El método de prueba A/B determina cuál de dos versiones de algo produce mejores resultados. A menudo se lo denomina “prueba dividida” porque los grupos de usuarios se dividen en dos grupos (el grupo “A” y el grupo “B”) y se canalizan a experiencias digitales separadas.
Una prueba A/B puede ayudarte a diseñar campañas de marketing de mejor rendimiento o a modificar los flujos de trabajo de incorporación de productos. Los cambios en tu producto o función se pueden probar en grupos pequeños y segmentados llamados cohortes para verificar la eficacia y minimizar la fricción.
Las pruebas A/B son una herramienta vital y confiable que puede y debe usarse en diversas situaciones. Los gerentes de productos, los especialistas en marketing, los diseñadores y otros profesionales que usan activamente las pruebas A/B toman decisiones respaldadas por datos que generan resultados reales y cuantificables.
¿Cuáles son los beneficios de las pruebas A/B?
Las pruebas A/B responden a una pregunta básica: ¿los clientes prefieren la opción 1 o la opción 2? En el mundo de los productos digitales, la respuesta a esta pregunta es valiosa en diversas situaciones, incluidos dos campos principales: mejorar la experiencia del cliente y mejorar las campañas de marketing.
Mejorando la interfaz de usuario y la experiencia de usuario
Los cambios bien intencionados en la interfaz de usuario de su producto pueden tener consecuencias no deseadas que generen fricción para los usuarios. Puede cambiar la ubicación de una pestaña en su aplicación móvil para atraer a nuevos usuarios, pero frustrar accidentalmente a los usuarios existentes acostumbrados a su ubicación anterior.
Realizar una serie de pruebas A/B minimiza el riesgo de realizar cambios radicales al probar primero un segmento más pequeño de su base de usuarios. Por ejemplo, puede crear un segmento pequeño de usuarios nuevos en Experiment y canalizarlos a través de la nueva iteración de su producto con la pestaña reubicada.
Al mismo tiempo, puede crear un grupo similar de nuevos usuarios, pero realizar un seguimiento de ellos mientras utilizan su versión existente. Al final del experimento, puede comparar los comportamientos del grupo experimental con los comportamientos de su grupo de control para ver qué versión de su producto produce los mejores resultados.
Para tener una idea de cómo reaccionarán los clientes existentes a la modificación en comparación con los nuevos usuarios, debe repetir el experimento. Esta vez, reemplace los grupos experimental y de control con segmentos de usuarios existentes. Al ejecutar el experimento varias veces utilizando diferentes segmentos, mejora las posibilidades de que sus cambios impulsen la adopción de su producto en lugar de provocar la pérdida de clientes.
Optimización de campañas de marketing
Las pruebas A/B se pueden utilizar para mejorar el rendimiento de sus iniciativas de marketing. Es probable que sus datos de comportamiento revelen que los clientes que se convierten probablemente compartan comportamientos o características demográficas similares. Usted sabe a quién desea dirigirse, pero los detalles más precisos resultan difíciles de entender:
¿Qué mensajes resultan más eficaces para impulsar las conversiones? ¿A qué oferta o incentivo responden mejor los clientes potenciales o existentes? ¿Un diseño diferente para un botón de CTA produce más clics?
Puedes diseñar una campaña basándote en tu experiencia y tu intuición y esperar que todo salga bien, pero esto conlleva riesgos. Puedes enviar correos electrónicos o publicaciones pagas en redes sociales a las personas adecuadas y no llegar al objetivo con tu mensaje. La campaña puede generar muchas conversiones, pero nunca sabrás si las opciones que no elegiste habrían generado más.
Las pruebas A/B identifican las mejores opciones de marketing al brindar resultados respaldados por datos. Una serie de pruebas A/B puede revelar que los usuarios responden mejor a los CTA verdes que a los azules o que una oferta de prueba gratuita tiene un mejor rendimiento que un descuento único. Este proceso le ayuda a minimizar el gasto que se habría desperdiciado en anuncios de menor rendimiento.
