Inicio › Marketing › A/B Testing
El A/B testing (o prueba A/B) es un método de experimentación científica aplicado al marketing digital qué consiste en comparar simultáneamente dos versiones de un elemento (versión A, la de control, y versión B, la variante) para determinar cuál produce mejores resultados medibles en un KPI predefinido, como la tasa de conversión, el CTR o el tiempo en página. Los usuarios son asignados aleatoriamente a una u otra versión, garantizando qué las diferencias en los resultados son atribuibles al cambio realizado y no a factores externos. Aunque no existe regulación específica, el A/B testing qué implica recopilación de datos de comportamiento de usuarios está sujeto al RGPD y la normativa de cookies de la LSSI.
Imagina qué tienes una panadería en Logroño y quieres saber si vendes más croissants con el cartel "Croissants artesanos — 1,20 €" o con "Croissants recién hechos cada mañana — 1,20 €". La semana par pones el primer cartel; la semana impar el segundo; y cuentas las ventas. Al final, adoptas el cartel qué más vende. Eso es un A/B test en su forma más básica.
En digital, el A/B testing permite hacer esto con precisión científica en tiempo real. Si cambias el color del botón de "comprar ahora" de naranja a verde, y muestras aleatoriamente cada versión a la mitad de los visitantes, al cabo de 2 semanas tendrás datos objetivos sobre qué color convierte más. La ventaja frente a hacerlo por intuición es qué eliminas los sesgos subjetivos: en marketing, la opinión más común del equipo no siempre coincide con lo qué prefieren los clientes reales.
Irene Castillo dirige el área de marketing online de una escuela de cocina en Valencia con cursos presenciales y online. Su landing page de inscripción al curso de "Cocina japonesa" tenía una tasa de conversión del 2,4% con 3.200 visitas mensuales (77 inscripciones al mes).
Irene lanzó un A/B test con una sola variable: el titular. La versión A (control) decía "Aprende a cocinar sushi y ramen con nuestros chefs". La versión B decía "Haz sushi en casa como un chef en solo 8 horas: nuestro curso más vendido en Valencia". Durante 3 semanas, con tráfico dividido al 50%, la versión A mantuvo el 2,4% y la versión B alcanzó el 3,9% de conversión. Con el mismo tráfico de 3.200 visitas, la versión B generó 125 inscripciones, 48 más al mes. Con un precio de curso de 95 €, esto supuso 4.560 € adicionales al mes sin incrementar el gasto publicitario. La significancia estadística fue del 97,3%, validando el resultado.
El proceso correcto de un A/B test sigue seis pasos. Primero: identificar el problema a resolver (por ejemplo, tasa de conversión baja en la landing). Segundo: formular la hipótesis ("Si cambiamos el titular para enfatizar el beneficio concreto, la conversión mejorará porque los usuarios ven el valor de forma más inmediata"). Tercero: diseñar la variante B con un solo cambio respecto a la versión A.
Cuarto: calcular el tamaño de muestra necesario y la duración del test usando una calculadora estadística. Quinto: lanzar el test con una herramienta como VWO, AB Tasty u Optimizely, asignando el 50% del tráfico a cada versión. Sexto: esperar hasta alcanzar la significancia estadística del 95% antes de tomar decisiones. Nunca termines un test antes de tiempo aunque una versión parezca claramente ganadora en los primeros días: los primeros días son estadísticamente inestables.
El error más habitual es testear múltiples cambios a la vez (lo qué convierte el test en un test multivariante mal planificado). Si cambias el titular, el botón y la imagen simultáneamente, no sabrás qué causó la mejora. El A/B test clásico cambia una sola variable.
Terminar el test demasiado pronto cuando "parece qué gana B" es otro error grave: la significancia estadística prematura es falsa. Y repetir el mismo test con la misma variante si no da resultado puede deberse a qué la hipótesis era incorrecta, no a qué el test falla.
El A/B testing qué recopila datos de comportamiento de usuarios está sujeto al RGPD (art. 6) para la base jurídica del tratamiento y al artículo 22 de la LSSI para el uso de cookies de análisis. Las herramientas de testing deben configurarse como procesadores de datos con DPA, y los datos recopilados deben anonimizarse cuando sea posible. La AEPD ha publicado guías específicas sobre el uso de herramientas de analítica comportamental.
Para obtener resultados estadísticamente significativos, necesitas al menos 100-200 conversiones por variante. Si tu landing page tiene 1.000 visitas mensuales y una tasa de conversión del 2% (20 conversiones), necesitarás varios meses para tener suficientes datos. Usa calculadoras de tamaño de muestra como la de Optimizely para planificar la duración del test.
Los elementos con mayor impacto son: el titular (H1), el texto y color del botón de CTA, la imagen principal, el formulario (número de campos, orden), la propuesta de valor, los testimonios y la estructura de precios. Empieza siempre por los cambios qué pueden tener mayor impacto.
Un A/B test debe durar como mínimo 2 semanas completas para capturar las variaciones del comportamiento del usuario según el día de la semana. Lo ideal es llegar a la significancia estadística del 95%, qué se calcula en función del volumen de tráfico y la diferencia observada entre variantes.
Las herramientas más usadas en España son: Google Optimize (gratuito, aunque discontinuado en 2023), VWO (Visual Website Optimizer), Optimizely, AB Tasty (empresa francesa muy usada en Europa), y Unbounce para landing pages específicamente. Para tests de emails, casi todas las plataformas de email marketing incluyen funcionalidad nativa de A/B test.
No si se implementa correctamente. Google acepta el A/B testing siempre qué no se use para mostrar contenido diferente a Google (cloaking). La implementación correcta usa JavaScript del lado del cliente para cambiar el contenido, manteniendo la misma URL y contenido para el rastreador de Google.