A/B testing

A/B testing

El Conversion Rate Optimization (CRO) y el A/B testing son dos conceptos que surgen para aumentar la rentabilidad de un negocio online con una simple promesa: generar más beneficio con un tráfico constante. Si ya inviertes una gran cantidad de dinero en adquisición de tráfico, ¿por qué no empezar a aprovechar al máximo tu tráfico?

 

Amazon realiza A/B testing de forma continua para mejorar la experiencia de usuario y la conversión en su sito web.

La tasa de conversión media de un sitio de comercio electrónico suele ser de entre un 1% y un 3%. ¿Por qué? Lo cierto es que el proceso de conversión es complejo ya que influyen muchos factores para su éxito, como la calidad del tráfico generado, la experiencia de usuario, la calidad de la oferta, la reputación del sitio web, las acciones de la competencia, etc.

Hay multitud de elementos que se consideran barreras para la conversión; puntos de fricción que el vendedor debería evitar o disminuir al máximo. Existen muchos métodos que permiten conseguir este objetivo como el A/B testing, que usa datos de los usuarios para ayudar a tomar mejores decisiones. Esta guía explica con todo detalle en qué consiste el A/B testing.

¿Qué es el A/B testing ?

El A/B testing consiste en comparar dos versiones de una misma página web o aplicación para comprobar cuál de las dos versiones es más eficiente. Estas variaciones, llamadas A y B, se muestran de forma aleatoria a los distintos usuarios de la página web. Una parte de ellos verá la versión A y la parte restante verá la versión B.

El A/B testing consiste en comparar el rendimiento de dos o más versiones de una misma página web. 

Una vez mostradas las distintas versiones a los usuarios, un análisis estadístico hace posible testear la efectividad de cada variación en base a distintos indicadores de rendimiento como la tasa de conversión, el CTR, etc. En otras palabras, puedes comprobar qué versión genera más clics, suscripciones, ventas, etc. Los resultados determinarán la versión ganadora y, por tanto, la versión que debe formar parte de tu estrategia de marketing definitiva.

 

 

Más artículos sobre A/B testing:

•  The A/B Test: Inside the Technology That’s Changing the Rules of Business (Wired)
• The Surprising Power of Online Experiments (Harvard Business Review)
• Deep dive on A/B testing (TheNextWeb)
• A Refresher on A/B Testing (HBR)
• Wikipedia: A/B testing

Los orígenes del A/B testing

El A/B testing consiste básicamente en comparar dos versiones de algo para ver cuál de las dos es más efectiva. Por tanto, no se trata de un concepto nuevo, sino de uno que apareció antes incluso del nacimiento de Internet.

El biólogo británico y estadístico Ronald Fisher fue el primero en introducir esta idea a través de las matemáticas en los años 20 con la que mostraba cómo analizar las diferencias entre dos experiencias diferentes de una forma científica. Su trabajo resultó ser todo un logro en el mundo científico. Unos años más tarde, el principio del A/B testing empezaría a usarse en ensayos clínicos.

Habría que esperar hasta la década de los 60 para que este concepto se aplicara en el ámbito del marketing. El A/B testing tal y como lo entendemos hoy, lleva con nosotros desde los años 90. Se está convirtiendo rápidamente en el modelo escogido por muchos especialistas en marketing para mostrar distintas versiones de sus mensajes de marketing a una muestra de sus clientes para para averiguar qué tipo de mensaje prefieren. Aunque el A/B testing no solo se reduce a la comprobación de mensajes diferentes.

El desarrollo del mundo digital ofrece nuevas situaciones y perspectivas al multiplicar las posibilidades para hacer test A/B y para medir sus resultados. Si lo aplicamos a una página web, el A/B testing nos permite testear un número ilimitado de versiones de dicha página web para medir de forma fiable el rendimiento de cada versión en base a indicadores como las acciones realizadas por los usuarios o su comportamiento en la página web. Los avances tecnológicos han hecho posible, también, que existan soluciones de A/B testing que llevan la posibilidad de realizar testing a la mayoría de las personas sin necesidad de contar con extensos conocimientos sobre estadística o programación, a menudo, a través de aplicaciones muy visuales e intuitivas.

¿Qué tipos de sitios realizan A/B testing?

