento se basa en utilizar todos los datos existentes para sacar conclusiones.
Ofrece una media estimada (y una desviación estándar) de casos en los que A gana a B, pero ignora por completo los casos en los que B gana a A.	Tiene en cuenta la posibilidad de que A gane a B y calcula el rango de mejora esperable.
Necesita que el test se ejecute durante un periodo de tiempo concreto para obtener datos válidos, pero no puede calcular la diferencia exacta entre A y B. Es decir, no indica las probabilidades de que A gane a B.	Ofrece más control durante el proceso de testing. De esta forma, es posible planificar mejor, finalizar los tests por razones más justificadas y obtener todos los detalles sobre las diferencias entre A y B.

Una vez decidido el método que deseas utilizar, llega el momento de convertirte en todo un experto en el uso de la plataforma de A/B testing de VWO.

Cómo ejecutar tests A/B

El A/B testing ofrece una forma muy sistemática de identificar las cosas que funcionan y las que no en cualquier campaña de marketing. En muchas ocasiones, los equipos de este departamento trabajan para conseguir más tráfico. Puesto que se trata de un cometido cada vez más difícil y costoso, resulta indispensable ofrecer la mejor experiencia posible a los usuarios del sitio web. Esto les permitirá alcanzar sus objetivos y proceder a la conversión de la forma más rápida y eficiente posible. En marketing, este tipo de experimentos permite sacar el máximo partido al tráfico existente e incrementar el nivel de beneficios. 

Un programa de A/B testing bien estructurado ayuda a identificar las áreas de conflicto que necesitan optimizarse para mejorar los resultados de la empresa. Este tipo de procedimientos ha pasado de ser algo puntual que se realiza de forma muy esporádica a convertirse en una actividad continua y bien organizada que debería incluirse en cualquier proceso de CRO correctamente definido. A grandes rasgos, se podría dividir en los siguientes pasos:

Paso 1: Investigación

Antes de crear un plan de A/B testing, es necesario estudiar en profundidad el desempeño actual del sitio web. Para ello, se deben recopilar datos relacionados con la forma en que los usuarios acceden al sitio, las páginas que generan más tráfico, los objetivos de conversión de las distintas páginas, etc. En este paso se pueden utilizar herramientas para A/B testing de análisis cuantitativo como Google Analytics, Omniture, Mixpanel, etc., que ayudan a saber cuáles son las páginas más visitadas, en cuáles pasan más tiempo los visitantes o cuáles presentan la tasa de rebote más elevada. Puede que para empezar desees, por ejemplo, saber qué páginas ofrecen un mayor potencial de generación de beneficios o de tráfico diario. A continuación, es posible que quieras profundizar en ciertos aspectos cualitativos de dicho tráfico. 

Los heatmaps son la herramienta más utilizada para determinar los lugares en los que los visitantes pasan más tiempo, así como su comportamiento en cuanto a desplazamientos por la página, etc. Esto puede ayudarte a identificar áreas de conflicto dentro del sitio web. Otra herramienta que suele emplearse para llevar a cabo estudios más detallados son las encuestas a usuarios del sitio web, que actúan como un canal de comunicación directo entre el equipo del sitio web y los usuarios finales y, a menudo, ponen de relieve ciertos problemas que podrían pasar desapercibidos entre la gran cantidad los datos recopilados. 

Otras alternativas como las herramientas de grabaciones de sesiones también permiten reunir información sobre el comportamiento de los usuarios, lo cual ayuda a saber si algo ha ido mal durante su experiencia. De hecho, combinar este tipo de recursos con encuestas de análisis de formularios puede ofrecer información muy valiosa sobre por qué los usuarios no se deciden a rellenar los formularios. Esto podría deberse, por ejemplo, a que ciertos campos soliciten la introducción de información personal o a que el formulario resulte demasiado largo para los usuarios.

Como se puede observar, la investigación cualitativa y cuantitativa ayuda a preparar el siguiente paso del proceso y ofrece resultados aplicables a los pasos posteriores.

Paso 2: Observación y formulación de hipótesis

Registra las observaciones obtenidas durante la fase de investigación y crea hipótesis basadas en datos para incrementar las conversiones y estar más cerca de alcanzar tus objetivos empresariales. Sin ellas, las campañas de testing no irían orientadas en ninguna dirección concreta. Las herramientas de investigación cualitativa y cuantitativa solo permiten recopilar información sobre el comportamiento de los usuarios. A partir de ahí, te toca a ti analizar e interpretar los datos obtenidos. La mejor forma de hacerlo es observarlos con atención para sacar conclusiones relevantes y, a continuación, utilizar los insights para formular hipótesis respaldadas por datos. A continuación, es necesario testear estas últimas frente a distintos parámetros como la confianza en que resulte la versión ganadora, su grado de influencia en los objetivos globales de la empresa, su facilidad de implementación, etc.

Paso 3: Creación de variaciones

La siguiente etapa del programa de testing consistiría en crear una variación basada en tu hipótesis y ejecutar un test A/B para compararlo con la versión de control. Una variación representa una versión alternativa a la actual en la que se han aplicado los cambios que deseas implementar. Puedes comparar múltiples variaciones con la versión de control para ver cuál funciona mejor. Crea una variación basada en tu hipótesis sobre qué podría funcionar mejor desde el punto de vista de la UX. En el caso de que, por ejemplo, haya un número excesivo de usuarios que no rellenan el formulario, habría que observar si este contiene demasiados campos o si solicita la introducción de información personal irrelevante. En caso de que así sea, podrías tratar de crear una variación que incluya un formulario más corto o con menos campos de información personal.

Paso 4: Ejecución de tests

Antes de proceder con este paso, es importante tener claro el método de testing y el enfoque que deseas utilizar. Una vez que hayas decidido cuáles se adaptan mejor a las necesidades de tu sitio web y a tus objetivos empresariales (puedes consultar los capítulos anteriores para obtener más información), inicia el test y espera el tiempo necesario para obtener resultados significativos desde un punto de vista estadístico. Ten en cuenta que, sea cual sea tu elección, el método de testing y la precisión estadística serán los factores que determinarán los resultados finales. 

Una de las condiciones fundamentales a tener en cuenta es, por ejemplo, los plazos de la campaña de testing y la duración de los tests, que han de ser lo más óptimos posible. Para calcular la duración del test, debes tener en cuenta el promedio diario y mensual de visitantes que recibe tu sitio web, la tasa de conversión actual aproximada, la mejora mínima esperada en este aspecto, el número de variaciones (incluida la versión de control), el porcentaje de visitantes incluido en el test, etc.Utiliza nuestra calculadora bayesiana para determinar la duración que deberían tener tus tests A/B si deseas obtener resultados relevantes desde un punto de vista estadístico.

