¿Qué es la segmentación de visitantes?
Cuando se crea un A/B test en VWO, por defecto se incluye a todos los visitantes en el experimento, y el objetivo es evaluar los cambios en la tasa de conversión a nivel poblacional. La tasa de conversión general puede considerarse el rendimiento de un usuario promedio, pero distintos subgrupos dentro de la población pueden reaccionar de manera diferente a tu producto o experiencia y presentar distintas tasas de conversión.
Puede haber un subconjunto de visitantes con atributos compartidos cuya tasa de conversión difiera notablemente de la tasa de conversión global al analizar a todos los usuarios. Por ejemplo, supón que tu página web está orientada a un público angloparlante y la tasa de conversión de compras es del 2 % aproximadamente. Al analizar más a fondo tus visitantes, descubres que un porcentaje significativo del tráfico proviene de usuarios hispanohablantes. Al evaluar exclusivamente a los usuarios hispanohablantes, observas que la tasa de conversión cae al 0,5 %. Con base en este análisis, puedes desarrollar una estrategia de personalización y crear una versión en español de tu página web para mejorar la experiencia de estos usuarios y, en consecuencia, aumentar la tasa de conversión global.
La segmentación de visitantes en diferentes dimensiones te permite descubrir si existe algún grupo que responde al experimento de forma diferente al promedio. Al identificar esos segmentos, puedes dirigir acciones específicas para impulsar la tasa de conversión general de tu página web.
¿Por qué es importante analizar los segmentos de visitantes?
A medida que los negocios crecen y alcanzan cierto nivel, el análisis de segmentación se vuelve clave para impulsar las métricas en una dirección positiva, algo que podría no lograrse si las decisiones se basan únicamente en métricas agregadas, que tienden a estancarse.
Un test A/B o test multivariante (MVT) informa de los resultados considerando a todos los visitantes incluidos en el experimento. Esto es útil para identificar tendencias generales, pero no muestra los patrones específicos de ciertos grupos. Por ejemplo, imagina que los visitantes de EE. UU. son el principal motor de la tasa de conversión. Patrones como este pasan desapercibidos al analizar los datos de forma agregada y solo se detectan al desglosar la información por grupos.
Además, a veces pueden introducirse errores durante la creación de un test A/B, como que una determinada variante no funcione correctamente para los usuarios de un segmento específico. La segmentación posterior al test permite descubrir si alguna de las variaciones presenta fallos y proporciona un mecanismo de QA adicional para validar el experimento.
Dimensiones de la segmentación de visitantes
Una vez finalizado el test y recogida una muestra de datos suficiente, se puede realizar un análisis adicional en diferentes dimensiones de los visitantes para obtener más insights y potenciar la personalización en el futuro. La segmentación puede realizarse sobre una sola dimensión o combinando varias. Las cuatro dimensiones principales para segmentar visitantes son:
- Segmentación geográfica
- Segmentación demográfica
- Segmentación psicográfica
- Segmentación por comportamiento

Segmentación determinista vs. segmentación por descubrimiento en datos post-test
Una vez decides en qué dimensión crear un segmento, surge la siguiente cuestión: ¿cómo realizar la segmentación? Existen dos enfoques principales para segmentar:
Determinista | Por descubrimiento |
Se basa en una hipótesis y en su utilidad para el negocio. Los segmentos se analizan para comprobar si muestran algún comportamiento interesante. | Los segmentos se descubren mediante data mining y algoritmos estadísticos que buscan diferencias en el comportamiento de los usuarios. |
Como la utilidad del segmento ya forma parte de la hipótesis inicial, normalmente no requiere un análisis adicional extenso. | Se realiza un análisis adicional para determinar si los segmentos son realmente significativos. Que algo sea estadísticamente significativo no implica necesariamente que sea estratégicamente relevante. |
La identificación de segmentos interesantes, útiles y relevantes es más compleja, especialmente cuando se trabaja con grandes volúmenes de datos. | Al encargarse el algoritmo del descubrimiento, este análisis puede identificar patrones desconocidos hasta ese momento. |
Como ambos enfoques se aplican sobre datos observacionales, es posible que varios segmentos resulten estadísticamente significativos debido a un error estadístico. Cuantos más segmentos se analizan a partir de los datos observacionales, mayor es la probabilidad de encontrar segmentos que logran significación estadística por azar, lo que incrementa el riesgo de falsos positivos. Por ello, es fundamental realizar tests de seguimiento para validar los resultados de la segmentación.
¿Qué segmentos pueden clasificarse como interesantes?
Cualquier decisión de personalización que tomes para un segmento tendrá un efecto visible en las métricas generales del negocio solo si una proporción significativa de la población pertenece a ese segmento. Considera dos segmentos, X e Y, con las siguientes propiedades:
- Población de visitantes perteneciente al segmento X: 20 %
- Población de visitantes perteneciente al segmento Y: 1 %
Los esfuerzos destinados a mejorar la experiencia de los visitantes del segmento X tendrán mucho más impacto en el negocio que los dirigidos al segmento Y. Por tanto, solo deberían seleccionarse y analizarse aquellos segmentos que superen un umbral mínimo de población.
Una vez determinados los segmentos que cumplen con el criterio mínimo de soporte, se pueden clasificar bajo la siguiente taxonomía:
- Segmentos de alto rendimiento: Son aquellos que muestran una tasa de conversión superior a la tasa de conversión media de la campaña.
- Segmentos de bajo rendimiento: Son los que presentan una tasa de conversión inferior a la media de la campaña.
- Segmentos con un ganador distinto al de la campaña: En un A/B test, si al finalizar el test se declara como ganadora la variación B, pero para un segmento determinado la ganadora es la variación A, ese segmento se considera interesante.
Si los segmentos interesantes se identifican analizando los datos post-test en distintas dimensiones, antes de tomar decisiones basadas en los resultados, se recomienda realizar tests de seguimiento específicos para esos segmentos con buen rendimiento.
Gracias a un ciclo continuo de exploración y refinamiento mediante segmentación, puedes crear una experiencia personalizada para los visitantes de tu página web. Con la funcionalidad de dimensiones de visitantes de VWO, puedes consultar el desglose de los resultados de tus tests por las dimensiones de visitante seleccionadas. Prueba gratis VWO y experimenta por ti mismo esta funcionalidad.own of test results across the selected visitor dimensions. Take a free trial to try out this feature for yourself.