Todos los sitios web pueden beneficiarse del A/B testing debido a que cada uno de ellos tiene un objetivo medible. Cada web se crea con un objetivo en mente, tanto si se trata de un sitio web de comercio electrónico, como un periódico, todos buscan mejorar su tasa de conversión, sin importar en que consista esta.

Lead generation

Las páginas de lead generation o generación de leads, son aquellas destinadas a las ventas de servicios, principalmente, o a la búsqueda de clientes potenciales. Un lead puede referirse a la adquisición de un email que, posteriormente, podrá usarse con fines comerciales.

Medios

En esta categoría nos centramos sobre todo en el testing editorial. En este tipo de sitios web, de mucho contenido, los test suelen estar enfocados a comprobar el éxito de un tipo de contenidos en particular o a personalizar el contenido para cada tipo de usuario. Aun así, siempre hay otros muchos elementos que pueden testearse aparte del contenido.

E-commerce

No es sorprendente que uno de los tipos de sitios web que más usan el A/B testing sean los sitios de comercio electrónico. Gracias al A/B testing, estos tipos de sitios pueden asegurarse de que siempre cuentan con un rendimiento óptimo de su sitio web. Descubre los mejores casos de éxito de e-commerce. Algunos de los elementos más comúnmente optimizados son la página de inicio, los elementos de la ficha de producto, las descripciones de producto o incluso los botones y sus mensajes.

 

¿Qué tipo de test realizar?

Para realizar A/B testing podemos hacer uso de una variedad de tipos de test diferentes dependiendo del elemento a probar en cuestión o al objetivo del test:

• Test A/B: Este es el test más usado y el más clásico. Muestra dos variaciones de una misma página a los usuarios de la web y ambas variaciones cuentan con la misma URL.
• Split test o test por redirección: Este es otro de los tipos más usados y comunes. Consiste en crear dos variaciones, cada una con una URL diferente y mostrarlas al tráfico del sitio web. Suelen ser los más adecuados cuando se hace un rediseño de la página completa.
• Test multivariante o MVT: Este tipo de test mide el impacto de cada una de las distintas modificaciones que se realizan en una página. Por ejemplo, puedes crear una versión B de la página en la que cambies un banner, el color de un texto y la organización de algunos elementos al mismo tiempo. Gracias a este tipo de test puedes ver el impacto de cada una de esas modificaciones al resultado final. Este tipo de test son más avanzados, aunque no demasiado complicados de configurar.

Si aún tienes dudas, puedes leer este artículo para saber qué tipo de test debes elegir. 

En cuanto a tecnologías, podemos hacer varias distinciones dentro del mundo del A/B testing:

• A/B testing en sitios web: Consiste en realzar testing en cualquier tipo de sitio web tanto para ordenadores, como para dispositivos móviles, o cualquier otro tipo de dispositivo con acceso a internet. Para ello, comparamos las versiones A y B de una misma página y analizamos los resultados obtenidos en base a unos objetivos previamente establecidos, como pueden ser la tasa de clics, ventas, suscripciones, etc.
• A/B testing en aplicaciones nativasde iOS y Android: El testing en aplicaciones móviles es un poco más complicado que en páginas web ya que no puedes mostrar dos versiones distintas una vez que la aplicación ha sido instalada en el teléfono o Tablet. Por tanto, muchas soluciones son capaces de ofrecer testing al permitir la actualización instantánea de las aplicaciones. De este modo puedes cambiar el diseño de la app y medir el impacto generado.
• A/B testing del lado del servidor a través de API: Una API es una interfaz de programación de aplicaciones que te permite intercambiar datos con una aplicación o servicio. Gracias a estas API puedes mostrar cambios automáticamente en tus aplicaciones desde el lado del servidor.

Es posible realizar A/B testing en una gran variedad de dispositivos con soluciones como la de AB Tasty

 

 

El A/B testing y la optimización de conversiones

El A/B testing consiste en un método muy utilizado dentro de la disciplina del CRO o optimización de la tasa de conversión, pero, el CRO no solo se reduce al A/B testing. Gracias a una herramienta de A/B testing puedes validar hipótesis de optimización, pero esta por si sola no las genera y, para ello, es necesario recurrir a otras herramientas que nos ofrezcan datos que podamos analizar. Con esos datos analizaremos, entre otras cosas, el comportamiento de los usuarios en un sitio web e identificaremos los problemas que estos puedan encontrarse a la hora de realizar la conversión.

