Cuando una tienda online quiere vender más, la tentación es cambiar cosas según la intuición: un botón más grande, otro color, una foto distinta en la portada. A veces funciona, pero casi nunca se sabe por qué, y otras veces el cambio empeora las cosas sin que nadie lo note. Un test A/B propone una alternativa más rigurosa: mostrar dos versiones de una misma página a grupos distintos de visitantes y medir cuál funciona mejor.
Suena simple, y en cierta forma lo es. Pero hay varios errores comunes que hacen que muchas pruebas den conclusiones equivocadas. En esta nota explicamos cómo encarar un test A/B en un ecommerce para que los resultados sean confiables.
En un test A/B se divide el tráfico de forma aleatoria entre dos versiones de una página: la original, que se suele llamar control, y una variante con un cambio. Durante un período se mide cómo se comporta cada grupo frente a un objetivo definido, por ejemplo cuántos agregan al carrito o cuántos compran. Si la variante muestra una mejora suficientemente clara y consistente, se adopta.
La clave está en que ambos grupos ven las páginas al mismo tiempo y en las mismas condiciones. Eso permite atribuir la diferencia al cambio y no a factores externos como el día de la semana, una promoción o una campaña que trajo más tráfico.
No todos los cambios valen lo mismo. Probar el tono de un botón rara vez mueve la aguja de forma relevante. Lo que suele generar diferencias importantes son cambios en la propuesta: cómo se presenta el precio y las cuotas, qué información aparece primero en la ficha de producto, si se muestra el costo de envío antes o después, cómo está armado el checkout, qué dice el titular de una landing.
Una buena forma de elegir qué probar es partir de los datos. Si en GA4 ves que la mayor caída se produce entre la ficha de producto y el carrito, ahí está tu primera hipótesis. Si los usuarios abandonan en el checkout, conviene empezar por ahí. En esta nota sobre tiendas con visitas que no venden repasamos cómo encontrar esos puntos de fuga, y en esta otra cómo medir la conversión.
Cada prueba debería partir de una hipótesis clara: creemos que mostrar el costo de envío en la ficha va a reducir el abandono en el checkout, porque las personas se sorprenden con ese costo al final. Esa formulación te obliga a pensar por qué un cambio podría funcionar y te ayuda a aprender aunque el resultado sea negativo.
Este es el punto donde se equivocan la mayoría de las tiendas chicas. Para que un test A/B detecte una diferencia real, necesita una cantidad mínima de conversiones en cada versión. Si tu tienda tiene pocas ventas por semana, una prueba sobre la tasa de compra puede tardar meses en dar un resultado confiable, o directamente nunca darlo.
Hay calculadoras de tamaño de muestra gratuitas que te dicen cuántos visitantes necesitás según tu tasa de conversión actual y la mejora que querés detectar. Hacer ese cálculo antes de empezar evita frustraciones. Si el número es inalcanzable, hay alternativas: medir un objetivo intermedio más frecuente, como agregar al carrito, probar cambios más grandes que generen diferencias más notorias o enfocar la prueba en las páginas con más tráfico.
Otro error frecuente es cortar la prueba apenas una versión parece ganar. En los primeros días los resultados oscilan mucho, y una ventaja que parece enorme puede desaparecer con más datos. Mirar los resultados todos los días y detener el test en el momento favorable es una de las formas más comunes de llegar a conclusiones falsas.
Lo recomendable es definir de antemano el tamaño de muestra o la duración, y respetarlo. Como regla práctica, conviene que la prueba abarque al menos una o dos semanas completas, para incluir el comportamiento distinto de los días hábiles y los fines de semana. También es mejor evitar fechas excepcionales como el Hot Sale o el Black Friday, donde el comportamiento de compra no es representativo.
Las herramientas de testing suelen mostrar un indicador de significancia estadística o de probabilidad de que una versión sea mejor. Ese número sirve para saber si la diferencia observada puede deberse al azar. Un resultado sin suficiente confianza no significa que las dos versiones sean iguales; significa que no hay datos suficientes para afirmarlo.
También conviene mirar más allá de la métrica principal. Una variante puede aumentar los clics en “agregar al carrito” pero reducir las compras finales, o aumentar las ventas pero bajar el ticket promedio. Revisar el efecto sobre los ingresos y no solo sobre una tasa evita decisiones que se ven bien en el gráfico pero no en la caja.
Durante años muchas tiendas usaron Google Optimize, que Google discontinuó en 2023. Hoy existen varias herramientas especializadas, algunas integradas con las principales plataformas de ecommerce y otras que funcionan con un fragmento de código. También algunas plataformas y temas incluyen funciones básicas de prueba. La elección depende de tu volumen de tráfico, tu presupuesto y tu plataforma. Lo importante es que la herramienta reparta el tráfico de forma aleatoria y que puedas medir el objetivo con el que trabajás, idealmente conectado con GA4.
En publicidad también se pueden hacer pruebas A/B. Tanto Meta como Google permiten comparar anuncios, audiencias o páginas de destino de forma controlada. Es una buena forma de complementar las pruebas en la tienda, como contamos en cómo armar una landing que convierta.
Un solo test rara vez transforma una tienda. Lo que genera resultados es la acumulación de pruebas bien hechas a lo largo del tiempo, cada una con un aprendizaje. Llevar un registro de qué se probó, por qué y qué resultado dio evita repetir pruebas y construye un conocimiento propio sobre tus clientes que ninguna guía genérica puede darte.
Hacer un test A/B bien no es complicado, pero requiere paciencia y disciplina. Si querés empezar a optimizar tu tienda con pruebas en lugar de suposiciones, en Vector X podemos ayudarte a diseñarlas y a leer los resultados.
