¿Qué es el A/B testing?
Introducción
La época en la que el presupuesto de mercadotecnia se gastaba sin reparos, ha sido superada. Actualmente, los equipos de mercadotecnia están en condiciones de tomar decisiones bien informadas y adoptan un enfoque científico para optimizar la experiencia de sus visitantes. Sus decisiones no se basan en una intuición subjetiva sino en datos fidedignos obtenidos especialmente mediante el A/B testing.
¡Ya es hora de adoptar una cultura de experimentación y someter todas tus ideas a pruebas concretas!
Al basar tu estrategia sobre los datos, no sólo ganarás agilidad sino que sabrás también lo que realmente funciona y lo que no marcha. De ese modo, invertirás mejor tu tiempo y dinero en lo que tus visitantes desean realmente y asumirás así las mejores decisiones para tu negocio.
A/B testing: el arma secreta de los mejores mercadotécnicos
El 75% de los sitios con un tráfico superior a un millón de visitantes utilizan los test A/B. Quizás deberías tú también eliminar toda incertitud en tus decisiones de mercadotecnia.
Sin embargo, es cierto que los test A/B requieren la instauración de un proceso estricto y un periodo de aprendizaje. Deberás identificar las zonas de optimización de tu sitio, dar prioridad a tu agenda o programación y adquirir conocimientos (un poco) sobre la estadística a fin de no cometer errores.
Pero no te inquietes, hemos reunido todos los recursos que necesitarás para dominar el tema, así como los mejores contenidos provenientes de los más grandes expertos en esta disciplina.
¿Qué es el A/B testing?
Definición: El A/B testing es un experimento realizado en un sitio Internet, una aplicación para celular, publicidad (entre otras posibilidades), con el fin de validar hipótesis de optimización y mejoras potenciales comparadas a una variante de referencia (u original). Este test permite reconocer lo que funciona para tu audiencia, basándote en un análisis estadístico del rendimiento.
El A/B testing es llamado igualmente split testing o “split URL testing”. Sin embargo, en un test A/B clásico las dos variaciones de tus páginas se encuentran en el mismo URL. En el caso del split URL testing la variante B se encuentra en un URL distinto (evidentemente, los visitantes no advierten ninguna diferencia).
¿Qué es un test multivariante (MVT)?
En ciertos casos, es posible poner a prueba, simultáneamente, varios cambios en una página web: una banderola, un título, una descripción o incluso un vídeo. El test MVT permite poner a prueba todas las optimizaciones mediante un solo experimento.
El instrumento del A/B testing, genera tantas variantes como el número de combinaciones existentes para determinar cuál es la que posee un impacto mayor sobre tus tasas de conversión.
El problema de un test MVT es que éste exige un volumen considerable de tráfico para poner a prueba todas las variantes y obtener una significancia estadística que permita tomar decisiones bien informadas. Si se desea saber algo más sobre las diferencias entre un test MVT y un test A/B, recomendamos la lectura de este artículo de Hubspot.
Test bandit o test de asignación dinámica de tráfico (multi-armed Bandit testing)
En el test bandit, un algoritmo redirige, en forma gradual y automática, una proporción creciente del tráfico hacia la variante ganadora.
Si se desea saber algo más sobre el multi-armed Bandit testing, el mejor artículo sobre este tema es claramente el de Alex Birkett, en el blog ConversionXL.
A/B/n testing
Los test A/B/n permiten poner a prueba n hipótesis de optimización de una página. Puedes, por ejemplo, poner a prueba 6 variantes de tu página realizando los test A/B/C/D/E/F.
Algunos artículos que te ayudarán a iniciarte en la realización de los test A/B
En Francia, el blog de referencia sobre este tema es “Conversion Matters” (Advertencia: ¡Es nuestro blog!, pero estamos orgullosos de haber reunido la más grande comunidad de mercadotécnicos en materia de optimización de la experiencia del usuario). Si deseas leer en inglés, encontrarás a continuación una lista de los mejores blogs sobre el A/B testing y la optimización de la conversión, cuyos contenidos te permitirán aprender, encontrar inspiración y convertirte en un verdadero experto en la aplicación de los test A/B.
Completa tu solución de A/B testing con estos instrumentos
Gestion de projets
¿Cuáles son los beneficios del A/B testing?