[clickToTweet tweet=»El A/B testing valida hipótesis, pero no explica el comportamiento de los usuarios» quote=»El A/B testing valida hipótesis,  pero no explica el comportamiento de los usuarios»]

El A/B testing sirve para validar hipótesis de optimización, pero no identifica ni analiza el comportamiento de los usuarios web.

El A/B testing debe complementarse con otras acciones que sirvan para recoger información y generar hipótesis de optimización que puedan ser testeadas.

Existen multitud de tipos de herramientas que sirven para obtener información sobre sitios web:

• Analítica web: Gracias a los datos de analítica web puedes analizar el tráfico hacia y desde cada página de tu sitio web, así como analizar el rendimiento de cada elemento de esta. Puedes descubrir posibles problemas en base al análisis de los distintos elementos de la página. Algunos de los más fáciles de observar son el abandono del carrito o el CTR de un elemento.
• Auditorías de usabilidad: Este tipo de estudios te permite poner a relucir aquellos elementos que no contribuyen a una buena experiencia de usuario en tu sitio web.
• Test a usuarios: Estos datos son más limitados debido a la muestra disponible, pero pueden proveer información cualitativa muy valiosa que no puede obtenerse de otro modo. Consiste en reunir un grupo de personas y mostrarle una página web o aplicación y un objetivo que deben cumplir, como por ejemplo realizar una compra. Posteriormente, los implicados podrán dar su opinión sobre la facilidad de uso y una puntuación de los distintos elementos y procesos.
• Mapas de calor y grabación de sesiones: Estas dos herramientas ofrecen un análisis muy visual del comportamiento del usuario en una página web. Los mapas de calor generan capturas de pantalla de una página en concreto y muestran la interacción de los usuarios en ella con colores. Por otra parte, la grabación de sesiones consiste en grabar todos los movimientos y acciones que realiza el usuario en una página para su posterior análisis en forma de video.
• Opiniones de clientes: Muchas empresas recogen información directamente de sus clientes a través de encuestas NPS, chats online, emails, etc. Este tipo de información es muy valiosa ya que los clientes son aquellos que más contacto tienen con nuestro sitio web y quienes pueden ayudarte a mejorarlo y adaptarlo aún más a ellos.

Herramientas recomendadas para la optimización de conversiones:

Analítica web	Mapas de calor	Grabación de sesiones
Chat	Test de usuarios	Feedback

¿Cómo encontrar ideas de test A/B?

Tus test A/B deben estar basados en datos que identifiquen problemas en la conversión y te ayuden a comprender el comportamiento de tus usuarios. Esta fase de análisis es crítica y debe llevar a la formulación de hipótesis fuertes.

Las herramientas mencionadas anteriormente y disciplinas similares te ayudarán a recopilar todos los datos necesarios para la creación de las hipótesis. Una hipótesis correctamente formulada constituye el primer paso para el éxito de tu estrategia de A/B testing y debe seguir las siguientes reglas:

• Debe estar relacionada con un problema que ya ha sido identificado y para el que se supone una causa.
• Debe incluir una posible solución al problema.
• Debe incluir el resultado esperado, el cual está directamente relacionado con el KPI a medir.

Si el problema identificado es una alta tasa de abandono en un formulario de registro, el cual se supone que es muy largo, una hipótesis válida sería: “Acortar el formulario eliminando campos opcionales aumentará el número de contactos recibidos.”.

Aquí tienes otras 7 ideas para crear mejores test A/B.

Utiliza todo el arsenal de herramientas a tu disposición para conocer la opinion de tus clientes

Más artículos sobre la formulación de hipótesis de test:

• ¿Cómo crear hipótesis de test A/B efectivas?
• 10 trucos psicológicos que deberías estar usando en tu web
• How to Find a Winning A/B Testing Hypothesis
• 7 Steps to Formulate a Strong A/B Test Hypothesis
• A/B Testing: Example of a good hypothesis
• State Your Hypothesis: A Scientific Approach to A/B Testing

¿Qué elementos probar en un sitio web?

