Todo lo que hace que un programa de pruebas funcione de verdad: como diagnosticar tu funnel, que investigacion hacer antes de tocar nada, como formular hipotesis que valgan la pena testear, como ejecutar experimentos sin engannarte y como medir resultados que se mantienen. Sin opinion como sustituto de los datos. Sin suposiciones disfrazadas de estrategia.
El CRO es probablemente la disciplina mas malinterpretada del marketing digital. Se vende como tests de colores de botones y listas de "buenas practicas", y lo compran equipos que quieren resultados rapidos sin el trabajo que conllevan. Lo que realmente es: un proceso estructurado para entender por que los usuarios se comportan como lo hacen, formular apuestas testables sobre lo que cambiaria ese comportamiento, ejecutar esas apuestas de un modo que produce evidencia fiable y luego acumular los ganadores mes tras mes. Ese proceso no es rapido, pero los rendimientos de hacerlo bien superan practicamente cualquier otro uso del presupuesto de marketing.
La conversion rate optimization es la practica de aumentar el porcentaje de visitantes que realizan una accion definida: registrarse, comprar, iniciar una prueba, reservar una demo. Opera sobre el trafico que ya tienes, lo que la hace fundamentalmente distinta de la adquisicion: no pagas por mas visitantes, obtienes mas valor de los visitantes que ya pagas.
Lo que el CRO no es: cambiar un boton de verde a naranja y llamarlo test. Ejecutar una variante de titulo durante cuatro dias y declarar un ganador. Implementar "buenas practicas" del caso de exito de otra empresa sin verificar que se aplican a tu contexto. Todo esto es extremadamente comun, y todo produce ruido que se confunde con aprendizaje.
El CRO real es una disciplina de investigacion. Empieza con una pregunta: por que se comportan los usuarios de esta manera? Responde a esa pregunta con datos antes de proponer cualquier cambio. Y valida cada cambio propuesto en un experimento controlado antes de publicarlo para todos. La fase de investigacion no es una sobrecarga opcional. Es lo que hace que los experimentos valgan la pena ejecutarse.
El principio fundamental. Cada cambio en un producto en produccion es una afirmacion: "esto funcionara mejor que lo que tenemos." El CRO es la disciplina de decidir que afirmaciones vale la pena testear, disenar tests que realmente puedan decirte si la afirmacion es verdadera y actuar sobre lo que dicen los datos en lugar de lo que esperabas que dijeran.
El punto de partida correcto para cualquier contrato de CRO es una auditoria que responde a una pregunta especifica: donde esta filtrando conversion ahora mismo y cuanto vale cada fuga en ingresos mensuales? Todo lo demas fluye de aqui.
La auditoria cubre cuatro capas, y el output de las cuatro es el mismo: una lista priorizada de problemas de conversion, cada uno con un coste en ingresos adjunto y una hipotesis sobre que lo corregira.
Cada elemento del output de la auditoria tiene los datos que lo respaldan y la estimacion de ingresos adjunta. "El paso 2 del checkout esta perdiendo al 68 por ciento de los usuarios que llegaron al paso 1, lo que a tu trafico actual y valor medio de pedido cuesta aproximadamente 38 conversiones al mes a las tasas actuales." Ese nivel de especificidad es lo que hace posible decidir que fugas corregir primero y que vale la pena invertir en una correccion.
La investigacion cuantitativa te dice que esta ocurriendo y cuanto importa. No puede decirte por que, pero puede decirte exactamente donde mirar.
Un funnel de conversion es la secuencia de pasos entre la llegada de un usuario y la finalizacion de tu objetivo. En los analytics, configuras esta secuencia como un camino definido y mides cuantos usuarios progresan de cada paso al siguiente. Las tasas de abandono en cada transicion son tu material de partida: cuanto mayor es el descenso y mas trafico llega a ese paso, mas valiosa es una correccion.