¿Por qué lanzarse a realizar test A/B? Una pregunta más pertinente sería: ¿Estás satisfecho de la manera como explotas el tráfico adquirido con el sudor de tu frente y el contenido de tu bolsillo? Optimizar tus conversiones es mucho más barato que adquirir mayor tráfico, con un ROI potencial mucho más significativo. Con el A/B testing los efectos serán magnificados. De otro lado, el A/B testing te ofrecen mucho más:
- Profundizar tus conocimientos sobre los visitantes a cada test: el impacto de los diferentes elementos de tus páginas sobre sus comportamientos, necesidades y hábitos.
- Eliminar el factor de riesgo y la subjetividad al tomar tus decisiones, adoptando una ‘cultura de test’ y validando todas tus hipótesis de optimización.
- <Concentrar tus esfuerzos (y dinero) en lo que mejor funciona para el conjunto de tu audiencia, gracias a los conocimientos adquiridos a través de los test.
He aquí algunos ejemplos de las preguntas a las que puedes dar respuestas fiables, gracias al A/B testing:
- ¿Qué elementos de tus páginas tienen un impacto sobre tus ventas, conversiones o el comportamiento de tus visitantes?
- ¿Cuál es el número óptimo de campos en tus formularios?
- ¿Deberías llevar esta nueva funcionalidad a la producción?
- ¿Qué título de artículo genera el mayor número de comparticiones?
- ¿Qué partes de tu túnel de conversión tienen un bajo rendimiento?
Ejemplos de historias exitosas de líderes del mundo digital
¿Cómo se realiza el A/B testing?
El A/B testing te permite comparar la versión existente de tu página con una o más variantes , revelando así la optimización que deseas probar (CTA [llamada a la acción], título, elemento, etc.).
Tu audiencia es entonces dividida en porciones iguales y expuesta de forma aleatoria a las diferentes variantes ensayadas, hasta identificar la mejor variante con respecto a los objetivos que te habías fijado (convenio, clic, puesta en la cesta, etc.), es decir, aquélla con la mejor tasa de conversión. A continuación, los resultados son analizados y comparados, a fin de determinar si los cambios que se desea implementar valen la pena o no.
¿Deseas saber algo más sobre el funcionamiento del A/B testing?
La disciplina de la optimización de la conversión es indispensable para el A/B testing
Se trata de la mejora iterativa y continua de tu sitio para que un número creciente de tus visitantes cumplan las acciones que esperas de ellos. Puede tratarse de una compra (o “conversión”) o también de la recolección de datos personales, conduciendo a tus visitantes a lo largo de su ciclo de vida como clientes.
Disponer de un tráfico intenso es una ventaja innegable pero es necesario capitalizar este insumo. Es precisamente ahí que la optimización de las tasas de conversión cobra todo su sentido y su valor.
- The Beginner’s Guide to Conversion Rate Optimization (Qualaroo)
- The Definitive Guide to Conversion Rate Optimization (Quicksprout)
- Conversion Rate Optimization Techniques (100+ Techniques and Free PDF) (Note: Lots of ideas to test in there)
- The Beginner’s Guide to Conversion Rate Optimization (ConversionXL)
- The A-Z Guide to Conversion Rate Optimization
- The Definitive How-To Guide For Conversion Rate Optimization
- What you have to know about conversion optimization
- The Conversion Optimization Rulebook
- Widerfunnel’s case studies
Cómo llevar a cabo los test A/B: metodología y proceso
Mide y analiza el rendimiento de tu sitio para identificar las zonas de optimización y las oportunidades de crecimiento.
Formula una o más hipótesis de optimización (tema muy bien expuesto por Craig Sullivan).
Prioriza tus ideas de test A/B: uno de los métodos más utilizados es el sistema PIE framework creado por WiderFunnel.
Gracias a este sistema puedes clasificar tus ideas de test de acuerdo a tres criterios puntuados de 1 a 10, para determinar por cuál o cuáles se debería comenzar.
- Potencial ./10 : ¿en cuánto evalúas el margen de mejora de esta o estas páginas?
- Impacto (./10) : cuál es el valor del tráfico (volumen, calidad) relativo a esta o estas páginas?
- Facilidad de instalación (./10) : ¿cómo puntúas la facilidad de instalación del test? (10= muy fácil, 1=muy difícil).
El valor promedio de las tres notas, indicará por cuál test comenzar (existen, por supuesto, otros sistemas de priorización, y depende de ti definir el que prefieres).
Ensaya las hipótesis prioritarias mediante el A/B testing.
Analiza los resultados de los test A/B y obtén conclusiones.