Esta es una pregunta recurrente y está directamente relacionada con el hecho de que las empresas no saben o no pueden explicar su tasa de conversión, ya sea esta buena o mala. Si una empresa supiera que sus usuarios no entienden qué son sus productos, no testearía el color o forma de un botón de añadir al carrito sino su propuesta de valor. Es por esto que cada caso es diferente. En lugar de ofrecer una larga lista de elementos a probar, preferimos ofrecer un método para identificar los elementos que deben ser testeados. Estas son algunas ideas:

Modelo de negocio Vuelve a plantearte tu modelo de negocio para obtener más beneficio. Por ejemplo, si vendes productos personalizados, ¿por qué no diversificar y ofrecer productos o servicios complementarios?	Llamada a la acción La llamada a la acción es un botón muy importante. El color, el mensaje, su forma y su localización pueden impactar en gran medida a la tasa de conversión.
Botones Cualquier botón puede tener un papel determinante. Recuerda probar con distintos tamaños de fuente, formas y colores para atraer a los usuarios.	Imágenes Las imágenes son tan o más importantes que el texto. Se recomienda probar distintas imágenes. Por ejemplo, si tienes un e-commerce de ropa, puedes probar si tiene más éxito mostrar una foto del producto solo o vestido por alguien. También puedes jugar con el tamaño y el tipo de imagen, así como su posición en la página.
La estructura de la página  La estructura web es algo que debe trabajarse mucho, tanto en tu página principal como en las distintas categorías. Puedes añadir un carrusel, elegir imágenes estáticas, cambiar tus banners, mostrar tus productos más vendidos, recomendar productos, etc.	Algoritmos Usa diferentes algoritmos para convertir a tus usuarios en clientes y aumentar el pedido medio. Puedes mostrar productos relacionados, recomendaciones personalizadas, etc.
Modelo de negocio Vuelve a plantearte tu modelo de negocio para obtener más beneficio. Por ejemplo, si vendes productos personalizados, ¿por qué no diversificar y ofrecer productos o servicios complementarios?	Formularios Es importante crear formularios claros y concisos. Puedes probar modificando el texto de cada campo, la eliminación de campos opcionales, la disposición de los campos, etc.
Precios  Realizar A/B testing sobre los precios es un poco más complicado. No debes vender el mismo producto a dos precios diferentes. Necesitarás ser un poco más creativo para poder testear tu tasa de conversión. Por ejemplo, si ofreces servicios, puedes crear una oferta más económica con menos opciones disponibles. En el caso de que vendas productos, puedes ofrecerlos en distintos colores, formas o materiales y a un precio distinto.	Navegación Puedes testear distintos embudos de conversión. Por ejemplo, puedes situar el método de pago y envío en una única página o separarlos en dos páginas distintas.

¿Cómo configurar un test A/B ?

Seguir una metodología de testing rigurosa es esencial para obtener buenos resultados de los test A/B realizados. Estos son algunos pasos para configurar buenos test A/B.

1. Crea un equipo para el proyecto

El éxito de tus test depende no solo en la herramienta de A/B testing, sino también en la experiencia de aquellos a cargo de ella y de la optimización del sitio web. Se necesitan distintas habilidades para analizar los datos, identificar problemas en la conversión y, sobre todo, ponerse en el papel de los usuarios finales para sugerir soluciones apropiadas.

2. Prioriza los test a realizar

El uso de diversas herramientas como las mencionadas anteriormente, ha puesto a relucir varios problemas de conversión y se han formulado nuevas hipótesis de optimización. Ahora debemos priorizar los test a realizar y crear un roadmap o hoja de ruta a seguir en nuestro programa de A/B testing. Para ello, puedes seguir varios criterios:

• Beneficio estimado. Analiza el potencial de tus modificaciones. ¿Cuánto esperas obtener? ¿Cuál es la probabilidad de que aumentes tu tasa de conversión? Al analizar tus datos, podrás reconocer páginas con un alto potencial de conversión (aquellas con alta tasa de rebote, tiempo en página limitado, etc.)
• Trafico esperado. Es importante destacar aquellas páginas que atraen más tráfico. Si tu número de usuarios web es bajo, el tiempo necesario para realizar el test A/B aumentará. Además, es mejor realizar un cambio cada vez que un test que cuente con muchas modificaciones. ¿Tu sitio web convierte poco? Descubre como hacer A/B testing en sitios con poco tráfico.
• Facilidad de instalación. Para priorizar los test, debes examinar también la facilidad de implementación o diseño de los mismo. Cuanto más fácil sea la solución, menos recursos necesitará.

