Tests A/B en tu web: mejora la conversión con datos y no con corazonadas

En casi todas las reuniones sobre una web aparece la misma discusión: que si el botón debería ser verde, que si el titular es demasiado largo, que si el formulario pide demasiados datos. Cada persona tiene su opinión, normalmente defendida con mucha seguridad, y al final se impone la del que más manda o la del que más insiste. El resultado es una web construida a base de corazonadas.

Los tests A/B existen precisamente para cortar esas discusiones. En lugar de adivinar qué versión funciona mejor, enseñas cada una a una parte de tus visitantes y dejas que sus acciones decidan. En este artículo te explico qué es exactamente un test A/B, qué cosas merece la pena probar, cuánto tráfico hace falta para fiarte del resultado, los errores que lo invalidan y qué herramientas puedes usar hoy, ahora que Google Optimize ya no existe.

Un test A/B es un experimento controlado: tomas una página o un elemento de tu web (la versión A, la actual) y creas una variante con un cambio concreto (la versión B). Después repartes el tráfico al azar entre las dos y mides cuál consigue más conversiones, ya sean formularios enviados, reservas, compras o clics en un botón. Como el reparto es aleatorio y simultáneo, las diferencias que observas se deben al cambio y no a la época del año, al día de la semana o a una campaña puntual.

Conviene distinguirlo de otras cosas con las que se confunde a menudo:

• Comparar antes y después no es un test A/B. Si cambias el titular en octubre y las ventas suben, no sabes si fue el titular, la temporada o una mención en prensa.
• Un test multivariante prueba varias combinaciones de elementos a la vez. Es potente, pero necesita muchísimo más tráfico, así que rara vez tiene sentido en una pyme.
• Un test de URL dividida (split URL) compara dos páginas completamente distintas. Es útil para rediseños grandes, y sigue la misma lógica que un A/B.

El error más común es lanzar tests porque sí: «vamos a probar un botón rojo a ver qué pasa». Un buen test empieza con una hipótesis basada en algo que has observado. Por ejemplo: «En la analítica veo que muchos usuarios abandonan el formulario de presupuesto en el campo de teléfono. Creo que si hacemos ese campo opcional aumentarán los envíos, porque la gente no quiere recibir llamadas comerciales».

Esa hipótesis tiene tres partes: un problema observado, un cambio concreto y un motivo. Y lleva asociada una métrica principal que decidirá el resultado (en el ejemplo, formularios enviados). Elige una sola métrica antes de empezar. Si al terminar buscas entre diez métricas la que haya salido mejor, casi siempre encontrarás alguna, aunque sea por puro azar.

Para tener esas observaciones de partida necesitas una analítica bien configurada, con las conversiones definidas. No voy a repetir aquí cómo hacerlo; lo tienes paso a paso en la guía de Google Analytics 4 para pymes.

No todo merece un test. Los cambios con más posibilidades de mover la conversión son los que afectan a la decisión del usuario, no a detalles estéticos. Estos son los terrenos donde suelo centrar los experimentos:

Titulares y propuesta de valor

El titular es lo primero que se lee y decide si alguien sigue o se va. Puedes probar un enfoque centrado en el beneficio frente a uno centrado en el problema, un mensaje más concreto frente a uno más general, o incluir un dato verificable sobre tu servicio (plazo de entrega, zona de trabajo, garantía) frente a no incluirlo.

Botones y llamadas a la acción

Más que el color, suele importar el texto y la posición. «Enviar» comunica poco; «Pedir presupuesto sin compromiso» o «Ver horarios disponibles» explican qué pasará al hacer clic. También puedes probar a repetir la llamada a la acción en distintos puntos de una página larga o a destacar una sola acción en lugar de varias.

Formularios

Los formularios son uno de los mejores sitios para experimentar porque cada campo es un pequeño obstáculo. Prueba a eliminar campos, a hacer otros opcionales, a dividir un formulario largo en pasos o a cambiar el texto que acompaña al botón de envío. Eso sí, no sacrifiques la calidad del contacto: si quitar un campo trae más formularios pero peores clientes, no has ganado nada.