Ejemplos reales de pruebas A/B
Aumentar la velocidad de los experimentos
Lifull, uno de los portales inmobiliarios más importantes de Japón, ahora tiene velocidades de experimentación 1,5 veces más rápidas para realizar experimentos más rápidos y relevantes con Experiment. Su equipo de productos puede buscar patrones intrincados con mayor frecuencia, lo que les ayuda a determinar si el huevo o la gallina fueron los primeros. Además, las tasas de éxito de A/B aumentaron 2,8 veces, lo que garantiza pruebas más precisas, lo que genera un aumento de 10 veces en la cantidad de clientes potenciales de los usuarios.
Aumentar la retención optimizando la experiencia del cliente
NBCUniversal adoptó las pruebas A/B como un medio para reducir la pérdida de clientes. El gigante de los medios probó su página de inicio existente para televisores Vizio frente a versiones más nuevas. Con la ayuda de , la empresa identificó una nueva página de inicio que aumentó la audiencia en el grupo experimental en un 10 %. NBCUniversal adoptó la nueva página de inicio para todos los clientes, una medida que duplicó la retención de 7 días.
Impulsando la innovación mediante pruebas A/B
La solución de análisis adecuada fomenta una experimentación más frecuente, lo que a su vez aumenta la agilidad y fomenta la innovación. El equipo de GoFundMe solía necesitar semanas para analizar los resultados de las pruebas A/B. Con la capacidad de para analizar los resultados en tiempo real, GoFundMe pudo aumentar la cantidad de pruebas que realizaban de dos o tres a diez al mes. En lugar de tener que elegir qué ideas probar debido a las limitaciones de tiempo, ahora el equipo puede probar hipótesis a medida que se desarrollan.
¿Cuáles son los tipos de pruebas A/B?
Además de las pruebas A/B convencionales, existen tres tipos de pruebas A/B que se pueden aprovechar según la situación:
1. Prueba de URL dividida
Modificar un botón de tu página de inicio es una cosa, pero ¿qué pasa si quieres probar un diseño de página completamente nuevo? La prueba de URL dividida toma el concepto de prueba A/B y lo expande a una escala mayor. Este tipo de prueba crea una URL completamente separada para que puedas rediseñar por completo una página web desde cero. Tu grupo experimental puede entonces ser canalizado a esta nueva página para que los resultados se puedan comparar con la página existente.
Las pruebas de URL divididas y las pruebas A/B tradicionales se pueden utilizar juntas para optimizar el rendimiento de la página. Una prueba de URL dividida revelará cuál de los dos diseños de la página en cuestión funciona mejor. A partir de ahí, una serie de pruebas A/B tradicionales pueden evaluar las preferencias del usuario en cuanto a detalles más minuciosos, como el texto de la CTA, el tamaño de la fuente o las imágenes.
2. Pruebas multivariadas
Este tipo de experimento prueba opciones que contienen más de una variable. Una prueba A/B tradicional puede evaluar cuál de los dos tamaños de botón de CTA es el preferido. En comparación, una prueba multivariable podría incluir diferentes tamaños de CTA, títulos e imágenes, lo que le permitirá determinar cuál de las muchas opciones funciona mejor para su campaña.
Las pruebas multivariables son útiles para confirmar o negar sus suposiciones sobre qué activo de entre muchos tendrá el mejor rendimiento. Puede creer que una determinada combinación de elementos de diseño funciona mejor para su base objetivo. Al crear versiones con variables alternativas, puede probar su diseño preferido frente a muchos otros para obtener un informe honesto de cuál funciona mejor.
La principal desventaja de las pruebas multivariables es que cada variable adicional agrega otra versión del activo que se debe crear. Si desea probar cinco formas de botón de CTA diferentes, cuatro colores de botón de CTA y tres fuentes diferentes, deberá crear 60 (!) activos de prueba diferentes para cubrir todas las bases.
3. Pruebas de varias páginas
Una prueba de varias páginas mide el éxito de una versión alternativa de los flujos de trabajo o embudos. Se pueden realizar cambios radicales en varias páginas en una secuencia para crear un embudo independiente que se pueda probar en comparación con el original. Una prueba de varias páginas también es adecuada en situaciones en las que simplemente desea agregar o eliminar un elemento de cada página de un flujo o embudo y probar los efectos.