Con toda esa información en mente podrás crear un roadmap en el que debes indicar tanta información como sea posible. Esta será la guía que te ayudará a seguir una buena estrategia Test & Learn.

3. Configura los test

La implementación de un test depende de la herramienta de A/B testing que estés usando y de tu modo de operación.

Algunas herramientas de A/B testing requieren una implementación más compleja y el uso de equipos técnicos para modificar el código fuente de las páginas donde se quiere realizar testing, mientras que otras hacen posible lanzar un test sin tener que contar con conocimientos técnicos. En este segundo caso, el usuario puede realizar modificaciones a través de un editor gráfico. Este tipo de herramientas aumentan la agilidad del proceso en general y hace que el equipo sea completamente autónomo.

En cuanto al modo de operación, existen dos tendencias: la total integración del A/B testing en la empresa, siendo sus propios empleados los encargados de llevar a cabo los test, o el uso de agencias o proveedores externos que, además de ofrecer consultoría, estarán a cargo del diseño de las variaciones, el desarrollo de los elementos gráficos o editoriales si fuera necesario, etc. En AB Tasty ofrecemos ambas alternativas y contamos con un equipo de Customer Success Managers con amplia experiencia que podrán ayudarte con cualquier tipo de idea que quieras probar.

La elección de una herramienta de A/B testing y el modo de operación dependerán de la madurez de la compañía y sus recursos. Cada caso es diferente y deberás optar por la solución que mejor se adapte a tus necesidades.

4. Analiza los resultados 

Salta a la sección en la que hablamos en más detalle sobre el análisis de los resultados. Tratamos temas como la fiabilidad y la metodología estadística, así como buenas prácticas a la hora de interpretar los resultados de tu informe.

5. Documenta los test realizados

Es importante que mantengas un historial con los test realizados para que puedas compartir dicha información con aquellos a cargo de la optimización de conversiones. Documentar un test consiste en llevar un registro de la siguiente información:

• El nombre del test.
• El periodo del test.
• La hipótesis testeada.
• Una descripción de las variaciones que se llevaron a cabo.
• Los resultados y lecciones del test.
• El beneficio potencial a lo largo de un año.

6. Implementación de la versión ganadora

Tan pronto como la versión alternativa mejore el rendimiento de la versión original con una alta tasa de fiabilidad, es necesario mostrar dicha variación para el 100% del tráfico de modo que no pierdas ninguna conversión. Dependiendo de la empresa, el hecho de pasar una variación a producción definitiva puede tardar bastante tiempo o no. Por eso, la mayoría de herramientas de A/B testing te permiten mostrar la variación al 100% del tráfico del sitio.

Una vez en producción, es aconsejable comprobar que los niveles obtenidos durante el test se confirman a largo plazo. Existen varias razones por las que en algunos casos esto no sucede y se producen mejores resultados durante el test que en producción. Por ejemplo, al acercarse las vacaciones de final de año, la sensación de urgencia aumenta por lo que las tasas de conversión suben de forma natural. Si un test muestra que la versión ganadora mejora a la original en un 10% durante este periodo, es posible que la mejora real sea algo menor.

7. Comparte los resultados

Es importante comunicar las lecciones aprendidas gracias a los test realizados, especialmente a los directores. Existen lecciones generales que pueden afectar a otras áreas de negocio y, por tanto, deben ser compartidas con el resto de los departamentos (ventas, marketing, comunicación, etc.) Finalmente, si la herramienta de A/B testing hace posible evaluar el beneficio monetario generado a través del test, podrás calcular el ROI del programa de testing para justificar tu inversión.

8. Testea continuamente

El A/B testing debe entenderse como un proceso de optimización continuo. Se empieza por la búsqueda de problemas e hipótesis y al finalizar el test se deben usar los resultados para generar nuevas ideas de optimización y enriquecer el roadmap. Cuanto más practiques este método Test and Learn, mejores test realizarás.

 

 

La fase de análisis de un test es la más delicada. La herramienta de A/B testing debe, al menos, ofrecer una interfaz de informes en la que se muestren las conversiones conseguidas por cada variación, la tasa de conversión, el porcentaje de mejora con respecto a la original y el índice de fiabilidad estadística de cada test. Las herramientas más avanzadas permiten, además, filtrar los resultados segmentando por dimensiones como la fuente de tráfico, localización de los usuarios, tipo de cliente, etc.