Paso 5: Análisis de resultados e implementación de cambios

El último paso que se debe realizar para determinar la versión ganadora de la campaña también es extremadamente importante. Dado que el A/B testing requiere una recopilación y un análisis continuos de los datos, esta fase resulta crucial para llevar a cabo el experimento. Una vez finalizado el test, analiza los resultados mediante la observación de métricas como el incremento de los porcentajes, el nivel de confianza, el impacto directo o indirecto sobre otras métricas, etc. A continuación, y tras haber comprobado que el test se ha llevado a cabo correctamente, es el momento de implementar la versión ganadora. Si, por el contrario, los resultados no son concluyentes, trata de extraer insights y aplicarlos a tests posteriores.

El A/B testing permite trabajar de forma sistemática todas las partes que conforman tu sitio web para mejorar las conversiones.

Cómo crear un calendario para realizar A/B testing: planificación y priorización

El A/B testing nunca debería considerarse una tarea de optimización aislada, sino una parte de un programa integral de CRO. Los programas de optimización efectivos suelen constar de dos partes: la planificación y la priorización. El CRO no consiste en decidir de la noche a la mañana que se quiere testear un sitio web. La única forma de llevar a cabo un procedimiento de este tipo correctamente es con una buena dosis de brainstorming y datos de los visitantes en tiempo real. 

Dicho de otra forma, hay que empezar por analizar los datos existentes acerca del sitio web y recopilar información sobre el comportamiento de los visitantes para, a continuación, preparar un backlog de acciones, priorizar dichas acciones, ejecutar tests y extraer insights de cara al futuro. Cuando ya hayas realizado un gran número de tests ad hoc para optimizar la experiencia del sitio web, es probable que quieras escalar tu programa de A/B testing y darle una forma más estructurada. 

De ser así, lo primero que debes hacer es crear un calendario de A/B testing. Un buen programa de CRO consta de cuatro etapas:

Primera etapa: Medir

Se trata de la fase de planificación del programa de A/B testing. En ella se incluye el rendimiento del sitio web en cuanto a la reacción de los visitantes que acceden a él. Durante esta etapa, deberías determinar qué ocurre en tu sitio web, por qué sucede lo que sucede y cómo reaccionan los visitantes. Toda la actividad desarrollada en el sitio debería estar alineada con la consecución de tus objetivos empresariales. Por tanto, lo primero que debes hacer es asegurarte de cuáles son dichos objetivos. Existen herramientas como Google Analytics que te pueden ayudar a medirlos. Una vez definidos, configura GA para tu sitio web y establece los indicadores clave de desempeño.

Pongamos como ejemplo el caso de una tienda de venta de carcasas para móviles. Su objetivo empresarial sería aumentar los beneficios a través de un incremento de los pedidos online y las ventas. El KPI establecido para realizar el seguimiento de este objetivo sería, por tanto, el número de carcasas vendidas.

No obstante, esta etapa no consta solamente de la definición de objetivos del sitio web y de los KPI, sino que también incluye la comprensión del comportamiento de los visitantes. Anteriormente, hemos hablado sobre las distintas herramientas que pueden ayudar a recopilar este tipo de datos. Una vez reunida la información, registra tus observaciones y empieza a planificar tu campaña. Cuanto mejores sean los datos, más se incrementarán las ventas.

Tras haber fijado los objetivos empresariales y los KPI y haber analizado los datos del sitio web y el comportamiento de los visitantes, es hora de preparar el backlog.

Backlog: «acumulación de tareas no realizadas o materiales no procesados».

El backlog debería incluir una lista detallada de todos los elementos del sitio web que deseas testear a partir de los datos previamente analizados. Una vez que este documento esté listo, el siguiente paso sería formular una hipótesis para cada uno de los elementos incluidos en él. La recopilación y el análisis de los datos realizados durante esta etapa te ayudarán a disponer de suficiente contexto sobre qué ocurre en tu sitio web y por qué es así. Básate en las observaciones realizadas para formular hipótesis. 

Por ejemplo, tras analizar los datos recopilados con herramientas de estudio cuantitativo y cualitativo en la primera fase del proceso, es posible que hayas llegado a la conclusión de que el hecho de no ofrecer varias opciones de pago ha hecho que muchos clientes abandonen el sitio durante el checkout. Por tanto, una hipótesis podría ser que «añadir varias opciones de pago ayudará a reducir el abandono durante el checkout».

En resumen, al finalizar esta etapa tendrás toda la información sobre los «qué» y los «por qué» de tu sitio web.

Segunda etapa: Priorizar

La siguiente fase consiste en priorizar los posibles tests a ejecutar. Esto ayuda a ordenar múltiples hipótesis sobre una base científica. En este momento, deberías disponer ya de un gran cúmulo de datos sobre el sitio web y los visitantes, así como tener tus objetivos bien definidos. Una vez preparado el backlog y las hipótesis para cada elemento, te encontrarás justo en la mitad de la hoja de ruta de tu proceso de optimización. A continuación, viene la tarea principal de esta etapa: la priorización.

En la segunda fase deberías contar con toda la información necesaria para identificar los puntos de conflicto del sitio web y las posibles fugas del funnel. No obstante, no todas las áreas de acción tienen el mismo potencial a nivel empresarial. Por tanto, resulta imprescindible sopesar los elementos del backlog antes de elegir cuáles quieres testear. Existen ciertos factores a tener en cuenta a la hora de priorizar los distintos elementos de una campaña de testing, como el potencial de mejora, el valor y coste por página, la importancia de la página desde un punto de vista de negocio, el tráfico de la página, etc.

Entonces, ¿cómo podemos estar seguros de que el proceso de priorización sea 100 % objetivo e imparcial? Como seres humanos, tendemos a fiarnos de nuestro instinto, nuestras opiniones, nuestras ideas y nuestros valores, ya que recurrimos a ellos a diario. No obstante, el CRO no se parece en nada a nuestro día a día. Se trata de un proceso científico que requiere objetividad y una toma de decisiones coherente respaldada por datos. La mejor forma de dejar de lado la subjetividad es optar por una estrategia de priorización.

Existe un gran número de ellas a las que incluso los expertos recurren para dar sentido a sus inmensos backlogs. En esta página hablaremos sobre las más conocidas y utilizadas por los expertos: la matriz CIE, la matriz PIE y el modelo LIFT.

1. Matriz de priorización CIE

La matriz de priorización CIE consta de tres parámetros a partir de los cuales debes calificar tus tests de 1 a 5: 

• Confianza: en una escala de 1 a 5, siendo 1 el valor más bajo y 5 el más alto, califica tu nivel de confianza en la consecución de las mejoras que esperas obtener a partir de la hipótesis formulada. 
• Importancia en una escala de 1 a 5, siendo 1 el valor más bajo y 5 el más alto, selecciona cómo de crucial es el test para el que se ha formulado la hipótesis.
• Dificultad: en una escala de 1 a 5, siendo 1 «muy complejo» y 5 «muy sencillo», selecciona el nivel de complejidad del test. Califica la dificultad que tendría implementar los cambios incluidos en él.