Precios y forma de presentarlos

Aquí hay que ir con cuidado. Probar cómo presentas los precios (orden de los planes, qué plan se destaca, precio mensual frente a anual, mostrar un precio orientativo o no mostrarlo) es habitual y legítimo. Mostrar precios distintos por el mismo producto a clientes diferentes es otra cosa: puede generar desconfianza si se descubre y conviene revisar antes la normativa de protección al consumidor aplicable a tu caso.

Aquí es donde muchos tests A/B se vienen abajo. Para saber si la diferencia entre A y B es real y no fruto de la casualidad, necesitas un número suficiente de visitas y conversiones. Ese número depende de tres cosas: tu tasa de conversión actual, el tamaño de la mejora que quieres detectar y el nivel de confianza que exiges (lo habitual es trabajar con un 95 %).

Un ejemplo con números redondos para que te hagas una idea: si tu página convierte al 2 % y quieres detectar con fiabilidad que una variante sube al 3 %, la fórmula estándar de comparación de proporciones (con un 95 % de confianza y un 80 % de potencia estadística) pide en torno a 3.800 visitas por variante, es decir, unas 7.600 en total. Y eso para detectar una mejora grande, de un 50 % relativo. Para detectar mejoras más pequeñas, la cifra se multiplica.

Las conclusiones prácticas para una pyme son claras:

• Si tu web recibe poco tráfico, prueba cambios grandes (una propuesta de valor distinta, un formulario mucho más corto), no matices. Los matices necesitan muestras enormes.
• Calcula el tamaño de muestra antes de empezar con una calculadora de tests A/B, y estima cuántas semanas necesitarás con tu tráfico real.
• Si el cálculo dice que necesitas un año, ese test no tiene sentido en tu web. Mejor busca otro método (más abajo te cuento cuáles).
• Prueba en las páginas con más tráfico y más cerca de la conversión: la página de un servicio estrella o el paso final de una compra.

Un test mal ejecutado es peor que no hacer ninguno, porque te da una falsa seguridad. Estos son los fallos que más veo:

1. 1Mirar los resultados cada día y parar en cuanto uno va ganando. Al principio las cifras oscilan mucho; si paras en el primer momento favorable, aumentas mucho la probabilidad de declarar un ganador falso. Define la duración o el tamaño de muestra antes y respétalo.
2. 2Cambiar varias cosas a la vez en la variante. Si B tiene otro titular, otro botón y otra imagen y gana, no sabrás qué funcionó. Si quieres probar un rediseño completo, asúmelo como tal.
3. 3No cubrir semanas completas. El comportamiento de un lunes no es el de un sábado. Deja correr el test al menos una o dos semanas enteras para incluir el ciclo habitual de tu negocio.
4. 4Coincidir con eventos que distorsionan el tráfico. Una campaña puntual, unas rebajas o una mención en un medio pueden traer visitantes muy distintos a los habituales.
5. 5Ignorar el efecto parpadeo. Muchas herramientas cargan la página original y luego la modifican con JavaScript, de modo que el usuario ve un destello de la versión A antes de la B. Eso empeora la experiencia y puede sesgar el resultado; además, añadir scripts pesados afecta a la velocidad de tu web.
6. 6Buscar ganadores entre segmentos al final. «En móvil y los martes, B gana» es casi siempre ruido estadístico si no lo habías planteado antes de empezar.
7. 7No documentar. Apunta cada test: hipótesis, fechas, resultado y decisión. Dentro de un año agradecerás saber qué se probó y por qué.

Durante años, la opción por defecto para muchas pymes fue Google Optimize, por su integración con Google Analytics. Google anunció su cierre a principios de 2023 y, según su página oficial de soporte, Optimize y Optimize 360 dejaron de estar disponibles el 30 de septiembre de 2023. En su lugar, Google optó por apostar por integraciones de herramientas de terceros con Google Analytics 4. Si encuentras tutoriales que siguen recomendándolo, están desactualizados.