Comunica internamente tus resultados.
Este es uno de los factores clave del éxito de tus esfuerzos de optimización. Se debe estimular el intercambio y las discusiones a fin de generar nuevas ideas de test, sin olvidar de incluir siempre en el círculo al equipo de informática.
¡Recomienza!
Otros sistemas y procesos de A/B testing:
- PXL: A Better Way to Prioritize Your A/B Tests
- The A/B Testing Framework So Good It Got A Codename
- Widerfunnel's infinity optimization process
- How to Build a Strong A/B Testing Plan That Gets Results
- Iterative A/B Testing – A Must If You Lack a Crystal Ball
- Start A/B Testing Today with 5 Simple Steps
¿Qué se debe ensayar? Ideas a granel para test A/B
Puedes aplicar test A/B para todo en tu sitio:
Pero de cuando en cuando, hay que estimular la creatividad y determinar nuevas fuentes de inspiración. Por consiguiente, he aquí algunas ideas de test que te ayudarán:
Advertencia: ¡Lo que es eficaz para otros, no lo es necesariamente para ti! No trates de aplicar todo lo que leas aquí sin tomarte el tiempo necesario para analizar detalladamente su pertinencia en tu situación y, si fuese el caso, cómo poder adaptarlo a tu negocio.
Encuentra inspiración para tus próximos test A/B
Las mejores prácticas para los test A/B exitosos
- 36 essential A/B testing best practices to boost your conversions
- 55 A/B Testing Best Practices Every Marketer Should Know
- 8 Rules of A/B Testing – The Art in Marketing Science
- 8 Best Practices for Starting Your A/B Testing
- What are some best practices with A/B testing?
- A/B Testing Best Practices Can Save You Time, Money and Effort – Here's How
- The Endless Suck of Best Practice and Optimisation Experts
Note: Notre newsletter Conversion Matters est une source d’inspiration pour tous les marketeurs souhaitant lancer les meilleures campagnes d’optimisation de l’expérience utilisateur. Inscrivez-vous ici
Les erreurs de l’A/B testing(attention, de faux résultats vous feront perdre de l’argent !)
- 12 A/B Split Testing Mistakes I See Businesses Make All The Time
- [INFOGRAPHIC] 19 Ways A/B Testing Is Ruining Your Site (And How To Fix It)
- Should You Run an A/A test?
- Why Your Brain Is Your Worst Enemy When A/B Testing
- Are You Misinterpreting Your A/B Tests Results?
- Warning! Is the world sabotaging your A/B Tests?
- Are You Stopping Your A/B Tests Too Early?
- 7 Mistakes Most Beginners Make When A/B Testing
- How to Minimize A/B Test Validity Threats
- Sample Pollution: The A/B Testing Problem You Don’t Know You Have
- 11 ways to stop FOOC’ing up your A/B tests
Comprensión de la estadística para los test A/B
El A/B testing se basa en métodos de cálculo de la estadística. No es necesario ser un científico para lograr un resultado pero algunas nociones de matemática serán indudablemente útiles.
En el A/B testing existen 2 métodos de cálculo estadístico que responden a dos necesidades y objetivos distintos. He aquí cómo abordamos este tema con el motor estadístico de Kameleoon
El método determinista (llamado también “de frecuencias”) permite una interpretación muy simple de la fiabilidad de los datos con el indicador de la tasa de confianza: tiene el 95% de probabilidad de obtener el mismo resultado si reproduces el experimento en las mismas condiciones. Sin embargo, el método tiene una limitación: es de “horizonte fijo”, quiere decir que hasta no haber finalizado el test esta tasa no tiene valor para juzgar la fiabilidad de los resultados.
El método bayesiano indica una probabilidad de resultados. No es necesario esperar hasta el final de un test para observar la aparición de una tendencia e interpretar los resultados. El método, no obstante, tiene también sus propias exigencias: interpretar correctamente el intervalo de confianza de las estimaciones durante el test. La confianza en la probabilidad que una variante resulte ganadora se incrementa con cada conversión suplementaria.
Otras fuentes de información sobre estadística para el A/B testing.
- Ignorant No More: Crash Course on A/B Testing Statistics
- A/B Testing Tech Note: determining sample size
- Speed vs. Certainty in A/B Testing
- How Not To Run An A/B Test
- Statistical Significance Does Not Equal Validity (or Why You Get Imaginary Lifts)
- What is the difference between Bayesian and frequentist statisticians?