La mayoria de los equipos mira los abandonos del funnel de forma agregada. Es un comienzo, pero oculta una senal enorme. El siguiente paso es la segmentacion: descomponer el funnel por fuente de trafico, tipo de dispositivo, cohorte de usuarios, geografia y comportamiento. Un funnel de checkout que convierte al 40 por ciento en escritorio y al 18 por ciento en movil no es un solo problema, son dos problemas distintos, y resolver solo la version movil podria suponer una mayor ganancia en ingresos que cualquier optimizacion de escritorio.
El analisis de cohortes agrupa a los usuarios por una caracteristica compartida en el momento de su primera visita: la semana en que llegaron, la campana que los trajo, la primera funcion que usaron. Comparar las tasas de conversion de las cohortes a lo largo del tiempo te dice si un cambio que hiciste realmente mejoro las cosas, o si un cambio en el mix de trafico lo hizo parecer asi.
La segmentacion por comportamiento va mas alla. Los usuarios que leen mas de tres paginas convierten a una tasa diferente que los que rebotan despues de una. Los usuarios que usan la barra de busqueda convierten de forma diferente a los que navegan por categoria. Estos segmentos existen en tus datos de analytics, e identificar el segmento que mas convierte es a menudo la forma mas rapida de encontrar que testear: construye mas de la experiencia que obtiene el segmento que convierte.
| Capa de investigacion | Herramienta principal | Que responde |
|---|---|---|
| Abandono en el funnel | Funnels de GA4 o Mixpanel | ?Donde dejan de progresar los usuarios y con que frecuencia? |
| Comparacion de segmentos | Dimensiones personalizadas, cohort explorer | ?Que usuarios convierten y que los hace diferentes? |
| Engagement a nivel de pagina | Scroll depth, tiempo en pagina, eventos | ?Interactuan los usuarios con el contenido cerca de las CTA de conversion? |
| Impacto en ingresos | Ingresos por sesion, ARPU por fase del funnel | ?Cuanto vale cada punto porcentual de incremento de conversion? |
| Datos de errores y rage clicks | Registro de errores, informes de rage click de Hotjar | ?Donde experimentan los usuarios friccion o frustracion? |
Los datos cuantitativos te dicen donde esta el problema. Los datos cualitativos te dicen por que existe. Ambos son necesarios. Ejecutar experimentos sin investigacion cualitativa significa adivinar la causa del problema, lo que significa que tus hipotesis tambien son suposiciones.
Las grabaciones de sesion capturan los recorridos individuales de los usuarios por tu sitio. Ver una muestra de sesiones en una pagina con alto abandono es una de las horas de mayor valor que puedes invertir en CRO. Ves exactamente donde se detienen los usuarios, que vuelven a leer, que intentan hacer clic que no es clicable y donde se van. Los patrones que aparecen en multiples grabaciones son tu senal mas fuerte: si treinta de los cincuenta usuarios que observas se detienen en el mismo punto de un formulario y luego cierran la pestana, tienes una hipotesis especifica y testable.
Los heatmaps agregan el movimiento del raton, el comportamiento de scroll y los datos de clic en cientos o miles de sesiones y te muestran una distribucion visual. Los scroll heatmaps muestran hasta que punto de la pagina leen la mayoria de los usuarios antes de irse. Los click maps muestran que elementos atraen atencion y cuales se ignoran. Una CTA enterrada por debajo del punto en que el 70 por ciento de los usuarios ya ha abandonado la pagina es un hallazgo que no requiere mas explicacion: hay que subirla.
Una sola pregunta de encuesta bien ubicada puede revelar la objecion dominante que frena la conversion. En una pagina de precios: "?Que es lo que, si hay algo, te impide registrarte hoy?" En una pagina de abandono de checkout: "Hemos notado que no completaste tu pedido. ?Hay algo en lo que podamos ayudarte?" Las respuestas suelen ser directas y especificas de un modo que ningun dato cuantitativo puede igualar. Aprendes si los usuarios tienen una objecion de precio, una preocupacion de confianza, una funcion que falta o un problema simple de usabilidad, y lo aprendes en sus propias palabras, que tambien es el lenguaje que deberia hablar el copy de tu proximo test.