Digamos que la secuencia de pago de su sitio web de comercio electrónico se ve así:
Carrito de compras (A) → Información de pago (A) → Información de envío (A) → Revisar pedido (A) → Enviar pedido (A)
Tienes curiosidad por saber si mover el botón “Siguiente paso” en las primeras tres páginas ayuda o perjudica las tasas de compra. En teoría, podrías probar cada página individualmente, pero los clientes no experimentan estas páginas de forma aislada, sino que pasan de una página a la siguiente en secuencia.
Sabes que los resultados de tu experimento serán más precisos si pruebas las páginas en orden. Por eso, creas variaciones de tu secuencia de compra para que tu embudo experimental luzca así:
Carrito de compras (B) → Información de pago (B) → Información de envío (B) → Revisar pedido (A) → Enviar pedido (A)
Como en cualquier variante de las pruebas A/B, el objetivo es determinar qué embudo funciona mejor en comparación con el original e incluso con otras iteraciones. Después de probar varias ubicaciones para el botón “Siguiente paso”, el embudo final puede parecerse más a esto:
Carrito de compras (B) → Información de pago (D) → Información de envío (C) → Revisar pedido (A) → Enviar pedido (A)
Consejos para realizar una prueba A/B
Si bien las pruebas A/B son muy útiles para el diseño de UI/UX y el marketing de productos, deben realizarse y evaluarse correctamente para liberar su verdadero potencial. Las claves para el éxito de las pruebas A/B incluyen:
Repetibilidad
A veces, las pruebas A/B arrojan resultados tan interesantes que llevan a tomar decisiones impulsivas. Una empresa observó que simplemente cambiar el color de su botón de CTA aumentaba sus tasas de conversión por un factor de tres. Si su propia prueba A/B arrojara un resultado similar, tal vez quiera ejecutar inmediatamente esta versión de su anuncio, y no sería culpa suya.
Sin embargo, los resultados de las pruebas se consideran válidos solo si son repetibles. Obtener los mismos resultados una y otra vez reduce la posibilidad de que el resultado inicial haya sido una casualidad. Además, si sigue adelante con una campaña que utiliza botones de CTA azules sin probar una versión roja, nunca sabrá si realmente está utilizando la mejor opción de CTA.
Segmentación de usuarios
La segmentación de usuarios es el proceso de crear un subconjunto de usuarios específicos para las pruebas A/B. Estos grupos de usuarios se basan en clientes con rasgos demográficos o de comportamiento similares. En muchas pruebas A/B, se desea saber cómo reacciona un grupo particular de clientes a los cambios que los afectarán. En estos casos, realizar pruebas a una amplia gama de clientes puede diluir el resultado del segmento al que desea dirigirse.
Imagina que estás pensando en realizar cambios estéticos en el chatbot de tu producto. Sabes que es muy poco probable que los clientes que han usado tu producto durante más de tres meses utilicen la función, por lo que incluirlos en una prueba A/B no tiene sentido. En su lugar, debes crear un segmento de usuarios que hayan usado tu producto durante menos de tres meses para tener una mejor idea de cómo los cambios de diseño afectan a quienes lo usarán.
puede incluso crear una cohorte de clientes con más probabilidades de realizar una determinada acción en el futuro. Esto significa que puede crear un segmento formado íntegramente por nuevos usuarios que se ha predicho analíticamente que utilizarán el chatbot en función de sus comportamientos anteriores. Una prueba A/B que utilice una cohorte predictiva tiene una probabilidad mucho mayor de incluir a los usuarios a los que desea dirigirse y excluir a las personas que no están interesadas en utilizar un chatbot.
Poniendo a prueba tu prueba
Si diseñas mal tu prueba A/B, todas tus pruebas serán en vano. Una prueba defectuosa puede generar resultados que no tengan sentido a pesar de la segmentación de usuarios y de las pruebas repetidas. Es cierto que los clientes se comportan de manera impredecible de vez en cuando, pero generalmente existe un patrón en su comportamiento.
En lugar de crear dos grupos y canalizarlos hacia dos experiencias separadas, pruebe su producto contra sí mismo en lo que es…