Antes de seleccionar una puntuación para tu hipótesis, ten en cuenta estos tres aspectos:

A. ¿Cuál es tu nivel de confianza respecto a la consecución de la mejora?

Determinar el user persona objetivo puede ayudarte a calcular el potencial de una hipótesis. El hecho de conocer bien a tu tipo de público te permitirá realizar suposiciones fundamentadas sobre si una hipótesis satisfará las necesidades y resolverá las dudas de los usuarios para promover su conversión.

B. ¿Cómo de valioso es el tráfico al que está dirigido este test?

Es posible que tu sitio web atraiga a un gran número de visitantes, pero no todos ellos acaban convirtiéndose en clientes. No todos se convierten. Una hipótesis formulada en torno a una página de checkout, por ejemplo, resulta más importante que una dirigida a la página de características de los productos. Esto se debe a que los visitantes del checkout ya están metidos de lleno en el funnel, por lo que la probabilidad de conversión es mucho más elevada que en el caso de los usuarios que ojean la página de producto.

C. ¿Cómo de fácil resulta implementar este test?

A continuación, llega el momento de valorar el esfuerzo necesario para implementar el test. Trata de responder a cuestiones como «¿es necesario que planifiques la estrategia en profundidad para implementar la hipótesis?» «¿Qué nivel de esfuerzo conllevaría el diseño y el desarrollo de la solución propuesta por la hipótesis?» «¿Basta con utilizar el editor visual para implementar los cambios incluidos en la hipótesis o es necesario añadir también código personalizado?» Una vez respondidas todas estas preguntas y cualquier otra que se te ocurra, deberías clasificar los elementos de tu backlog en función de su nivel de dificultad.

2. Matriz de priorización PIE

La matriz PIE se creó para resolver la cuestión de qué elementos se deben testear primero. El objetivo principal de la fase de priorización en un programa de A/B testing es encontrar la respuesta a esta pregunta. La estrategia PIE incluye tres criterios a tener en cuenta al elegir qué testear y cuándo hacerlo: el potencial, la importancia y la sencillez.

El potencial se refiere a la capacidad de mejora de una página, la cual podrás determinar a partir de todos los datos obtenidos durante la fase de planificación.

La importancia representa el valor de la página, es decir, la cantidad de tráfico que genera. Si has identificado algún problema en una página que no tiene tráfico, su importancia será menor que la de las incidencias encontradas en otras con tráfico más elevado.

El último criterio es la facilidad o, dicho de otro modo, el nivel de complejidad a la hora de ejecutar un test en una página o en un elemento concretos. Una forma de determinar este valor es a través de herramientas como analizadores de landing pages, que permiten conocer el estado actual de las mismas, calcular el número y la magnitud de los cambios necesarios y priorizar las modificaciones a implementar, en caso de que las haya. Esto resulta especialmente importante desde el punto de vista de los recursos, ya que muchas empresas abandonan la idea de realizar campañas de A/B testing por las limitaciones que sufren en ese aspecto. Los recursos se dividen principalmente en dos categorías:

A. Recursos humanos

A pesar de que las empresas llevan muchos años recurriendo a programas de CRO y A/B testing, no es tan frecuente que se consideren una parte muy importante de sus estrategias. Por este motivo, en muchas de ellas los equipos de optimización especializados son inexistentes o muy reducidos. Aquí es donde entra en juego el calendario del que antes hemos hablado. Gracias a la creación de un backlog debidamente planificado y priorizado, los equipos de CRO pueden dedicar sus limitados recursos a los elementos que revisten mayor importancia.

B. Herramientas: 

A medida que el CRO y el A/B testing adquieren popularidad, también lo hacen las herramientas, tanto básicas como premium, relacionadas con ellos. Si una empresa tuviera que elegir una de ellas, pongamos la más económica, sin recurrir a la opinión de un experto y empezase a realizar A/B testing en cada elemento del backlog, no conseguiría llegar a ninguna conclusión significativa desde un punto de vista estadístico. Esto se debe a dos motivos: en primer lugar, de no realizarse la fase de priorización, lo más probable es que el testing no se desarrolle correctamente y, por tanto, no genere beneficios para la empresa. En segundo lugar, la calidad de las herramientas no es siempre la misma. 

Es posible que algunas de ellas tengan un precio más elevado debido a que incluyen herramientas de investigación cualitativa y cuantitativa de gran calidad o a que se trate de herramientas independientes capaces de ofrecer resultados con relevancia estadística. A pesar de que las opciones más económicas puedan resultar tentadoras cuando las empresas disponen de presupuestos limitados para testear backlogs inmensos, la realidad es que recurrir a ellas supondrá una inversión perdida y no les reportará ningún beneficio. La priorización ayudará a dotar de sentido a tu backlog y a dedicar todos tus recursos al testing de los elementos que resulten más rentables.

La clasificación de su complejidad de testeo debería basarse en los esfuerzos que conllevan a nivel técnico y económico. Puedes calificar todos los posibles elementos que representen una oportunidad de negocio en función de los criterios antes mencionados y elegir el que obtenga la puntuación más alta. En el caso de una tienda de eCommerce, por ejemplo, es posible que desees testear la página de inicio, la página del producto, el checkout y la página de agradecimientos o calificaciones. Según la matriz PIE, debes puntuar el potencial, la importancia y la sencillez de todas ellas:

*calificadas sobre un total de 10 puntos por criterio.

3. El modelo LIFT

El modelo LIFT es otra estrategia de optimización de la conversión muy conocida para el análisis de experiencias web y móviles y el desarrollo de buenas hipótesis para A/B testing. Se basa en los seis factores de conversión para evaluar las experiencias desde el punto de vista de los visitantes: propuesta de valor, claridad, relevancia, distracción, urgencia y ansiedad.

Gracias a la priorización, podrás organizar un calendario de A/B testing para los próximos 6-12 meses. Esto no solo ahorra tiempo y te ayuda a prepararte para los distintos tests, sino que también te permite planificar el modo en el que deseas emplear tus recursos.

Tercera etapa: Tests A/B

La tercera etapa, y la más importante, es la del testing. Una vez realizada la priorización, dispondrás de todos los datos necesarios y de un backlog correctamente organizado. Tras formular y priorizar las hipótesis que mejor se adapten a tu objetivo, llega el turno de crear variaciones y poner en marcha el test. Durante el tiempo que se esté ejecutando, asegúrate de que cumple todos los requisitos necesarios para ofrecer resultados con relevancia estadística, como el testeo en segmentos de tráfico concretos, la correcta elección de la duración del test y del número de elementos a testear (para que no resulten excesivos), etc.