Las sesiones de user testing moderadas o no moderadas ponen a personas reales en tu flujo y capturan lo que dicen y hacen mientras intentan completar una tarea. Cinco sesiones con personas que coincidan con tu perfil de comprador real revelaran mas friccion accionable que un mes de analisis de analytics, porque los usuarios dicen en voz alta de que estan confundidos, que esperaban encontrar que no estaba y que les hizo dudar. Las herramientas de testing no moderado en remoto hacen esto practico y asequible incluso en fases tempranas.
Una hipotesis no es un cambio. Es una prediccion: si cambiamos X, entonces Y ocurrira, porque Z es la razon por la que los usuarios se comportan como lo hacen actualmente. La parte "porque Z" es el elemento mas importante, y es la parte que la mayoria de los programas de testing omite.
Una hipotesis debil: "Cambiar el boton CTA de gris a azul aumentara los clics."
Una hipotesis fuerte: "Los usuarios no hacen clic en la CTA principal porque no destaca sobre el fondo de la pagina. Las grabaciones de sesion muestran que los ojos la pasan por alto sin fijarse. Hacerla de un azul de alto contraste aumentara su prominencia visual e incrementara la tasa de clic en la CTA en al menos un 15 por ciento en terminos relativos."
La diferencia es que la version fuerte esta anclada en una observacion especifica, propone un mecanismo especifico de cambio y nombra un resultado especifico con una magnitud especifica. Si el test no eleva los clics en la CTA en al menos un 15 por ciento, no solo has fallado en encontrar un ganador, tienes evidencia de que tu diagnostico era incorrecto, lo cual es igual de valioso.
Las buenas hipotesis provienen de la investigacion: de las grabaciones de sesion donde viste a usuarios perderse la CTA, de los click maps que muestran bajo engagement con ella, de las respuestas a encuestas donde los usuarios decian que no sabian que hacer a continuacion. Cuando tienes una base de evidencia solida para la hipotesis, el resultado del test, ya sea positivo o negativo, te ensenna algo real sobre tus usuarios.
En cualquier momento tendras mas hipotesis de las que tienes capacidad para testear. Los frameworks de priorizacion existen para ordenarlas por valor esperado, de modo que ejecutes primero los tests de mayor apalancamiento en lugar de los mas faciles.
Dos frameworks se usan ampliamente y ambos funcionan. La eleccion entre ellos es menos importante que la disciplina de aplicar cualquiera de los dos de forma coherente.
| Framework | Dimensiones puntuadas (de 1 a 10) | Ideal para |
|---|---|---|
| ICE | Impact, Confidence, Ease | Equipos que quieren una puntuacion rapida y orientada con minima sobrecarga |
| PIE | Potential, Importance, Ease | Equipos que quieren ponderar el valor del trafico de la pagina que se testea |
Impact / Potential pregunta: si este test gana, ?cuanto movera el indicador? Un test en tu landing page de mayor trafico tiene mas potencial de impacto que el mismo test en una pagina de bajo trafico, incluso si el incremento esperado es el mismo.
Confidence pregunta: ?que tan solida es la base de evidencia para esta hipotesis? Una hipotesis apoyada en tres senales cualitativas independientes (session replay, encuesta, user test) tiene mayor confidence que una que provino de una intuicion.
Ease pregunta: ?cuanto esfuerzo requiere disenar e implementar este test? Un cambio de copy requiere unas horas. Una reestructuracion del flujo de checkout podria requerir dos sprints de ingenieria. Una facilidad alta no deberia anular un impacto bajo, pero cuando impacto y confidence son iguales, la facilidad es un buen criterio de desempate.
