Las pruebas A/B son una excelente manera de probar las hipótesis de marketing y aumentar las ventas. Pero no todos saben cómo usar esta herramienta correctamente. Entendemos qué son las pruebas A/B y qué problemas comerciales ayudarán a resolver.
Contenidos
¿Qué son las pruebas A/B?
Las pruebas A/B (pruebas AB) son un método de investigación para evaluar la eficacia de dos variantes del mismo elemento. En marketing, esto puede ser un botón en la página de un sitio web, un boletín informativo, headings y cualquier otro detalle. El punto es mostrarlos a dos segmentos de la audiencia durante un cierto período de tiempo. Comparar 3 o más elementos ya es una prueba dividida (del inglés «split testing» – «separate testing»).
Digamos que tienes una tienda en línea. El botón «comprar» está resaltado en rojo, pero le resulta más intimidante que instarle a comprar el producto. ¿Cómo saber si cambiar el color de un botón realmente afectará las conversiones y las ventas?
Y así: divide la audiencia en grupos de control y de prueba, crea dos páginas diferentes y pruébalo empíricamente. Los usuarios de cada grupo interactuarán con diferentes versiones del sitio. Como resultado, la conversión de uno de los botones será mayor. Después del estudio puede realizar cambios en el sitio.
¿Por qué no puedes simplemente cambiar el color del botón a otra cosa?
Poder se puede, pero entonces no podrá determinar cómo este cambio afectó la optimización del embudo. Por ejemplo, no le gusta el color verde, por lo que decide cambiar el banner a color azul. El mes siguiente hubo un aumento del 5% en las ventas, pero no hay garantía de que esto haya sido influenciado por el color del botón. Quizás la publicidad contextual funcionó tan bien o el factor estacional influyó. En cambio, con las pruebas A/B, obtienes resultados precisos.
Por qué necesitas realizar una prueba A/B
El marketing es un proceso de mejora continua. No puede crear un sitio/boletín/anuncio una vez y asumir que ellos mismos traerán usuarios. Los clientes son cada año más exigentes y los competidores están alerta, por lo que es necesario construir hipótesis constantemente y probarlas para mejorar la experiencia del usuario. Y aquí, como dice Darwin, no sobrevivirá el más fuerte, sino el que mejor se adapte.
Estos son algunos ejemplos de lo que se puede mejorar con las pruebas A/B.
Mejorar Métricas
El diseño obsoleto y el contenido poco interesante son las principales razones de los rebotes y las bajas tasas de clics. Dichos problemas se pueden evitar probando constantemente los elementos y eligiendo las mejores soluciones para cada problema. Las métricas son principalmente importantes para los especialistas en marketing.
La tasa de rebote es el porcentaje de usuarios que abandonaron el sitio casi de inmediato (generalmente en 15 segundos) sin realizar una sola acción dirigida o hacer clic.
La tasa de clics, o CTR, es la métrica principal en marketing, la proporción de clics respecto de las impresiones.
Mejora la usabilidad
La usabilidad es la facilidad de uso de un sitio web. Los clientes no tienen que buscar un carrito de compras o un formulario de suscripción a la newsletter. Los botones útiles deben mantenerse a la vista, de lo contrario, los usuarios se irán sin realizar compras. Incluso si el sitio es conveniente, créanme, siempre hay algo que mejorar. Las pruebas A/B ayudan a los diseñadores de UX a optimizar el diseño, hacerlo lo más conveniente y comprensible posible.
Aumente las conversiones con un riesgo mínimo
Las conversiones son igualmente importantes para los especialistas en marketing y los vendedores. Las pruebas divididas lo ayudan a verificar cómo un banner o botón afecta la conversión y probar diferentes opciones de diseño. Y todo esto a un costo mínimo y casi sin pérdidas, porque la mitad de la audiencia todavía ve la versión anterior.
Hay muchos casos exitosos donde las pruebas A/B han ayudado a las empresas a lograr los resultados deseados y aumentar las ventas. Por ejemplo, la empresa estadounidense de TI WorkZone aumentó el número de clientes potenciales en más de un tercio gracias a las reseñas. Los cambios se probaron primero en un grupo pequeño y luego se aplicaron a la totalidad del sitio.
