Glosario de marketing / Pruebas A/B
Pruebas A/B
Las pruebas A/B, también conocidas como pruebas por redirección, son un método científico de optimización del rendimiento de un sitio web o una aplicación. Consisten en comparar dos versiones de un mismo elemento para determinar cuál genera el mejor resultado. Por ejemplo, en cuanto a indicadores de coste, como el coste por clic, el coste por visualización de vídeo, el coste por mensaje enviado y el coste por mil impresiones.
¿Qué son las pruebas A/B?
En esencia, las pruebas A/B son un método científico mediante el cual se comparan dos versiones de un elemento (en este caso, un sitio web, una campaña publicitaria, una aplicación o un proceso empresarial) para determinar cuál genera el mejor resultado.
Las pruebas A/B son básicamente una metodología de estudio (un «ensayo aleatorizado controlado», dicho en términos técnicos) para cuantificar el efecto de convertir una intervención en una experiencia. Aunque mucha gente considera que las pruebas A/B se aplican principalmente a las páginas de destino, pueden usarse para optimizar prácticamente todo lo que constituya una experiencia en una empresa.
El objetivo es averiguar qué versión funciona mejor («A» o «B») según objetivos e indicadores concretos.
Pruebas A/B con LinkedIn Ads
Compara el rendimiento de tus campañas publicitarias de LinkedIn probando variantes distintas, como el formato de los anuncios, el contenido, el público y el emplazamiento.
¿Por qué son importantes las pruebas A/B?
Las pruebas A/B son una herramienta muy valiosa para cualquier empresa que desee tomar mejores decisiones basadas en el comportamiento del usuario. Es útil para que profesionales del marketing, responsables de producto y analistas identifiquen aquellas áreas cuya mejora tendrá un efecto muy positivo en sus finanzas.
Todas las decisiones se toman con cierto grado de incertidumbre. En algunos casos, la acción adecuada es obvia. Por ejemplo, si los desarrolladores corrigen un error en el sitio web, es poco probable que afecte a la experiencia del usuario. Pero es difícil saber cuál será el resultado de la mayoría de acciones e ideas. En lugar de delegarlo todo al instinto, que es un método muy poco fiable incluso entre los especialistas, los profesionales del marketing pueden poner en marcha una prueba A/B, que es algo sencillo, fácil y barato, para cuantificar qué opción tendrá más éxito.
Cuando las pruebas A/B se integran en el buen hacer de una empresa, se reduce el riesgo de adoptar ideas que puedan llegar a ser nefastas y las empresas suelen experimentar un mayor grado de innovación. También observan un mayor rendimiento de la inversión, ya que las ideas poco afortunadas pueden desecharse antes de compartirlas con la totalidad de su público.
Por último, como el factor decisivo para hacer pública una nueva experiencia son los datos, y no batallas u opiniones políticas, las empresas que experimentan suelen disfrutar de mejores relaciones laborales y una mejor colaboración.
Las pruebas A/B no reducen ni eliminan la necesidad de la creatividad humana, pero permiten a los equipos centrarse en estudiar al cliente y en innovar y crear conceptos en lugar de malgastar sus energías en convencer a las partes interesadas de que merece la pena poner en marcha una idea.
En función de tu objetivo, las pruebas A/B pueden ser útiles para:
- Descubrir información que sirva para tomar decisiones sobre seguro y optimizar las experiencias actuales
- Mejorar la interacción de los usuarios, los anuncios, el rendimiento del sitio web y la experiencia general del cliente
- Identificar áreas cuya mejora tendrá un efecto muy positivo en las finanzas de la empresa
- Probar hipótesis de manera rápida y rentable
- Aumentar el rendimiento de la inversión descubriendo qué es lo que más cala entre los clientes
- Reducir el riesgo de poner en marcha ideas poco adecuadas mediante experimentos y pruebas
Los cuatro tipos comunes de pruebas A/B
Hay cuatro tipos de pruebas A/B principales:
1. Pruebas A/A
2. Pruebas A/B
3. Pruebas A/B/n
4. Pruebas multivariante
Técnicamente hay muchos tipos distintos de experimentos más allá de estos cuatro, que son los más usados.
Por ejemplo, hay algoritmos de aprendizaje automático, como los algoritmos con bandidos y los algoritmos evolutivos, que se adaptan y aprenden qué variante gana y asignan el tráfico en tiempo real a la ganadora. Los cuasiexperimentos y el diseño de experimentos te permiten probar elementos cuando no puedes aislar por completo tus variantes o controlar la asignación de tu muestra a la perfección.