Puntua cada hipotesis en las tres dimensiones, calcula la media de las puntuaciones y ordena por el resultado. Ejecuta los tests en orden y actualiza las puntuaciones a medida que aprendes. Un test que gana cambia la puntuacion de confidence para las hipotesis relacionadas. Un test que pierde deberia llevarte a revisar la base de evidencia.
La disciplina. La priorizacion solo funciona si te comprometes con el orden antes de conocer los resultados. Los equipos que se saltan tests con puntuacion baja porque "ya sabemos que no funcionara" o que adelantan tests con puntuacion alta porque son "demasiado arriesgados" estan sustituyendo la opinion por el proceso. Usa el framework, ejecuta los tests y actualiza en base a lo que aprendes.
Un experimento tiene cuatro componentes: un control (lo que existe actualmente), una o mas variantes (lo que estas testeando), una metrica de exito (el numero que define un ganador) y una regla de parada (cuando te detendras y declaras un resultado). Los cuatro deben definirse antes de que el test se lance. Decidir cualquiera de ellos despues de haber empezado a mirar los resultados es como te enganas para poner en produccion un perdedor.
El A/B testing (tambien llamado split testing) envia la mitad del trafico al control y la mitad a la variante. Es la opcion correcta para la mayoria de los tests: simple de implementar, simple de analizar, simple de explicar. El testing multivariante prueba multiples cambios simultaneamente y requiere mucho mas trafico para alcanzar la significacion para cada combinacion. Casi nunca es la opcion correcta para equipos por debajo de cierto umbral de trafico, y la mayoria de los equipos estan por debajo de ese umbral.
El error mas comun en el A/B testing es detener un test demasiado pronto. Para dimensionar un test correctamente, necesitas tres inputs antes de que se lance: tu tasa de conversion de base (a que convierte actualmente el control), el efecto minimo detectable (el incremento mas pequeno que valdria la pena poner en produccion) y la potencia estadistica que deseas (tipicamente el 80 por ciento, es decir, un 80 por ciento de probabilidad de detectar el efecto si existe con un 95 por ciento de confianza).
Con esos tres inputs, una calculadora de tamano de muestra te da el numero de visitantes por variante que necesitas antes de poder declarar un resultado. Ese numero suele ser mayor de lo que esperan los equipos. Una pagina con conversion del 2 por ciento, testeando un incremento relativo del 20 por ciento, necesita aproximadamente 5.000 a 7.000 visitantes por variante. Con 2.000 visitantes al dia divididos equitativamente, se trata de un test de tres a cuatro semanas. Declarar un resultado el dia cinco no es un resultado anticipado, es un resultado falso.
Establece el tamano de muestra requerido antes de que el test se lance, alcanzalo antes de mirar los resultados y llama al test solo cuando se hayan cumplido tanto el tamano de muestra como el umbral de significacion estadistica. No antes.
La significacion estadistica no es opcional y no es una formalidad. Es el mecanismo que separa un resultado real de la variacion aleatoria, y la razon por la que existe es que la variacion aleatoria parece un resultado real con una frecuencia alarmante en muestras pequenas.
El umbral estandar es p < 0,05: una probabilidad menor del 5 por ciento de que la diferencia observada apareciera por azar si no hubiera ningun efecto real. Con un 95 por ciento de confianza, aceptas una probabilidad del 5 por ciento de un falso positivo. Suena pequeno, pero si ejecutas veinte tests al ano y cada uno lo llamas a p < 0,05, puedes esperar poner en produccion un ganador falso por azar.
El peeking consiste en revisar los resultados antes de que se alcance el tamano de muestra objetivo y tomar una decision basada en lo que ves. Infla significativamente tu tasa de falsos positivos. Un test que parece un ganador el dia tres con una muestra pequena revertira al ruido el dia veinte con una muestra adecuada aproximadamente la mitad de las veces. La solucion es sencilla: calcula el tamano de muestra requerido antes del test, comprometete a no mirar hasta que se alcance y mira exactamente una vez.