Cuarta etapa: Repetición

Esta etapa consiste en aprender de experimentos pasados y presentes para aplicar los conocimientos adquiridos en el futuro. Una vez que el test se haya ejecutado durante un periodo de tiempo estipulado, es el momento de detenerlo y analizar los datos recopilados. Lo primero que observarás es que el desempeño de una de las múltiples variaciones incluidas en el test ha sido mejor que el del resto, lo cual la convierte en la versión ganadora. A partir de ahí, tu equipo y tú os tendréis que dedicar a analizar por qué ha ocurrido. Los resultados obtenidos pueden ser de tres tipos diferentes:

• La variación, o una de las variaciones, habrá ganado con resultados relevantes desde un punto de vista estadístico.
• La versión de control habrá resultado ser mejor que el resto de las variaciones.
• El test habrá resultado fallido, ya que no habrá ofrecido resultados significativos. Determina la significación de los resultados de tus tests con ayuda de la calculadora de significación para A/B testing.

En los dos primeros casos, en lugar de detener el proceso al descubrir que hay una versión ganadora, lo más recomendable es que implementes mejoras en ella para seguir probándola. En el tercer caso, revisa todos los pasos realizados para ver dónde está el fallo, rectifícalo y vuelve a ejecutar el test.

Puedes utilizar este ejemplo de calendario de A/B testing como referencia. Para usar esta hoja de cálculo, haz clic en la opción «Archivo» del menú principal y, a continuación, en «Hacer una copia».

Archivo > Hacer una copia

Cuando llegue el momento de escalar tu programa de A/B testing, ten en cuenta los siguientes puntos:

A. Repaso de los tests realizados anteriormente: 

Si el equipo de optimización cuenta con un calendario correctamente priorizado, tendrá una visión más clara de qué tests ejecutar a continuación y de cuándo hacerlo. Cuando hayas terminado de testear todos los elementos del backlog, o la mayoría de ellos, repasa tanto las campañas que hayan finalizado correctamente como las que hayan sufrido algún contratiempo. Analiza los resultados de los tests y determina si dispones de suficientes datos como para ejecutar una nueva versión de los mismos. De ser así, ponlos en marcha de nuevo tras haber aplicado las modificaciones necesarias.

B. Incrementa la frecuencia de tus testings 

A pesar de que siempre debes prestar atención para no testear demasiados elementos a la vez, incrementar la frecuencia del testing es fundamental si deseas escalar tu programa. El equipo de optimización tendrá que planificar este proceso de tal forma que ningún test afecte de forma negativa al desempeño de tu sitio web ni a otros tests. Una forma de hacerlo es ejecutar distintos experimentos de forma simultánea en varias páginas de tu sitio web, o bien testear elementos de la misma página en distintos periodos de tiempo. Esto no solo incrementará la frecuencia de tus testings, sino que evitará que los tests se perjudiquen entre sí. Un ejemplo de ello sería testear de forma simultánea un elemento de la página de inicio, otro del checkout y otro de la página de registro y, cuando este experimento finalice, testear otros elementos de estas páginas uno por uno.

C. Distanciamiento de los tests: 

Este apartado está relacionado con el anterior. Si observas el calendario que te hemos facilitado más arriba, verás que no hay ninguna semana en la que más de dos tests se solapen entre sí. El deseo de incrementar la frecuencia de tus testings no debe interferir con la tasa de conversión general de tu sitio web. Si hay una página concreta que contenga dos o más elementos que resulte imprescindible testear, lo más recomendable es que los espacies. Tal y como hemos indicado anteriormente, el hecho de probar demasiados elementos de una misma página a la vez puede hacer que resulte difícil determinar cuál de ellos es el principal responsable del éxito o el fracaso del experimento. 

Pongamos, por ejemplo, que deseas testear una de tus landing pages publicitarias. Decides realizar un testing del CTA para aumentar el número de registros y de los banners para reducir la tasa de rebote e incrementar el tiempo que los usuarios pasan en la página. Para el CTA, decides cambiar el copy a raíz de los datos previamente recopilados. En el caso de los banners, prefieres probar con la introducción de un vídeo en lugar de una imagen estática. Ejecutas ambos tests al mismo tiempo y los resultados obtenidos indican que se han cumplido los dos objetivos. El problema en este caso es que los datos indican que, si bien es cierto que los registros aumentaron gracias al nuevo CTA, también lo hicieron gracias al vídeo, que cumplió asimismo con los objetivos para los que se introdujo en un primer lugar. Mucha gente que vio el vídeo decidió registrarse. 

Por tanto, debido a que los tests no estaban suficientemente espaciados entre sí, resulta imposible saber qué elemento ha contribuido en mayor medida al aumento de los registros. Si se hubiera tenido esto en cuenta durante la fase de planificación, quizá se podrían haber obtenido insights más relevantes.

D. Seguimiento de múltiples métricas: 

Normalmente, el desempeño de los tests A/B se mide en función de un único objetivo de conversión en el que se deposita toda la confianza para tratar de dar con la variación ganadora. No obstante, hay ocasiones en las que esta última afecta a otros objetivos del sitio web. El ejemplo de arriba también resulta válido en este caso. El vídeo, además de reducir la tasa de rebote e incrementar el tiempo que pasan los visitantes en la página, ha contribuido a elevar el número de registros. Si deseas escalar tu programa de A/B testing para obtener más beneficios con menos esfuerzos, debes realizar el seguimiento de varias métricas a la vez.

La creación de un calendario bien estructurado resulta de gran ayuda a la hora de optimizar los procesos. VWO dispone de una función de creación de calendarios conocida como «tablero Kanban» que ayuda a realizar el seguimiento del progreso de tus tests durante las distintas etapas. 

Errores a evitar con el A/B testing

El A/B testing es una de las formas más efectivas para mejorar las métricas de una empresa e incrementar los beneficios. Sin embargo, tal y como hemos mencionado anteriormente, requiere una buena dosis de planificación, paciencia y precisión. Cualquier pequeño error podría repercutir en pérdidas de tiempo y dinero para tu negocio. Para evitar esto, te presentamos una lista con los errores más comunes a evitar durante tus programas de A/B testing: 

Error n.º 1: no planificar la hoja de ruta de optimización

A. Creación de hipótesis no válidas: 

En el A/B testing, es necesario formular hipótesis antes de ejecutar los tests, ya que representan el punto de partida para todos los pasos posteriores: qué se debe cambiar, por qué, qué resultados se esperan, etc. Empezar con una hipótesis equivocada reducirá la probabilidad de éxito de forma significativa.