Objetivos primarios y secundarios

El análisis de los resultados depende de los objetivos definidos. Es importante definir un indicador principal para analizar las variaciones. No es poco común, de hecho, que algunos test tengan efectos opuestos en indicadores distintos, por ejemplo, un aumento en el número de pedidos, pero un descenso en el precio del pedido medio.

El objetivo principal se corresponde con aquello que motivó que realizaras el test en primer lugar: registros, pedidos, suscripciones, etc. Los objetivos secundarios te darán información adicional sobre el comportamiento de tus usuarios (tasa de rebote, tiempo de conexión, etc.). Te permiten refinar los cambios para una mejor tasa de conversión.

Saber analizar los resultados de un test es crítico para tomar buenas decisiones

Comprende las estadísticas de un test A/B 

La mayor limitación al analizar los resultados de un test es obtener un nivel de confianza suficiente. El nivel de confianza que se debe alcanzar es del 95%. Esto significa que la probabilidad de que las diferencias en los resultados se deban al azar es muy baja. El tiempo necesario para alcanzar este nivel de confianza variará dependiendo de la cantidad de tráfico del sitio web en el que se realiza el test, la tasa de conversión original y el impacto que generan los cambios. Puede ir de unos pocos días a muchas semanas. Para sitios con poco tráfico, se aconseja testear una de las páginas con más tráfico, recordando siempre que hasta que no se alcanza el deseado nivel de confianza no se deben sacar conclusiones de ningún tipo.

Hasta que un test alcance un nivel de confianza del 95% no se deben sacar conclusiones.

[clickToTweet tweet=»No tomes decisiones hasta que el test alcance una fiabilidad del 95%» quote=»No tomes decisiones hasta que el test alcance una fiabilidad del 95%»]

Las pruebas estadísticas usadas para calcular el nivel de confianza (como la prueba de Chi cuadrado) se basan en una muestra cercana al infinito. En el caso en el que la muestra es pequeña, debemos ser cuidadosos con el análisis de sus resultados incluso si el test nos muestra una fiabilidad del 95%. En un test con una muestra pequeña, es posible que si se dejara dicho test activo durante más días, los resultados cambiaran. Por eso, se recomienda tener un buen tamaño de muestra. Existen métodos científicos para calcular el tamaño de la muestra, como nuestra calculadora de muestras, pero, en la práctica, se recomienda tener una muestra de al menos 5000 usuarios y 75 conversiones por variación. Si tu sitio web tiene menos de estos usuarios, te recomendamos que leas nuestro artículo sobre cómo realizar test A/B en sitios con poco tráfico.

Existen dos tipos de pruebas estadísticas:

• Frecuentistas: El método de Chi cuadrado o método frecuentista es objetivo. Te permite analizar los resultados solo al final del test. El estudio se basa, por tanto, en la observación con una fiabilidad del 95%.
• Bayesianas: El método Bayesiano es deductivo. Siguiendo las leyes de la probabilidad, te permite analizar los resultados antes de la finalización del test. Hay que tener en cuenta el intervalo de confianza. Échale un vistazo a nuestro artículo sobre los beneficios del enfoque Bayesiano.

 

 

Finalmente, incluso si el tráfico del sitio web es suficiente como para obtener resultados rápidamente, se recomienda dejar el test activo durante varios días para tener en cuenta las diferencias en el comportamiento cada día de la semana o incluso cada hora del día. Un mínimo de una semana o preferiblemente dos. En algunos casos, este periodo puede ser incluso mayor, especialmente si la conversión incluye la compra de productos cuyo proceso de compra es más elevado, como productos complejos B2B. En conclusión, no hay un estándar fijado en cuanto a la duración de un test.

Otros artículos sobre estadísticas del A/B testing:

• ¿Qué piensa un científico de datos sobre Google Optimize?
• Estadísticas inteligentes para el A/B testing

Consejos y mejores prácticas para el A/B testing

Esta es una recopilación de buenas prácticas que te ayudarán en tu proceso de optimización de conversiones. Son el resultado de la experiencia de nuestros clientes al realizar A/B testing durante varios años.