Un efecto novedad ocurre cuando un cambio rinde bien inicialmente porque es nuevo, luego revierte una vez que los usuarios se adaptan a el. Las paginas con alto trafico de visitantes recurrentes son especialmente vulnerables. Si un test muestra un incremento grande y rapido que se aplana rapidamente, ejecutalo un segundo periodo antes de declararlo. Si el incremento se mantiene, es real. Si no se mantiene, has detectado un efecto novedad antes de ponerlo en produccion.
Cuantas mas metricas mides en un solo test, mayor es la probabilidad de que una de ellas muestre un resultado espurio. Define una metrica de exito primaria antes de que el test se lance. Sigue las metricas secundarias como contexto, pero toma la decision de ir/no ir basandote unicamente en la metrica primaria.
Una landing page tiene un solo trabajo: convertir a un visitante en el siguiente paso de tu funnel. Cada elemento de ella deberia servir a ese trabajo o eliminarse. El modo de fallo mas comun son las paginas que intentan hacer demasiado: explicar el producto completo, establecer la historia de la empresa, abordar cada objecion posible y convertir al visitante, todo en un solo scroll.
El visitante llego desde algun lugar. Hizo clic en un anuncio con una promesa especifica, o en un resultado de busqueda con un snippet especifico, o en una publicacion en redes sociales con un gancho especifico. El titulo de la landing page deberia coincidir lo mas posible con esa promesa. La falta de coincidencia del mensaje es la causa mas comun de altas tasas de rebote en el trafico de pago: el anuncio decia una cosa, la pagina dice otra y el visitante concluye que esta en el lugar equivocado.
La mayoria de los visitantes decide en tres segundos si quedarse. La seccion hero lo decide. Un hero eficaz tiene un titulo que afirma un resultado especifico que el visitante desea (no una funcion que ofreces), un subtitulo que lo apoya con un detalle clarificador y una CTA que le dice exactamente que ocurre despues. El hero deberia ser visible sin hacer scroll tanto en escritorio como en movil. Si requiere scroll para ver la CTA principal, es un test que hay que ejecutar de inmediato.
Las senales de confianza reducen el riesgo percibido de realizar una accion. Incluyen testimonios de personas reales con resultados especificos atribuidos, logos de clientes o socios reconocibles, sellos de seguridad cerca de campos de alta ansiedad como los inputs de pago y recuentos de resenas con valoraciones de estrellas de plataformas externas. Su colocacion importa tanto como su presencia: una senal de confianza que aparece por debajo del fold despues de que el visitante ya se ha ido no ayuda.
Los formularios son el punto de conversion de una gran parte de los funnels digitales, y tambien son una de las experiencias con mas friccion en la mayoria de los productos. La investigacion muestra de forma consistente que reducir el numero de campos obligatorios aumenta la tasa de finalizacion, pero el tamano del efecto depende de que campos elimines, no solo de cuantos.
La pregunta que hay que hacerse sobre cada campo de un formulario es: ?necesitamos realmente esta informacion antes de poder ofrecer valor a este usuario? Si la respuesta es no, o si puedes recogerla mas adelante en la relacion, eliminala o difierela. Un campo para el nombre de la empresa en un formulario de inscripcion a una prueba gratuita casi nunca es necesario en esa fase. Eliminarlo suele elevar la finalizacion sin ningun impacto posterior en la calificacion.
Las etiquetas de formulario ambiguas ("Nombre" cuando quieres nombre y apellido por separado, o "Telefono" cuando el prefijo del pais importa) crean confusion que se manifiesta como abandono. Los mensajes de error que dicen "Entrada no valida" sin explicar que estaba mal crean frustracion que hace lo mismo. Las grabaciones de sesion te mostraran exactamente donde en un formulario los usuarios se detienen, borran o se rinden. Cada pausa es evidencia de una ambiguedad o punto de friccion. Corriges los problemas especificamente, luego vuelves a testear.