¿Qué se puede probar?
En resumen, casi todo. En el sitio es:
- CTA, o llamada a la acción: formulario, color del botón, texto.
- Diseño y maquetación de formularios de comentarios.
- Título y descripción: meta descripciones de las páginas del sitio en los resultados de búsqueda;
- Texto e ilustraciones.
En la publicidad contextual:
- Título.
- Enlaces rápidos.
- Texto de anuncio.
- Creatividades.
En correos electrónicos:
- Asunto y preencabezado del correo electrónico.
- Contactar a los suscriptores.
- Creatividad y diseño.
- Formatos de correo (con más texto o más imagen)
Cómo probar: 5 pasos para el éxito
Los tests A/B pueden convertirse en una herramienta universal, lo principal es hacerlo bien. A través de un ejemplo, mostraremos qué reglas se deben seguir, cómo construir hipótesis y analizar los resultados.
Imagine que es un comercializador de una empresa de construcción y observe que la conversión a una suscripción al boletín en el sitio es solo del 15%. En su opinión, se puede mejorar cambiando el diseño del formulario. ¿Hacemos la prueba?
Paso 1. Definir el objetivo y las métricas
Al realizar una prueba A/B, debe comenzar definiendo un objetivo y unas métricas. De lo contrario, será difícil evaluar los resultados. Las métricas pueden ser cualquier indicador cuantitativo que se utilice en marketing: la factura promedio, el número de pedidos, los clics.
Vamos a explicar con un ejemplo. Analizaste el embudo de ventas en una empresa y notaste que solo el 3% de los que lo vieron completan el formulario de suscripción por correo electrónico. Debe «aumentar la conversión a la suscripción al boletín en un 15%»; este será el objetivo. Y la conversión le ayudará a medir si se logra el objetivo.
Paso 2. Formular una hipótesis
La hipótesis es también la base de las pruebas A/B. Debe contener una suposición, una métrica y un resultado final: «Si nosotros hacemos […], entonces lograremos […]». Hay dos tipos de hipótesis:
- Cero: los cambios no traerán los resultados esperados.
- Alternativa: los cambios ayudarán a lograr el objetivo.
Volvamos al ejemplo. En nuestro caso, una hipótesis alternativa podría ser: “Si ofrecemos un 10% de descuento en cualquier compra por suscripción a una newsletter, la conversión aumentará al menos un 15%”. Los números no son importantes, en la hipótesis puede prescindir de ellos, porque definitivamente nunca podrá calcular el beneficio de los cambios antes del experimento. La hipótesis nula sería: “Si ofrecemos un 10% de descuento en cualquier compra por suscripción al boletín, esto no afectará la conversión de ninguna manera”.
Pruebe solo un elemento por experimento. Si cambia varios objetos a la vez, no podrá comprender cuál funcionó mejor. Si tiene varias hipótesis, debe ejecutar varias pruebas.
Paso 3. Definir la audiencia
Para que el experimento pase objetivamente, la muestra debe ser representativa.
Representatividad – la correspondencia de las características del grupo probado de la población general.
La población es la colección de todos los usuarios/clientes que necesitamos inferir. Si la muestra es representativa, los resultados del estudio pueden generalizarse para toda la audiencia.
En nuestro ejemplo, la población es nuestro público objetivo. Digamos que nuestra tienda de ropa está dirigida a mujeres y hombres de 18 a 35 años. Al mismo tiempo, la audiencia femenina es el 70% del total. Esto significa que para que la muestra sea representativa, es necesario armar un grupo que cumpla plenamente con estos indicadores: debe incluir 70% de mujeres, 30% de hombres de 18 a 35 años. Es necesario definir dos grupos de este tipo: experimental y de control. Mostramos la opción A del sitio a una audiencia, la opción B a otra.
Solo en este caso la prueba será correcta. Si la muestra no es representativa, los resultados del experimento estarán en duda.