Instrumentos complementarios para maximizar las probabilidades de éxito de tus test A/B
A fin de poner todas las probabilidades a tu favor, necesitas competencias precisas, ya sea de tu parte o de parte de tu equipo: el análisis web y la UX (experiencia del usuario) son dos ejemplos.
Las competencias que es necesario desarrollar son:
- Five skills you need to make AB testing work
- 10 Things Every Marketer Should Know About A/B Testing
- Free A/B Testing course by Google
- Beginner's Guide To Web Data Analysis: Ten Steps To Love & Success
- The Absolute Beginner's Guide to Google Analytics
- The ultimate guide to user experience
- Beginner’s guide to UX
- 9 strategies for becoming the marketing optimization champion your company can’t live without
El A/B testing permite tomar decisiones, basadas en informaciones sólidas, y aprender. Tus informes y la buena interpretación de tus resultados son absolutamente esenciales para obtener un verdadero ROI.
Como interpretar y analizar los resultados de un test A/B:
86 Expertos a seguir en materia de A/B testing
Lance Jones > @userhue
Jason Kincaid > @jasonkincaid
Noah Kagan > @noahkagan
Hiten Shah > @hnshah
Dave McClure > @davemcclure
Avinash Kaushik > @avinash
Daniel Gonzalez > @HiDanielG
David Kirkpatrick > @davidkonline
Shanelle Mullin > @shanelle_mullin
Steve Blank > @sgblank
Matt McGee > @mattmcgee
Rand Fishkin > @randfish
Bart Schutz > @BartS
Rick Perreault > @rickperreault
Sean Ellis > @SeanEllis
Campaign Monitor > @CampaignMonitor
Moz > @Moz
Bryan Eisenberg > @TheGrok
Shopify > @Shopify
Scott Brinker > @chiefmartec
Chris Goward > @chrisgoward
Brian Massey > @bmassey
Jeffrey Eisenberg > @JeffreyGroks
Sherice Jacob > @sherice
Carlos del Rio > @inflatemouse
Pam Moore > @PamMktgNut
Angie Schottmuller > @aschottmuller
Ryan Deiss > @ryandeiss
Ian Lurie > @portentint
ashukairy > @ayat
Khalid Saleh > @khalidh
Anne Holland > @AnneHolland55
Lincoln Murphy > @lincolnmurphy
Amy Africa > @amyafrica
Unbounce > @unbounce
Raven Tools > @RavenTools
Roger Dooley > @rogerdooley
Neil Patel > @neilpatel
Nichole Elizabeth > @NikkiElizDemere
Craig Sullivan > @OptimiseOrDie
Peep Laja > @peeplaja
Jon Henshaw > @RavenJon
Marketing Nutz > @MktgNutz
Dan Siroker > @dsiroker
Tommy Walker > @tommyismyname
John Teevan > @JohnP_Teevan
Joanna Wiebe > @copyhackers
Rich Page > @richpage
Tiffany Da Silva > @bellastone
Jason Quey > @jdquey
Ton Wesseling > @tonw
Adam Hutchinson > @adamiswriting
Michael Aagaard > @ContentVerve
Matt Gershoff > @mgershoff
Andy Johns > @ibringtraffic
Brian Balfour > @bbalfour
Oli Gardner > @oligardner
Tim Ash > @tim_ash
Paul Rouke > @paulrouke
Linda Bustos > @edgacentlinda
Theo van der Zee > @theovdzee
Get Elastic > @getelastic
Conversion Conference > @ConversionConf
MAA1 > @MAA1
Talia Wolf > @TaliaGw
Justin Rondeau > @Jtrondeau
Tyson Quick > @TysonQuick
KlientBoost > @KlientBoost
Andre Morys > @morys
Conversion.com > @conversion_com
Anna Talerico > @annatalerico
Kelly Cutler > @kfcutler
Brooks Bell > @brooksbell
Andrew Youderian > @youderian
Alhan Keser > @AlhanKeser
Conversion Sciences > @ConversionSci
Alex Birkett > @iamalexbirkett
Steven Jacobs > @StevenJacobs_
Kaitlyn Nelson > @kaitlynelson
Kevin Hillstrom > @minethatdata
Dan Wang > @danwwang
Malachi Leopold > @livethetreplife
Pete Koomen > @koomen
Aaron Orendorff > @iconiContent
Chief Conversionista > @Conversionista
Joel Harvey > @JoelJHarvey