Pruebas A/A
Las pruebas A/A se usan para medir el punto de referencia del rendimiento, o la versión de «control», de un sitio web o aplicación. Al redirigir el tráfico mitad y mitad con una variante idéntica para ambos grupos, los profesionales del marketing y los responsables de producto pueden entender mejor el comportamiento del usuario sobre la versión de control antes de hacer cambios. Este proceso también permite identificar variantes en el tráfico del sitio web y detectar cualquier error de aleatorización en el software con el que se está experimentando.
Pruebas A/B
Las pruebas A/B comparan dos versiones de un sitio web, aplicación o experimento: la A (la «original» o de «control») y la B (la «variante» o la «aspirante»). Son útiles para que los profesionales del marketing evalúen el comportamiento del usuario sobre ambas versiones y tomen decisiones en función de los resultados basándose en estadísticas (normalmente, una prueba t o una prueba chi-cuadrado).
A/B/n
Las pruebas A/B/n dividen el tráfico en partes iguales entre las variantes. En estos experimentos, los profesionales del marketing pueden crear más de una variante que deseen probar. Por ejemplo, distintos colores para la llamada a la acción de la página de destino de su sitio web. A diferencia de la prueba A/B estándar, una prueba A/B/n puede incluir más de dos variantes, como una comparación de azul, naranja, verde o negro. Es una forma eficaz de maximizar el potencial de la prueba e identificar las condiciones óptimas.
Pruebas multivariante
En comparación con las pruebas A/B, las pruebas multivariante examinan distintas variantes de una experiencia a la vez. Por ejemplo, si un profesional del marketing quisiera evaluar un encabezado y el texto y el color de una llamada a la acción, puede crear pruebas A/B individuales para cada variante o diseñar un experimento que compare la versión original con las variantes de cada elemento.
Los experimentos multivariante sirven para cuantificar los efectos de la interacción entre elementos. Por ejemplo, combinar el encabezado A con el color B de la llamada a la acción pueden dar mejores resultados que el encabezado B por sí solo. Saber este dato ayuda a desarrollar una experiencia de usuario óptima si hay más de un elemento.
Las pruebas A/B suelen utilizarse para mejorar los indicadores, pero también sirven a otros fines, como asegurar que una implantación no tenga un efecto negativo o verificar la relevancia de un elemento para la experiencia del cliente.
¿Qué primeros pasos debes seguir con las pruebas A/B?
Antes de implicarte en una prueba A/B, los responsables de producto o del sitio web deben determinar el indicador de rendimiento clave que quieren conocer y evaluar si el volumen de tráfico actual es suficiente. En muchos casos, los sitios web no reciben tanto tráfico como para poner en marcha un experimento válido que sea estadísticamente significante.
Las pruebas A/B siguen una metodología científica que está sujeta a restricciones estadísticas, como la ley de los grandes números. Usar una calculadora de pruebas A/B puede ser útil para identificar el tamaño de efecto necesario (porcentaje de mejora) para alcanzar una significancia estadística (determinada por lo general por un valor p inferior a 0,05).
Como no es frecuente que se den grandes mejoras, normalmente se necesita un volumen de tráfico mayor para detectar pequeñas ganancias. Cuanto más tráfico se recibe, más fácil es detectar pequeños logros y, por tanto, más fácil es poner en marcha pruebas A/B.
Si hay tráfico suficiente, los profesionales del marketing necesitan dos elementos para empezar a usar pruebas A/B: tecnología y personal.
Tecnología
Para poner en marcha una prueba A/B, hay que contar con la tecnología de medición y experimentación adecuada. La mayoría de herramientas publicitarias y sistemas de gestión de campañas (CMS) incluyen análisis que llevan el seguimiento de los usuarios y las conversiones. Por su parte, las herramientas de pruebas A/B aleatorizan el tráfico y permiten determinar la significancia.
Muchas herramientas publicitarias integran la funcionalidad de pruebas A/B. Esto es fácil de hacer con el Administrador de campañas de LinkedIn, por ejemplo.
Para probar elementos del sitio web, se requiere una herramienta de CMS o pruebas A/B adecuada que incluya varias opciones con distintos precios.