B. Confianza en el éxito ajeno: 

Quizá conozcas a alguien que, a raíz de cambiar su flujo de registro, haya incrementado las conversiones en un 30 %. No obstante, ese es el resultado de sus tests, que se basan en su tráfico, sus hipótesis y sus objetivos. Por tanto, no debes aplicar los resultados obtenidos por otras personas a tu sitio web, ya que cada caso es totalmente distinto y lo que funciona para unos puede que no funcione para otros. Esto se debe a que lo más probable es que ni el tráfico, ni el público objetivo ni el método de optimización sean los mismos que deberían tenerse en cuenta en tu situación.

Error n.º 2: ejecutar tests en un número de elementos excesivo 

Los expertos del sector recomiendan no ejecutar un número excesivo de tests al mismo tiempo. El hecho de probar demasiados elementos de un sitio web a la vez puede hacer que resulte difícil determinar cuál de ellos es el principal responsable del éxito o el fracaso del experimento. Cuantos más elementos incluya el test, mayor tendrá que ser el tráfico de la página para que los resultados resulten estadísticamente relevantes. Por tanto, la priorización resulta fundamental para llevar a cabo una campaña de A/B testing exitosa.

Error n.º 3: pasar por alto la significación estadística

Si hacemos demasiado caso a nuestro instinto o nuestras opiniones a la hora de formular hipótesis o de establecer los objetivos del proceso de A/B testing, las probabilidades de fracaso se incrementan de forma significativa. Independientemente de esto, es importante, tanto si el test llega a buen término como si no, dejar que se ejecute durante todo el tiempo previsto para que alcance su significación estadística.

Los resultados obtenidos, ya sean buenos o malos, ofrecerán insights muy valiosos que te ayudarán a planificar mejor el siguiente test.

Puedes obtener más información sobre los distintos tipos de errores relacionados con el A/B testing aquí.

Error n.º 4: recurrir a un tráfico poco equilibrado

Las empresas tienden a realizar sus campañas de testing a un tráfico poco equilibrado. Este es un punto muy importante a tener en cuenta si se desean obtener resultados significativos. Recurrir a un nivel de tráfico mayor o menor del necesario incrementa las posibilidades de que el test resulte fallido y de obtener resultados no concluyentes.

Error n.º 5: no acertar con la duración de los tests

Los tests deben ejecutarse durante un periodo determinado, en función del tráfico y los objetivos, para alcanzar la significación estadística. Si el tiempo de ejecución es demasiado largo o demasiado corto, el test podría resultar fallido u ofrecer resultados no significativos. El hecho de que una versión del sitio web parezca ser la ganadora durante los primeros días no significa que debas terminarlo antes de tiempo y decidirte por ella. Asimismo, muchas empresas cometen el error de ejecutar los tests durante demasiado tiempo. La duración necesaria varía en función de distintos factores como el tráfico y la tasa de conversión existentes, las mejoras esperadas, etc. 

Descubre durante cuánto tiempo deberías ejecutar tus tests.

Error n.º 6: no seguir un método basado en la repetición

El A/B testing es un proceso basado en la repetición en el que cada nuevo test se apoya en los resultados de los anteriores. Las empresas tienden a descartar el A/B testing cuando el primer intento resulta fallido. Sin embargo, para incrementar las posibilidades de éxito en el futuro, debes fijarte en los insights recopilados a raíz de tus últimos experimentos e implementarlos en los siguientes. Esto aumenta la probabilidad de que tu test llegue a buen término y ofrezca resultados significativos a nivel estadístico.

Tampoco debes detenerte solo porque un test finalice con éxito. Testea cada elemento de forma repetida para dar con la versión más optimizada, incluso cuando hayan resultado ganadores en campañas anteriores.

Error n.º 7: pasar por alto factores externos

Los tests deberían ejecutarse en periodos de tiempo comparables para ofrecer resultados significativos. No se debe comparar el tráfico del sitio web de los días con mayor afluencia y los días más tranquilos, especialmente si se debe a factores externos como periodos de rebajas o festivos, etc. De hacerlo, puesto que no se estarían comparando dos elementos similares entre sí, las probabilidades de no obtener conclusiones significativas aumentan. Usa la calculadora de significación para A/B testing de VWO para saber si los resultados obtenidos pueden considerarse significativos.

Error n.º 8: no utilizar las herramientas adecuadas

A medida que el A/B testing adquiere popularidad, el mercado se va llenando de nuevas herramientas low-cost. Sin embargo, no todas ellas son igual de buenas. Algunas pueden ralentizar tu sitio web de forma drástica, mientras que otras no están integradas con las herramientas cualitativas necesarias (heatmaps, grabación de sesiones, etc.), lo cual afecta de forma negativa a los datos. Realizar experimentos de A/B testing con herramientas poco adecuadas puede poner en riesgo el éxito de tu campaña desde el primer momento.

Error n.º 9: un exceso de precaución a la hora de crear tests A/B

Muchos expertos recomiendan empezar en el mundo de la experimentación con la ejecución de pequeños tests A/B para ir viendo cómo funciona todo el proceso. No obstante, una excesiva precaución en las campañas de A/B testing hará que no les saques todo el provecho posible a largo plazo. Por ejemplo, si tienes pensado rediseñar por completo una de las páginas de tu sitio web, deberías recurrir al split testing. Por otra parte, si prefieres testear una serie de variaciones de color en los CTA, además del texto y la imagen del banner de tu página, debes recurrir a los tests multivariante.

Retos que puede presentar el A/B testing

La magnitud del ROI obtenido a través del A/B testing puede ser enorme, ya que este proceso te permite identificar las áreas de conflicto y centrar tus esfuerzos de marketing en los elementos que revisten mayor valor. Sin embargo, es posible que en tu labor como optimizador de experiencias debas enfrentarte a algunos retos a la hora de poner en marcha un proceso de A/B testing. A continuación te explicamos en detalle cuáles son los más comunes.

Reto n.º 1: decidir qué incluir en el test

No basta con levantarse un día y decidir que vas a testear una serie de elementos porque «te apetece». Algo de lo que se están dando cada vez más cuenta muchos profesionales es el hecho de que no todos los cambios pequeños y fáciles de implementar son siempre la mejor forma de alcanzar los objetivos de negocio. De hecho, al igual que ocurre con los tests más complejos, suelen resultar poco significativos. Aquí es donde entran en juego los datos del sitio web y los análisis del comportamiento de los visitantes. Estos puntos de datos ayudan a resolver la cuestión de no saber qué elementos testear dentro del inmenso backlog que habrás creado, ya que permiten identificar cuáles podrían afectan en mayor medida a las tasas de conversión, así como qué páginas que generan mayor tráfico.