Hoy las alternativas se agrupan en varias familias. No te doy precios porque cambian a menudo y dependen del volumen de tráfico; revisa siempre la web de cada proveedor:

• Plataformas comerciales de experimentación, como VWO, Optimizely, AB Tasty o Convert. Ofrecen editores visuales, segmentación y estadísticas integradas. Son cómodas para equipos de marketing, aunque su coste suele tener más sentido a partir de cierto volumen.
• Herramientas de código abierto o con plan de producto, como GrowthBook o PostHog, que combinan experimentos con feature flags (interruptores para activar funciones a una parte de los usuarios). Encajan muy bien si tu web tiene desarrollo a medida.
• Plugins para WordPress, como Nelio A/B Testing, que permiten probar páginas, titulares o temas desde el propio panel. Prácticos si tu web está hecha con WordPress y no quieres tocar código.
• Experimentos en servidor con desarrollo propio. En webs hechas con Next.js, por ejemplo, se puede asignar la variante en el servidor o en el middleware antes de que la página llegue al navegador. Así se elimina el efecto parpadeo y se mantiene la velocidad.

Elijas lo que elijas, asegúrate de que la herramienta respeta el consentimiento de cookies de tu web, de que las conversiones se registran también en tu analítica principal y de que puedes retirarla fácilmente cuando termine el experimento. Si dudas sobre qué tecnología encaja mejor con tu caso, en la comparativa Next.js vs WordPress explico las diferencias de enfoque.

Muchas webs de pymes no tienen tráfico suficiente para tests A/B fiables en un plazo razonable. Eso no significa que tengas que decidir a ciegas. Hay métodos que te dan pistas sólidas con muchas menos visitas:

• Mapas de calor y grabaciones de sesión (con herramientas como Microsoft Clarity o Hotjar): ves dónde hacen clic, hasta dónde bajan y dónde se atascan los usuarios reales.
• Pruebas con usuarios: pide a cinco personas de tu público que intenten reservar o pedir presupuesto mientras piensan en voz alta. Los problemas grandes aparecen enseguida.
• Preguntar a tus clientes: qué dudaban antes de contratarte, qué casi les hizo irse a otro sitio. Esas respuestas son hipótesis listas para aplicar.
• Mejores prácticas contrastadas: algunas mejoras (cargar rápido, un formulario corto, un mensaje claro) no necesitan test para saber que ayudan. Las bases de la conversión las tienes en el artículo sobre cómo crear una landing page que convierte.

1. 1Revisa tu analítica y localiza la página con más tráfico y más cerca de la conversión.
2. 2Observa el comportamiento con datos y, si puedes, con mapas de calor: ¿dónde se pierde la gente?
3. 3Escribe una hipótesis con problema, cambio y motivo, y elige una sola métrica principal.
4. 4Calcula el tamaño de muestra y la duración. Si no es viable, cambia de método o prueba un cambio más ambicioso.
5. 5Lanza el test, no lo toques y no lo mires cada día con intención de pararlo.
6. 6Analiza el resultado al terminar, aplica el ganador y documenta lo aprendido.
7. 7Pasa a la siguiente hipótesis. La mejora viene de encadenar experimentos, no de uno solo.

Un test A/B bien planteado convierte las discusiones sobre la web en preguntas que se pueden responder. La clave está en empezar con una hipótesis basada en datos, elegir una sola métrica, respetar el tamaño de muestra y evitar los errores que invalidan los resultados. Y si tu tráfico no da para experimentos estadísticamente sólidos, los mapas de calor, las pruebas con usuarios y las preguntas a tus clientes te permiten mejorar igualmente con criterio.

Soy Elmar Mamedova, desarrollador full stack en Málaga, y me gusta construir webs que se puedan medir y mejorar, no folletos que se publican y se olvidan. Si quieres preparar tu web para experimentar sin perder velocidad, o necesitas ayuda para decidir qué probar primero, cuéntame tu caso y lo vemos con tus datos.