Los formularios de varios pasos con un indicador de progreso visible convierten mejor que los que no lo tienen, especialmente en movil donde la longitud completa de un formulario esta oculta por el viewport. El indicador deberia mostrar los pasos totales y la posicion actual. No deberia contar desde cero: "Paso 1 de 4" es mejor que "0% completado" porque ancla al usuario al principio en lugar de recordarle cuanto le queda por recorrer.
El checkout es la superficie mas importante en el e-commerce y la mas estudiada. La tasa media de abandono de carrito en todos los sectores oscila entre el 65 y el 75 por ciento. Eso no es un problema de diseno especifico de ningun sitio, es una caracteristica de la categoria impulsada por el hecho de que la mayoria de las personas que anaden al carrito no estan aun listas para comprar. La oportunidad de CRO es recuperar la fraccion de esas personas que estaban casi listas pero se encontraron con friccion.
Los puntos de friccion mas comunes en el checkout son: creacion de cuenta obligatoria antes de la compra, formularios largos que piden informacion aun no necesaria, metodos de pago que faltan para la preferencia del visitante, ansiedad por seguridad cerca del input de tarjeta, coste total no claro en el punto de entrada y autocompletado de direccion lento o confuso. Cada uno de estos es testable y cada uno tiene un impacto documentado en las tasas de finalizacion.
El checkout como invitado es un ganador especialmente consistente. Requerir la creacion de cuenta antes de permitir la compra reduce la finalizacion del checkout entre el 15 y el 35 por ciento en la mayoria de los estudios. La cuenta puede ofrecerse despues de que la transaccion se complete, en un momento en que el usuario ya esta comprometido y tiene una razon para quererla.
Una pagina de precios es una de las paginas mas importantes en un funnel SaaS y una de las mas desatendidas desde el punto de vista del testing. Las variables de mayor impacto son: el numero de niveles mostrados (tres es un buen valor predeterminado; mas introduce paralisis de eleccion), que nivel se destaca como recomendado, como se expresa el valor de cada nivel (resultados, no funciones), si se muestra de forma prominente un descuento anual y si una prueba gratuita o una opcion freemium elimina la necesidad de decidir sobre el precio en absoluto.
Los tests en paginas de precios suelen producir grandes efectos porque la pagina se encuentra en alta intencion. Un visitante en tu pagina de precios esta evaluando una decision de compra, no navegando. Los cambios que le ayudan a tomar esa decision con confianza mueven la conversion de forma significativa.
La brecha de conversion movil es una de las oportunidades mas persistentes y desaprovechadas del marketing digital. La mayoria de los sitios reciben trafico movil en el 55 al 70 por ciento de las visitas totales, pero con tasas de conversion movil entre un 40 y un 60 por ciento por debajo del escritorio para el mismo funnel. La brecha no existe porque los usuarios moviles esten menos dispuestos a comprar. Existe porque la experiencia movil suele ser peor.
Los puntos de friccion especificos del movil incluyen: areas de toque menores de 44 pixeles que son faciles de errar, formularios que activan el tipo de teclado incorrecto para el input (el teclado numerico que no aparece para campos numericos), scroll horizontal o contenido cortado causado por disenos no responsive y tiempos de carga de pagina aceptables en WiFi pero inutilizables con una conexion 4G en una zona con senal debil.
El enfoque practico es auditar el funnel movil por separado del escritorio. Mapea los abandonos moviles, mira las grabaciones de sesion especificas del movil y ejecuta tests especificos para movil en lugar de asumir que los ganadores del escritorio se transferiran. A menudo no lo hacen, porque la experiencia es suficientemente diferente para que el mismo cambio pueda tener efectos opuestos en las dos superficies.