Reto n.º 2: formular hipótesis

El segundo desafío, muy similar al primero en ciertos aspectos, tiene que ver con la formulación de hipótesis. En este punto resulta muy útil disponer de los datos científicos que has recopilado en las primeras etapas del proceso. Realizar testing sin ellos sería comparable a dejar que el azar tome las decisiones sobre tu empresa por ti. Con ayuda de la información recopilada durante la fase de investigación del A/B testing, trata de descubrir dónde se encuentran las áreas de conflicto de tu sitio web y de formular una hipótesis al respecto. Para ello, debes disponer de un programa de experimentación bien estructurado y correctamente planificado.

Reto n.º 3: ceñirse a un tamaño de la muestra concreto

No muchos expertos en CRO son también estadistas. A menudo cometemos el error de creer, antes de tiempo y movidos por las prisas, que hemos obtenido resultados concluyentes. Una de las cosas que tenemos que aprender durante el proceso es a determinar cuál debe ser el tamaño de la muestra en función del tráfico de nuestra página web.

Reto n.º 4: analizar los resultados de los tests

El éxito y el fracaso están presentes en todas las etapas del A/B testing. De hecho, este reto es aplicable en ambos casos.

1. Campañas llevadas a cabo con éxito: 

Qué buena sensación se nos queda cuando, tras ejecutar un par de test, vemos que ambos han ofrecido resultados estadísticamente relevantes, ¿verdad? Y ahora, ¿qué? Hay que implementar la versión ganadora, pero ¿y después? Los optimizadores de experiencias suelen tener problemas a la hora de interpretar los resultados de los tests. Sin embargo, se trata de un paso fundamental a realizar una vez finalizado el experimento para entender por qué ha salido tan bien. De hecho, esa es la principal cuestión a plantear: ¿por qué? ¿Por qué se comportaron de esa forma los usuarios? ¿Por qué reaccionaron de esa manera con una versión y no con el resto? ¿Qué insights has obtenido sobre los visitantes y cómo puedes utilizarlos? Aunque son preguntas que, en ocasiones, resulta difícil responder, es necesario hacerlo para dar sentido a los resultados que acabas de obtener y aprovecharlos durante la creación de nuevos experimentos.

2. Campañas que no han conseguido llevarse a cabo con éxito: 

Hay veces que los expertos en CRO ignoran por completo los tests que no se han llevado a cabo con éxito. Esto puede deberse a que les resulta difícil gestionar el fracaso y comunicárselo al resto del equipo o a que no tienen ni la más remota idea de qué hacer con ellos. Ningún test fallido se puede considerar un fracaso, ya que siempre podemos aprender de ellos. Las campañas que no han conseguido ofrecer resultados relevantes deben considerarse como peldaños de una escalera hacia el éxito. Los datos recopilados a lo largo del proceso de A/B testing son una caja de sorpresas, incluso cuando este no llega a buen término. El valor de esa información resulta incalculable y, además, te resultará de gran ayuda a la hora de crear tus próximos tests.

Asimismo, es necesario disponer de los conocimientos adecuados para analizar los datos recopilados ya que, de lo contrario, el riesgo de corromperlos se incrementa de forma significativa. Cuando no se establece correctamente un proceso, por ejemplo, podemos pasarnos un sinfín de horas perdidos entre datos obtenidos a través de los heatmaps o las grabaciones de sesión. Asimismo, si decidimos optar por herramientas independientes para cada uno de estos procesos, se incrementarán las posibilidades de pérdida de ciertos datos al tratar de integrarlos. Además, todo ello puede hacer que acabes vagando por un mar de información que termine por abrumarte completamente.

Reto n.º 5: mantener una cultura de testing

Una de las características más importantes de los programas de optimización como el CRO y el A/B testing es que son procesos basados en la repetición. Este puede suponer también uno de los mayores retos a los que deben hacer frente las empresas y los optimizadores de experiencias. Para que tus esfuerzos no resulten en vano a largo plazo, deberías realizar procedimientos cíclicos que empiecen y acaben con fases de investigación.

Para superar este reto no vale con esforzarse o disponer de los conocimientos necesarios, sino que las empresas deben desarrollar una cultura de testing continua bien asentada sin dejarse desanimar por las posibles limitaciones de recursos.

Reto n.º 6: cambiar la configuración del experimento a mitad del proceso

Cuando lances un experimento, debes comprometerte con él al máximo. Mientras se esté ejecutando, trata de no cambiar la configuración del test, modificar o eliminar sus objetivos ni alterar el diseño de la versión de control ni de las variaciones. Asimismo, debes intentar no cambiar el tráfico asignado a las variaciones, ya que esto afectaría enormemente tanto al tamaño de la muestra de los visitantes recurrentes como a los resultados del test.

Teniendo en cuenta todos estos retos, ¿merece la pena realizar el A/B testing?

A pesar de los retos que hemos mencionado, los datos y las pruebas demuestran que el A/B testing permite generar un gran ROI. Desde el punto de vista del marketing, este tipo de experimentación ayuda a eliminar la necesidad de basar el proceso de optimización en simples conjeturas. Al tener la posibilidad de respaldar las decisiones con datos, resulta más sencillo idear una estrategia óptima con puntos de inicio y conclusión correctamente definidos. Sin un programa de A/B testing, los miembros del equipo de marketing se limitarían a testear elementos de forma aleatoria o guiados por su instinto o sus preferencias, lo cual estaría claramente abocado al fracaso.

Si empiezas con un buen análisis del sitio web y de los visitantes, es mucho más fácil superar los tres primeros retos. La gran cantidad de datos que tendrás a tu disposición te permitirá priorizar correctamente tu backlog para que sean estos, y no tú, los que decidan qué testear. Al combinar los insights de calidad con tu experiencia, formular hipótesis acordes a las necesidades de tu empresa será tan sencillo como utilizar los datos disponibles para decidir qué cambios te acercarán más a tus objetivos. Para superar el tercer desafío, puedes calcular el tamaño de la muestra que mejor se adapte a tu campaña de testing con ayuda de alguna de las múltiples herramientas disponibles en el mercado.

Los últimos dos retos tienen que ver con la forma de enfocar el A/B testing. Si lo tratas como un proceso basado en la repetición, seguramente ya tengas el cuarto desafío medio superado. Para hacerlo por completo, basta con contratar expertos en la materia o recibir formación sobre cómo analizar correctamente datos de investigación y resultados. La mejor forma de afrontar el último reto es destinar los recursos disponibles a los elementos más importantes para tu empresa y planificar el programa de testing de tal forma que resulte sostenible mantener una cultura de experimentación.