También es importante determinar el tamaño de la muestra. Para ello, puedes utilizar la calculadora . Según el tamaño de la muestra, determine la duración de la prueba: calcule el tráfico diario y vea cuántos días se necesitan para recopilar suficientes datos. En promedio, esto toma dos semanas.
¡Y otro ejemplo! Volvamos a nuestra tienda: por ejemplo, 10 mil personas visitan el sitio por día. La calculadora mostró que para la objetividad del experimento, un total de 100.000 usuarios deberían ver dos variantes del formulario. Resulta que 100/10 = 10 días para obtener resultados.
Paso 4. Realización de un experimento
Decide la plataforma con la que realizarás el experimento. Comience a evaluar los datos solo cuando termine el experimento.
Herramientas de prueba A/B
Puedes utilizar varias herramientas para tus experimentos:
- Google optimize . Solía ser el servicio de pruebas A/B más popular con la capacidad de probar 5 opciones y múltiples hipótesis a la vez. Es cierto que desde septiembre de 2023 se suspendió el soporte para el servicio. Las pruebas a-b aparecerán en Google Analytics 4.
- Experimentos en Yandex Metrica. La nueva herramienta se lanzó el mes pasado, pero ya se ha vuelto popular entre la audiencia de habla rusa.
- RealROI es una plataforma doméstica que le permite realizar pruebas en páginas de destino y administrar anuncios en Yandex.Direct.
- Optimizely. Otra herramienta útil con una interfaz intuitiva.
- MyTarget. La plataforma es útil si necesita probar no las páginas del sitio, sino los anuncios.
- VWO es una plataforma extranjera paga con grandes oportunidades, pero no es adecuada para principiantes, ya que requiere habilidades para trabajar con el diseño.
Paso 5. Realizamos el análisis
Entonces, han pasado 10 días dolorosamente largos, ¿y qué vemos? La conversión del segundo grupo, al que mostramos la versión del formulario con la oferta, fue del 30% – ¡la oferta funciona! Entonces, ¿nuestro experimento puede considerarse exitoso? No, debe determinar la significación estadística para asegurarse de que se puede confiar en los resultados. Hay muchas calculadoras para esto.
Los 3 principales errores de prueba
Estos errores se cometen con mayor frecuencia durante las pruebas:
Prueba simultánea de dos hipótesis/elementos
Es difícil resistir la tentación de realizar varios cambios a la vez para comprobar los resultados. Pero de esta manera no podrá rastrear cuál afectó las métricas. Quizás el primero muestre un resultado negativo y el resto, uno positivo. Debido a esto, se pueden sacar conclusiones equivocadas. Una prueba, una hipótesis.
Prueba secuencial
Durante las pruebas secuenciales, las primeras dos semanas (o mes) muestra la variación del sitio A y el período de tiempo restante, la variación B. Para nichos con productos de temporada, las pruebas secuenciales no funcionarán; será imposible evaluar si la demanda influyó.
Por ejemplo, vende trineos y decide probar una nueva página de destino en febrero. El primer mes mostraste la versión anterior, el mes siguiente mostraste la nueva. Si el rendimiento de este último resultó ser extremadamente bajo, esto no significa que sea hora de decir adiós al diseñador. Es importante tener en cuenta la demanda: en marzo, nadie está interesado en comprar trineos.
Cantidad insuficiente de datos
Esto sucede cuando el experimento se detiene prematuramente. Tal vez los plazos se agotan o la presentación se movió a una fecha anterior. Debido a esto, en el futuro, puede perder más de cien clientes. Terminar el experimento antes de tiempo es un grave error. Para evitarlo, tómese su tiempo y tenga en cuenta que la certeza estadística debe ser de al menos el 95%.
En conclusión, las pruebas A-B son solo un experimento, no una prueba de sus hipótesis. Las pruebas no siempre son exitosas, así que trátelas como experiencias de aprendizaje que lo ayudarán a comprender mejor a sus clientes y enfocarse en las brechas. Pero no olvide que ninguna prueba y optimización ayudará si el sitio tiene problemas técnicos constantemente. ¡Por lo tanto, elija un alojamiento confiable y experimente sin ningún problema!