1.Comprueba la fiabilidad de la solución de A/B testing

Es recomendable realizar test A/A para comprobar la correcta distribución aleatoria del tráfico del sitio web hacia las diferentes versiones. Servirá también para comparar los datos de la solución de A/B testing con los de tu herramienta de analítica web. Recuerda que cada una puede usar un método de medición diferente por lo que se trata de comparar en términos generales y no cifras exactas.

2. Comprueba el test antes de activarlo

¿Has obtenido datos dudosos de tu test? Comprueba tu test antes de activarlo y asegúrate de que los objetivos están correctamente definidos. En muchos casos, tomarse un momento para comprobarlo todo puede ahorrarnos mucho tiempo interpretando resultados falsos o erróneos.

3. Testea solo un elemento al mismo tiempo

Al probar solo un elemento al mismo tiempo serás capaz de aislar el impacto de ese elemento en el rendimiento del sitio web. Si la localización de dicho elemento o alguna de sus características se cambia durante el test, ya no podremos identificar qué produjo el cambio.

4. Realiza solo un test al mismo tiempo

Debido a las razones anteriores, no se recomienda realizar más de un test al mismo tiempo en la misma página. Los resultados serán difíciles de interpretar si existen dos test activos al mismo tiempo.

5. Adapta el número de variaciones al volumen de tráfico

Si creas muchas variaciones diferentes y cuentas con poco tráfico, el test tardará mucho tiempo en producir resultados convincentes. Recomendamos que, cuanto menos tráfico, menos variaciones.

6. Espera a que el test sea fiable antes de actuar

No deberías tomar ningún tipo de decisión en base a un test hasta que este no cuente con una tasa de fiabilidad del 95%. Si tu test aún no ha alcanzado este nivel, es probable que los resultados puedan variar.

7. Deja que el test esté activo el tiempo suficiente

Incluso si un test muestra fiabilidad estadística rápidamente, siempre es bueno dejarlo activo durante un tiempo debido a que hay que tener en cuenta que el comportamiento de las personas cambia en función del día de la semana en el que nos encontremos. Recomendamos que cada test dure al menos una semana, idealmente dos y que cuente con 5.000 usuarios y 75 variaciones por versión. Puedes usar nuestra calculadora de muestras y duración de test A/B para saber cuántos usuarios necesitarás y durante cuánto tiempo.

8. Detén un test cuando sea necesario

Si un test tarda mucho tiempo en alcanzar un nivel de fiabilidad del 95%, es probable que el elemento que se esté probando no impacte al indicador que estamos midiendo. No tiene sentido continuar con un test que monopoliza el tráfico que podría usarse para probar una idea diferente.

9. Mide varios indicadores de rendimiento

Se recomienda medir varios indicadores de rendimiento durante la duración de un test en base a los objetivos fijados para este. Un objetivo principal para comparar ambas versiones y otros objetivos secundarios para enriquecer el análisis de los resultados. Algunos indicadores típicos son el CTR, la tasa de conversión, el pedido medio, etc.

10. Conoce las acciones de marketing activas durante el test

Algunas variables externas pueden afectar a los resultados de tus test. A menudo, campañas de adquisición de tráfico u otras acciones de marketing pueden producir efectos colaterales. Limitar estas acciones o planificar tus test en base a ellas es lo ideal.

11. Segmenta los test

En muchas ocasiones, realizar un test para todos los usuarios de un sitio web no tiene sentido. Si, por ejemplo, hemos diseñado un test que mide el impacto de una variación en la página de registro, lo lógico es segmentarlo únicamente para los usuarios nuevos.

Más artículos sobre las mejores prácticas para el A/B testing y obstáculos a evitar:

• La paradoja de la elección: muchas opciones pueden ser demasiadas
• 15 consejos para mejorar las conversiones B2B
• 8 errores que no debes cometer en el A/B testing

Ejemplos de test A/B

Los ejemplos de test A/B las ideas de hipótesis son geniales, pero, si has leído secciones anteriores sabrás que no existe ninguna guía milagrosa que aplique a todo el mundo por igual. Aun así, los casos de éxito y las demás buenas prácticas son muy útiles ya que te servirán de inspiración para crear tus propias optimizaciones.