A/B testing y SEO

En cuanto a las implicaciones que podría tener el SEO en los procesos de A/B testing, Google ha publicado un post titulado «Prácticas recomendadas para probar un sitio web teniendo en cuenta la Búsqueda de Google» a fin de aclarar cualquier posible duda. A continuación te resumimos los puntos principales de dicha publicación:

Evita el cloaking

El cloaking, que consiste en mostrar ciertos contenidos a los usuarios y otros diferentes a Googlebot, va en contra de las directrices para webmasters, independientemente de si estás ejecutando un test o no. Asegúrate de no basar en el user-agent la decisión de si ofrecer o no un test, o de qué tipo de contenido ofrecer. Un ejemplo de ello sería mostrar siempre el contenido original cuando ves el user-agent «Googlebot». Recuerda que infringir nuestras normas puede empeorar el posicionamiento de tu sitio e incluso retirarlo de los resultados de búsqueda de Google, lo cual se alejará, seguramente, de lo que pretendías conseguir con tus tests.

Utiliza solamente redirecciones 302

Si haces un test A/B que redirige a los usuarios de la URL original a una variación, usa una redirección 302 (temporal) y no 301 (permanente). De esta forma, los buscadores sabrán que se trata de una redirección temporal que solo se empleará durante la ejecución del experimento y que deben indexar la URL original en lugar de sustituirla por la de la redirección (la variación). Google también admite redirecciones basadas en JavaScript.

Los experimentos deben tener una duración apropiada

El tiempo necesario para que un test resulte fiable varía en función de factores como las tasas de conversión y la cantidad de tráfico del sitio web. Una buena herramienta de testing te avisará cuando hayas recopilado suficientes datos como para llegar a conclusiones representativas. Una vez terminado el test, implementa las variaciones que desees en el sitio y elimina lo antes posible el resto de elementos, como las URL alternativas, los scripts del testing y el marcado.

Utiliza enlaces rel=»canonical»Google recomienda utilizar el atributo de enlace rel=»canonical» en todas las URL alternativas para que puedas indicar que la URL preferida es la original. Esto se debe a que rel=»canonical» se adapta mejor a lo que pretendes conseguir en este caso concreto en comparación con otros métodos, como las metaetiquetas noindex. Si deseas, por ejemplo, testear distintas variaciones de tu página de productos, seguramente no quieras que los buscadores indexen esta página, sino que comprendan que todas las URL de prueba son variaciones o cuasi réplicas de la original y que, por tanto, deberían formar parte de un mismo grupo en la que la original sea considerada la URL principal. El uso de metaetiquetas noindex en lugar de rel=»canonical» en este tipo de casos puede tener consecuencias inesperadas y poco favorables.

Ejemplos de A/B testing

A/B testing en el sector publicitario y de medios de comunicación

Uno de los objetivos de las empresas publicitarias y de medios de comunicación puede ser incrementar el número de lectores o de visitantes, las suscripciones, el tiempo que pasan los usuarios en el sitio web o la cantidad de visualizaciones de vídeos y otro tipo de contenidos a compartir en redes sociales, etc. Puedes probar a testear variaciones de los cuadros de diálogo para la suscripción a emails, del contenido recomendado, de los botones de compartir en redes sociales o de la forma de destacar las ofertas para suscriptores u otro tipo de promociones.

Cualquier usuario de Netflix puede dar fe de la gran experiencia de streaming que ofrece, pero no todos saben cómo se las ingenian para que sea así. Netflix sigue un programa de A/B testing riguroso y bien estructurado para ofrecer lo que otras empresas no pueden a día de hoy, por mucho que se esfuercen: una UX de calidad superior. Todos los cambios que se pueden ver en el sitio web de Netflix atraviesan un exhaustivo proceso de A/B testing antes de su implementación. Un ejemplo de lo que hacen es el uso de la personalización.

Netflix recurre a ella constantemente en su página de inicio. De esta forma, la adapta para ofrecer la mejor experiencia de usuario posible a cada uno de sus clientes. En función de su historial de streaming y sus preferencias, la empresa decide cuántas filas se deben mostrar en la página de inicio, así como el número de series o películas que han de incluirse en cada fila.

Este mismo procedimiento lo aplican también a las páginas de títulos de medios. En ellas, Netflix personaliza los títulos que cree que nos gustarán, las miniaturas que vemos para cada uno de ellos, qué textos nos incitan más a hacer clic, si nos fijamos en las demostraciones sociales para tomar nuestra decisión, etc. Y esto es solo la punta del iceberg.

A/B testing en el sector del eCommerce

Gracias al A/B testing, las tiendas online pueden incrementar el ticket medio por pedido, optimizar el funnel del checkout, reducir la tasa de abandono del carrito y mucho más. Para conseguir todo esto, puedes testear la apariencia y la ubicación del texto que indica los gastos de envío, la mejor forma de destacar el envío gratuito, variaciones de texto y color en la página de pago o checkout, la visibilidad de las reseñas y las calificaciones, etc.

Dentro del sector del eCommerce, Amazon se encuentra a la cabeza en cuanto a optimización de la conversión. Esto se debe tanto a su enorme alcance como a su gran dedicación para tratar de ofrecer la mejor experiencia de usuario posible. Entre las múltiples prácticas revolucionarias que ha introducido en el sector, la más fructífera ha sido, sin duda, la opción «pedido con 1-Clic». Tras realizar una gran cantidad de test y análisis, esta funcionalidad se introdujo a finales de los años 90 para permitir que los clientes compren sin tener que pasar por la página del carrito. 

Una vez que los usuarios introduzcan los datos de su tarjeta y su dirección predeterminadas, basta con hacer clic en un botón para adquirir los productos que deseen. De esta forma, no tienen que volver a introducir la información de envío y facturación cada vez que realicen un pedido. Esto logró simplificar la vida de los clientes hasta tal punto que consiguió que no se planteasen acudir a ninguna otra tienda. El impacto a nivel de negocio fue tal que Amazon decidió patentarlo en 1999 (si bien es cierto que, a día de hoy, la patente ha expirado). De hecho, en el año 2000 Apple adquirió una licencia para poder utilizar esta funcionalidad en su tienda online.

Las personas que trabajan para optimizar el sitio web de Amazon no basan sus cambios en momentos de inspiración repentina, sino en un proceso de A/B testing continuo y estructurado que les permite ofrecer una UX de calidad óptima. Cualquier modificación que se planteen poner en marcha se testea con los usuarios antes de implementarse. Si observases detenidamente el funnel de compras de Amazon verías que, a pesar de parecerse al de otros sitios web, cada uno de sus elementos están totalmente optimizados para cumplir con las expectativas de los visitantes.

Todas las páginas, desde la de inicio hasta la de pago, incluyen únicamente información esencial y llevan al siguiente paso necesario para que los compradores sigan avanzando por el funnel de conversión. Además, gracias al uso de insights y datos exhaustivos sobre los usuarios y el sitio web, se ha conseguido llevar cada etapa a su máximo potencial posible.

Pongamos como ejemplo su carrito.