Personal
No infravalores los recursos necesarios para poner en marcha una prueba A/B. Hasta las pruebas A/B básicas pueden necesitar:
- Un responsable de producto o profesional del marketing que gestione la prueba
- Un analista para evaluar los resultados
- Un diseñador que esboce el anuncio
- Un redactor que escriba el nuevo texto
- Un ingeniero que aplique la variante en la herramienta de pruebas A/B
Los cambios sencillos, como las pruebas de color de los botones, requieren menos recursos. En cambio, las pruebas más complejas, como las que implican integración de productos, pueden necesitar una coordinación interdisciplinaria y más apoyo técnico.
Pasos para poner en marcha una prueba A/B
Paso 1: Identificar un área de oportunidad
Los profesionales y responsables de marketing deben evaluar el indicador clave de rendimiento que quieren mejorar.
En algunos casos es obvio, pero en otros requiere un estudio del cliente para identificar a qué dificultades se enfrentan los usuarios.
Los análisis cuantitativos de las fases pueden ser útiles para identificar pasos que no son del todo óptimos. Por ejemplo: un profesional del marketing de software como servicio puede observar que muchos visitantes se descargan la prueba gratis, pero pocos acaban siendo clientes de pago.
Como alternativa, estudios cualitativos como las encuestas pueden sacar a la luz los problemas específicos que hay que abordar. Por ejemplo: un análisis puede revelar que los usuarios de la prueba gratis no entendieron bien cómo funcionaba el producto porque la secuencia de adopción no respondía a sus dudas.
A partir de esta información pueden formular hipótesis de variantes que podrían solucionar el problema.
Paso 2: Establecer una hipótesis
Antes de poner en marcha un experimento, es recomendable redactar una hipótesis. Esto ayuda a definir la variante que se quiere cambiar, da un argumento para el proceso y predice los posibles obstáculos.
Incluye datos cuantitativos y cualitativos que respalden el razonamiento que motiva el experimento.
Estos datos deben acreditar el motivo de la hipótesis.
Un formato adecuado podría ser:
Creemos X porque Y.
Por ejemplo, una hipótesis a partir de la situación en la que las pruebas gratis no generan conversiones en posibles clientes podría ser: «Creemos que las pruebas gratis no están convirtiendo clientes porque la prueba no aclara cómo se usa el producto».
Paso 3: Diseñar el experimento
El ámbito de la prueba determinará los recursos que necesitas para diseñarla. Esto podría implicar:
- Escribir nuevo texto
- Diseñar nuevos elementos
- Desarrollar una nueva funcionalidad
Para que la prueba vaya bien, es posible que haya que implicar a varios miembros del equipo.
Los procesos variarán en función de la idea que se vaya a proponer, pero el primer paso suele ser crear un wireframe, que es una maqueta a grandes rasgos de la nueva experiencia. Por último, se codifica en la herramienta de prueba.
Paso 4: Implantar la prueba
Después de diseñar un experimento y completar el control de calidad, llega el momento de lanzar la prueba; el 50 % del tráfico debe ir al original y el 50 % restante, a la variante. El objetivo es tener una seguridad estadística del 95 %.
Un buen analista puede ayudar a ajustar los umbrales según los límites de riesgo. Se recomienda supervisar la prueba durante unas horas o días para controlar si hay errores o problemas después del lanzamiento.
Paso 5: Analizar los resultados
Analizar los resultados de un experimento depende de su diseño.
La mayoría de las herramientas de pruebas A/B incluyen un motor estadístico que ayuda con el análisis.
Si la variante gana, se mostrará a todo el público. Si pierde, o si el resultado es neutral, hay que dar un paso atrás y considerar otro diseño o proceso.
Pruebas publicitarias en LinkedIn
Las pruebas A/B son un valiosísimo instrumento para los profesionales, líderes y responsables de marketing cuyo objetivo sea optimizar el rendimiento y las conversiones del sitio web.
Los procesos de toma de decisiones basados en datos, como las pruebas por redirección, permiten identificar rápidamente oportunidades de mejora sin depender de la especulación.
Las pruebas A/B en LinkedIn comparan el rendimiento de dos campañas que difieren en una variante, como los públicos objetivo o el emplazamiento o el contenido del anuncio. Cuando se complete la prueba, nuestra plataforma usará los indicadores clave de rendimiento seleccionados (por ejemplo, el coste por clic), si los hay, para identificar la campaña ganadora.
Para los profesionales del marketing que buscan optimizar las campañas y conocer la percepción del mercado, las pruebas A/B de LinkedIn ofrecen un público basado en datos, además de información sobre los anuncios y los emplazamientos, para que puedas tomar decisiones que mejoren la rentabilidad.
Ponte en marcha con el Administrador de campañas