Más ejemplos de test A/B y sus resultados:

• Ejemplos de test A/B y casos de éxito de clientes de AB Tasty
• 100 Conversion Optimization Case Studies
• 50 A/B Split Test Conversion Optimization Case Studies
• Case studies from the Behave library
• The Top 20 A/B Testing Case Studies that Every Marketer Should Read

Elección de una herramienta de A/B testing

Como no podía ser de otra forma, nosotros solo podemos recomendar que uses AB Tasty. Nuestra herramienta no es solo una solución de A/B testing. AB Tasty es una plataforma todo en uno para la optimización de la tasa de conversión. Puedes analizar el comportamiento de tus usuarios en tu sitio web a través de los mapas de calor y la grabación de sesiones, realizar todo tipo de test, personalizar tu web en base a tus usuarios y crear campañas de engagement para fomentar la interacción en tu sitio web.

[clickToTweet tweet=»Además de para hacer #abtesting, @ABTasty te permite personalizar tu sitio web en base a tus usuarios» quote=»Además de para hacer A/B testing, AB Tasty te permite personalizar tu sitio web en base a tus usuarios»]

Aunque es cierto que no somos los únicos ahí fuera, por eso, te ofrecemos un comparador de herramientas de A/B testing y plataformas CRO en el que analizamos las distintas funcionalidades que ofrecen cada uno de los proveedores.

Además de eso, estos artículos también pueden ser de ayuda a la hora de escoger tu herramienta de A/B testing:

Artículos recomendados

• The 20 Most Recommended AB Testing Tools By Leading CRO : Experts
• Which A/B testing tools or multivariate testing software should you use for split-testing?
• 18 Top A/B Testing Tools Reviewed by CRO Experts
• The modern marketers’ toolbox – A/B Testing Tools
• Cómo aumentar las conversiones en ecommerce.

Otras formas de hacer A/B testing

El A/B testing no se limita a la modificación de páginas de un sitio web o aplicación. Puedes aplicar el mismo concepto a cualquier actividad de marketing como la adquisición de tráfico o tus campañas de email.

Ejemplos de otros tipos de A/B testing:

• A Beginner’s Guide to A/B Testing: Email Campaigns That Convert
• A/B Testing on Social Media: How to Do it with Tools You Already Have
• A Crash Course on A/B Testing Facebook Ad Campaigns :
• How to Improve Your Click Rates with AdWords A/B Testing

Los mejores blogs sobre A/B testing y conversión

Por supuesto, recomendamos que leas el blog de CRO de AB Tasty en el que hablamos sobre todo lo relacionado con la optimización de conversiones, la personalización web y las distintas noticias e innovaciones del sector. Sin embargo, aquí tienes una lista con otros blogs especializados en A/B testing y conversión.

Blogs que añadir a favoritos

• HubSpot Blogs
• KISSmetrics
• Unbounce
• ConversionXL
• Blog Uptilab
• Bryan Eisenberg
• MarketingExperiments
• Conversion Rate Experts
• Invesp Blog
• Wider Funnel
• The Conversion Scientist
• Behave.org
• The Online Behavior Blog
• Moz
• SiteTuners
• Conversioner
• The Daily Egg
• WordStream
• Funnel Science
• Conversion Conference

Si no quieres perderte ninguna noticia sobre conversión, también puedes seguir a los expertos en Twitter.

Influencers del A/B testing:

• Chris Goward – @chrisgoward
• Kissmetrics – @Kissmetrics
• Unbounce – @unbounce
• Peep Laja – @peeplaja
• Bryan Eisenberg – @TheGrok
• Oli Gardner – @oligardner
• Rand Fishkin – @randfish
• Nelio – @NelioSoft
• UserTesting – @usertesting
• Michael Aagaard – @ContentVerve
• Roger Dooley – @rogerdooley
• MoreVisibility – @MoreVisibility
• WiderFunnel – @WiderFunnel
• Brian Massey – @bmassey
• invesp – @invesp
• Get Elastic – @getelastic
• Online Behavior – @onbehavior
• Moz – @Moz
• SiteTuners – @SiteTuners
• Tim Ash – @tim_ash
• ConversionAid – @ConversionAid
• Conversioner – @Conversioner_
• Uptilab – @uptilab
• Theo van der Zee – @theovdzee
• Scott Brinker – @chiefmartec
• Venture Harbour – @VentureHarbour
• PPC Hero – @ppchero
• WordStream – @WordStream
• MarketingExperiments – @MktgExperiments
• ConversionConference – @ConversionConf

Autor: https://www.abtasty.com/es/ab-testing/