La personalizacion significa mostrar experiencias diferentes a usuarios diferentes basandose en lo que sabes de ellos: su fuente de trafico, su geografia, su comportamiento pasado, el estado de su cuenta o su posicion en el funnel. Bien hecha, produce grandes incrementos de conversion porque la experiencia se vuelve mas relevante para cada usuario. Mal hecha, produce complejidad sin incremento y hace que tus analytics sean casi imposibles de interpretar.
Empieza con la senal mas clara que tienes. Visitantes nuevos frente a los que regresan es la division mas simple y a menudo la mas impactante: un visitante por primera vez necesita un mensaje diferente al de alguien que ya ha visto tu producto dos veces. La fuente de trafico es casi igual de simple: un visitante de una busqueda de marca tiene una intencion diferente a la de un visitante de un contenido de la parte alta del funnel. Estas divisiones son faciles de implementar y faciles de medir.
Pasa a una personalizacion mas sofisticada solo despues de tener una lectura clara de las senales mas simples, porque cuantas mas variables introduzcas, mayores seran los tamanos de muestra necesarios para medir cada una limpiamente y mas dificil sera saber que cambio esta impulsando un resultado.
El output de un programa de CRO no es solo un incremento en la tasa de conversion. Es una secuencia acumulativa de cambios respaldados por evidencia que juntos mueven los ingresos. Las metricas que importan para juzgar si el programa esta funcionando:
| Metrica | Que indica | Atencion a |
|---|---|---|
| Tasa de conversion por fase del funnel | Donde progresan los usuarios y donde se detienen | Cambios especificos de fase que no mueven la tasa global |
| Ingresos por visitante | El efecto combinado de la tasa de conversion y el valor medio del pedido | Tests que elevan la conversion pero reducen el valor medio del pedido |
| Win rate | Que porcentaje de tests encuentra un resultado positivo | Win rates superiores al 40% pueden indicar confirmation bias en la seleccion de hipotesis |
| Velocidad de tests | Cuantos tests alcanzan la significacion al mes | Una velocidad en descenso suele significar trafico dividido entre demasiados tests simultaneos |
| Incremento acumulado de conversion | El efecto compuesto de todos los ganadores publicados hasta la fecha | Reversion en tests A/A despues de publicar ganadores indica efectos de interaccion |
Los ingresos por visitante son la metrica mas honesta para un programa de CRO porque capturan el efecto completo de un cambio. Un test que aumenta el numero de registros de prueba gratuita pero reduce el porcentaje que convierte a de pago podria mostrar un resultado positivo en la tasa de conversion que oculta una perdida de ingresos. Rastrear los ingresos por visitante garantiza que veas ambos efectos juntos.
El win rate vale la pena vigilar por una razon diferente. Un programa con un win rate del 70 por ciento probablemente no esta testeando hipotesis suficientemente audaces. Las hipotesis interesantes y bien fundamentadas deberian ganar aproximadamente el 30 al 40 por ciento de las veces. Si cada test gana, estas ejecutando tests muy seguros (efecto esperado pequeno, casi con certeza ganadores) o midiendo algo demasiado superficialmente para detectar resultados nulos. Ambos son problemas.
Velocidad de tests y concurrencia. Ejecutar demasiados tests simultaneos en el mismo pool de trafico diluye el tamano de muestra de cada test y extiende el tiempo para alcanzar la significacion. Una regla general: no ejecutes mas de un test por superficie de conversion principal a la vez y dimensiona los tests antes de lanzarlos para poder predecir cuando terminaran. Un programa que ejecuta cuatro tests en paralelo y los llama a todos despues de tres semanas esta ejecutando cuatro tests con poca potencia, no cuatro validos.
Una lista breve y honesta de los patrones que vemos con mas frecuencia en los programas que no estan moviendo el indicador, y que hacer en su lugar:
Un programa de CRO no es un proyecto, es un ritmo. La fase de investigacion nunca termina del todo porque los usuarios cambian, el producto cambia, el mix de trafico cambia y lo que era cierto hace seis meses puede que ya no lo sea hoy. El contrato esta estructurado para reflejar esto.