El pequeño icono en forma de carro situado en la parte superior derecha de la página de inicio de Amazon se puede ver en todas las páginas del sitio.

No solo representa un atajo a la página del carrito, sino que sirve como recordatorio de los artículos añadidos. La versión actual ofrece cinco opciones:

• Seguir comprando (si no se han añadido productos al carrito)
• Comprar las ofertas del día (si no se han añadido productos al carrito)
• Lista de deseos (si no se han añadido productos al carrito)

• Tramitar pedido (cuando hay productos en el carrito)
• Iniciar sesión para activar el pedido con 1-Clic (cuando hay productos en el carrito)

El hecho de disponer de tantas opciones al pulsar en ese pequeño icono reduce de forma significativa la carga cognitiva de los usuarios, lo cual mejora enormemente su experiencia de usuario. Tal y como se puede ver en la captura de pantalla anterior, en la misma página del carrito se ofrecen productos similares para que los clientes puedan seguir navegando y comprando en el sitio web. Todo esto se consigue gracias a un arma secreta: el A/B testing.

A/B testing en el sector turístico

Aumenta el número de reservas realizadas con éxito a través de tu sitio web o de tu aplicación móvil, tus ingresos por compras complementarias y mucho más gracias al A/B testing. Puedes testear los cuadros de diálogo de búsqueda de la página de inicio, la página de resultados de las búsquedas, la oferta de productos complementarios, la barra de progreso del checkout, etc.

Dentro del sector turístico, queda claro que Booking.com supera con creces al resto de empresas de eCommerce en cuanto al uso de A/B testing para satisfacer sus necesidades de optimización. Desde el día de su creación, la empresa realiza tests de forma incansable, ya que considera que este procedimiento de experimentación resulta clave para la obtención de beneficios. Por esta razón, recurre a ella con una asiduidad sin precedentes, especialmente para testear su copy. Mientras estás leyendo esto, se están ejecutando cerca de 1000 tests A/B en el sitio web de Booking.com. 

A pesar de llevar más de una década implementando programas de A/B testing, consideran que aún pueden encontrar formas de mejorar la UX. Esto es lo que les convierte en líderes de su sector. Los tests A/B forman parte de su flujo de trabajo rutinario desde los inicios de la empresa. La velocidad de testing se ha ido incrementando hasta alcanzar los valores actuales gracias a la eliminación de la toma de decisiones basada en HiPPO, a la priorización de los datos por encima de todo lo demás y al hecho de que los empleados estén autorizados a testear cualquier idea que consideren que puede contribuir al crecimiento del negocio.

Esto demuestra hasta dónde está dispuesta a llegar la empresa para optimizar la interacción de los usuarios con su sitio web. Booking.com decidió ampliar su alcance en 2017 y añadir servicios de alquiler de alojamientos vacacionales además de las estancias de hotel. Esto le llevó a asociarse con Outbrain, una plataforma publicitaria nativa, para que les ayudaran a promover el crecimiento de los registros de propietarios de alojamientos en todo el mundo.

Durante los primeros días tras su lanzamiento, el equipo de Booking.com se dio cuenta de que, a pesar de que muchos propietarios completaban el primer paso del registro, se quedaban atascados en los siguientes. En ese momento, las páginas creadas para la búsqueda pagada de sus campañas nativas estaban destinadas al proceso de registro.

Ambos equipos decidieron trabajar juntos para crear tres versiones del copy de la landing page de Booking.com. Las variaciones incluían otros detalles como la demostración social, los galardones y reconocimientos, las recompensas para usuarios, etc.

El test se ejecutó durante dos semanas y consiguió incrementar los registros de nuevos propietarios en un 25 %. Asimismo, los resultados reflejaron un descenso significativo del coste de cada registro.

A/B testing en el sector de las empresas B2B/SaaS

Genera leads de gran calidad para tu equipo de ventas, incrementa el número de solicitudes de pruebas gratuitas, atrae a tus compradores objetivo y mucho más mediante el testeo y el perfeccionamiento de los elementos más importantes de tus generadores de demandas. Para alcanzar estos objetivos, los equipos de marketing publican el contenido más relevante en su sitio web, envían anuncios a posibles compradores, organizan webinars, crean eventos de ventas especiales, etc. Sin embargo, todos estos esfuerzos se echarían a perder si la landing page a la que llegan los clientes no estuviera totalmente optimizada para promover la mejor experiencia de usuario posible.

El objetivo del A/B testing para SaaS es ofrecer una UX óptima y mejorar las conversiones. Puedes testear los distintos elementos de tus formularios para la adquisición de leads, el flujo de registros para pruebas gratis, los mensajes de la página de inicio, el texto de los CTA, la demostración social que aparece en la página de inicio, etc.

POSist, una plataforma SaaS de gestión de restaurantes con más de 5000 clientes repartidos por más de 100 ubicaciones en seis países diferentes, quería incrementar sus solicitudes de demo.

Las páginas de inicio y de contacto de su sitio web son las más importantes de su funnel. Por tanto, el objetivo del equipo era reducir la tasa de abandono en estos lugares. Para conseguirlo, crearon dos variaciones de la página de inicio y dos de la página de contacto y procedieron a testearlas. Veamos qué cambios probaron para la página de inicio. Este es el aspecto que tenía la versión de control:

El equipo de POSist formuló la hipótesis de que añadir contenido más relevante y enfocado a la conversión mejoraría la UX y generaría más conversiones. Por tanto, crearon dos variaciones para compararlas con la versión de control. Este es el aspecto que tenían las variaciones:

En primer lugar realizaron el testing entre la versión de control y la variación 1 y fue esta última la que resultó ganadora. A fin de mejorar la página aún más, compararon las variaciones 1 y 2 y, en esta ocasión, la número 2 fue la vencedora. Esta nueva versión incrementó las visitas a la página cerca de un 5 %. 

Conclusión

Tras haber leído esta completa guía sobre A/B testing, deberías contar con las herramientas necesarias para planificar la hoja de ruta de tu propio programa de optimización. Sigue rigurosamente todos los pasos incluidos en el proceso y presta atención para evitar cualquier error derivado de no darle a los datos la importancia que les corresponde. Los A/B testing tienen un valor incalculable a la hora de mejorar las tasas de conversión de un sitio web.

Con los conocimientos que has adquirido y una buena dosis de dedicación, puede ayudarte a reducir en gran medida cualquier riesgo asociado a los programas de optimización. Además, te ayudará a mejorar de forma significativa la UX de tu sitio mediante la eliminación de los puntos débiles y la implementación de las versiones más optimizadas.

Si esta guía te ha resultado útil, cuéntaselo a otros profesionales para evitar que caigan en los errores más comunes a la hora de ejecutar sus tests A/B. ¡Esperamos que disfrutes al máximo de tu testing!

Preguntas frecuentes sobre el A/B testing