El primer mes es principalmente investigacion y auditoria: mapeo del funnel, analisis de replays de sesion, heatmaps y configuracion de encuestas. El output es un backlog de hipotesis priorizado con estimaciones de ingresos para cada elemento y un calendario de tests propuesto para los primeros dos meses. Ningun test se lanza hasta que la investigacion este completa.
A partir del segundo mes, el contrato funciona en ciclos. Cada ciclo abre con una revision del backlog: que tests se completaron, cuales fueron los resultados, que nueva evidencia llego y como debe actualizarse el ranking de hipotesis. Los tests que ganaron se publican. Los tests que perdieron generan una retrospectiva: ?la hipotesis era incorrecta, la investigacion era incorrecta o el test tenia poca potencia? La respuesta determina que hacer a continuacion.
Los informes son mensuales como minimo y semanales durante los periodos de prueba activos. El informe cubre: tests en curso (tamano de muestra actual, dias restantes), tests completados en el periodo (resultado, impacto en ingresos, decision) y el backlog para el siguiente ciclo (ordenado por puntuacion ICE, con el razonamiento detras de los tres primeros). Ves todo. No hay caja negra.
Consulta la pagina de servicios de CRO para los niveles especificos y como se define el alcance tras la auditoria gratuita.
?Con que rapidez veremos resultados? Los cambios sencillos en landing pages pueden elevar la conversion en dos o tres semanas una vez que el test alcanza la significacion. Los cambios mas complejos en el funnel tardan mas porque se necesita suficiente trafico para medir el efecto de forma fiable. Un horizonte realista para ganancias significativas y acumulativas es de dos a cuatro meses de pruebas constantes.
?Cuanto trafico necesitamos para los A/B tests? Depende de tu tasa de conversion actual y del tamano del incremento que estas testeando. Una pagina con conversion del 2 por ciento que apunta a un incremento relativo del 20 por ciento necesita aproximadamente 5.000 a 7.000 visitantes por variante. Calculamos el tamano de muestra requerido antes de que se lance cada test y te diremos con claridad si una superficie no tiene suficiente volumen para ser testeada de forma fiable.
?Que herramientas de A/B testing utilizais? Trabajamos con lo que ya usa tu equipo: VWO, Optimizely, alternativas a Google Optimize, Convert, AB Tasty o split testing personalizado integrado en tu stack. No imponemos una herramienta especifica. Si imponemos que la herramienta soporte el metodo estadistico (frecuentista o bayesiano, con reglas de parada predefinidas) antes de usarla para un contrato de pago.
?Trabajais con nuestros desarrolladores? Si. Para la mayoria de los tests escribimos una especificacion de implementacion precisa que tus desarrolladores pueden aplicar sin una reunion de seguimiento. Para cambios mas sencillos, podemos implementar directamente usando JavaScript en tu herramienta de testing sin tocar tu codebase. Elegimos el camino que lleva a un test en vivo mas rapidamente.
?Como gestionais la significacion estadistica? Predefinimos los umbrales de significacion y los tamanos de muestra antes de que se lance cada test. No miramos los resultados hasta que se alcanza la muestra predefinida. Usamos un umbral de confianza del 95 por ciento para las decisiones de ir/no ir. Para los tests con multiples variantes, aplicamos una correccion de Bonferroni para dar cuenta de la mayor probabilidad de falsos positivos.
Esta es la metodologia completa. Cuando quieras aplicarla a tu funnel, el siguiente paso es una auditoria de conversion gratuita: tu funnel real mapeado, cada fuga cuantificada en ingresos y un backlog de hipotesis priorizado entregado en aproximadamente una semana, sin ningun compromiso.
Una auditoria gratuita con tu funnel real. Cada fuga cuantificada en ingresos. Un alcance fijo para corregir lo que los numeros justifican.
Solicita una auditoria gratuita