A/B Testing: La guía definitiva para principiantes
Como el cerebro, el marketing digital está compuesto por dos hemisferios, el derecho y el izquierdo, el creativo y el lógico.
El primero responde a emociones y el segundo a datos. Si bien, una buena campaña de publicidad online necesita de ambas partes para lograr el éxito y alcanzar sus objetivos, el día de hoy nos enfocaremos en el lado izquierdo, el cual tiene muchas cosas que aportar a nuestras estrategias de marketing actuales y sobre todo nos puede ayudar a determinar la efectividad de la inversión que realizamos.
Esta guía busca explicarte de manera general el concepto de a/b testing, sin embargo, te recomendamos descargar nuestra guía de instalación de Google Optimize aquí para que puedas empezar hacer experimentos ¡ya!
A/B Testing: ¿Qué es y cómo utilizarlo?
El A/B testing (también conocidas como pruebas a/b) es un método para comparar versiones de una página web, un anuncio o campaña una contra la otra para determinar cuál de ambas es la mejor y dependiendo el caso, cuál de las dos genera mejores resultados.
Este tipo de A/B testing generalmente se componen de un experimento en el que dos o más variables se modifican para hacer variantes que se mostrarán a los usuarios de manera aleatoria para determinar, a través de un análisis estadístico qué variación obtiene los mejores resultados.
En el proceso de toma de decisiones en el marketing, siempre ha sido popular discutir sobre las decisiones que en algunos casos toman los mercadólogos sobre los colores o copies a utilizar en una página web o en un anuncio, ¿Por qué algunos toman aparentemente mejores decisiones que otros?
A partir de los estudios realizados por Peter E. Rossi sobre métodos estadísticos bayesianos podemos por ejemplo, tomar decisiones de marketing con base en los resultados obtenidos de un experimento en alguno de los canales de marketing donde podamos controlar un ambiente de pruebas, como ejemplo, una landing page.
Sin embargo, en el marketing comúnmente se confunden los hechos obtenidos de la experimentación con verdades absolutas, como ejemplo, el siguiente:
Para poder realizar esta afirmación es necesario hacer pruebas para determinar si para tu caso es verdadero o falso.
Todos los gurús de marketing afirman tener el secreto para aumentar las conversiones, esto puede ser posible después de un amplio proceso de experimientación, sin embargo, sería ilógico ver todos los botones de todos los sitios web azules… ¿no crees?
Una anécdota particular sobre el A/B testing la tuvo Google cuando se encontraba en el proceso de toma de decisión del color del texto de enlace (anchor text) de su famoso buscador.
En aquella época Google contaba con más de 40 tonos de azul, por lo cual tuvo que correr pruebas sobre qué color fomentaba más la interacción. Al final el gigante tecnológico tomó una decisión basada en la experimentación, las alternativas y más importante, los datos de los resultados.
Ahora que comprendes un poco más las bases del A/B testing, es momento de enseñarte su metodología de implementación y cómo puedes utilizarla para tomar decisiones en tu startup o empresa.
Metodología para implementar un A/B testing
Para iniciar con la experimentación es necesario formular una hipotesis, en este caso, utilizaremos elementos en un sitio web para llevar a cabo las pruebas, sin embargo no olvides que puedes experimentar también en campañas, audiencias, localizaciones, copies, etc.
Primero… ¿qué es una hipótesis?
Por definición, una hipótesis es una declaración propuesta hecha sobre la base de pruebas limitadas que se pueden probar o refutar y que se utiliza como punto de partida para una mayor investigación (un poco teórico ¿no?).
Vamos a traducirlo al español un poco:
Se trata de una propuesta de afirmación, es decir, se cree que los resultados son ocasionados por un factor. Una hipótesis no es un hecho, y no debe ser discutido como correcto o incorrecto hasta que sea probado y demostrado de un modo u otro a través de la experimentación.
Tu hipótesis se basa en la información y conocimiento que tienes sobre lo que ocurre en tu sitio web, cualquier investigación o análisis de las situaciones actuales que se están realizando.
Una hipótesis se puede aprobar o refutar, y se puede leer un ejemplo como el siguiente:
Al cambiar el botón de color verde a naranja tendremos un incremento en las conversiones
En el siguiente punto te explicaremos cómo comprobar si la hipótesis es verdadera o falsa.
Segundo… es momento de experimentar
La palabra clave principal aquí es “experimentar”, así que veamos cómo experimentar con el ejemplo anterior:
En primer lugar tenemos que nuestro sitio web se encuentra de la siguiente manera.
Al estado original, es decir, nuestra página web sin ningún cambio lo llamaremos “control”, y esta será nuestra base.
Ahora crearemos la “variación A”, que es aquella que representa la hipótesis que formulamos más arriba. La página quedaría de la siguiente manera:
El objetivo ahora es hacer la experimentación, para eso tendrás que hacer que el 50% de tu audiencia vea la versión A y el otro 50% con nuestra página de “control”. Esto nos ayudará a que el experimento tenga validez estadística (suena más complejo de lo que realmente es).
Para hacer esto en un A/B testing de tu sitio web te recomendamos las siguientes plataformas:
Una vez que configuremos nuestro experimento y determinemos las cuotas para cada una de las versiones, es momento de ejecutar la prueba y esperar un periodo de tiempo determinado para poder sacar conclusiones de tus experimentos.
Ahora es momento de analizar y declarar un ganador
De acuerdo a la gráfica anterior podemos determinar que la versión naranja del la página web es la que obtuvo mejores resultados.
En ese caso determinaremos que nuestra hipótesis fue correcta. Así como este experimento puedes probar hacer experimentos con los copies de tus landing pages, tamaño de los botones, CTA y más.
Pero, qué pasa cuando una variación tiene más de un elemento que ha sido cambiado, ¿cómo hacer la experimentación entonces?
Ventajas del A/B testing
Simple en concepto y diseño, las pruebas A / B es un método de prueba poderosa y ampliamente utilizado.
Mantener el número de variables reducido significa que estas pruebas pueden dar información fiable muy rápidamente, ya que no requieren una gran cantidad de tráfico para funcionar.
Esto es especialmente útil si su sitio tiene un pequeño número de visitantes diarios. Dividir el tráfico en más de tres o cuatro segmentos haría más difícil terminar una prueba.
De hecho, el A/B testing permite de manera rápida y fácil interpretar los resultados. Esta práctica es muy común en sitios grandes donde corren ciclos de pruebas continuamente para optimizar las conversiones o ventas de una landing page, en vez de realizar pruebas multivariantes más complejas.
El A/B testing también una buena manera de introducir el concepto de optimización a través de pruebas de un equipo escéptico, ya que puede demostrar rápidamente el impacto cuantificable de un simple cambio en tu landing page.
Limitaciones del A/B testing
El A/B testing es una herramienta versátil, y cuando se combina con el diseño de experimentos inteligente y un compromiso de ciclos iterativos de pruebas y rediseño, puede ayudarte a hacer grandes mejoras en su sitio.
Sin embargo, es importante recordar que las limitaciones de este tipo de prueba se resumen en el nombre. Se utilizan más para medir el impacto de dos a cuatro variables sobre las interacciones con la página.
Las pruebas con más variables toman más tiempo para funcionar, y de por sí, el A/B testing no revelará ninguna información acerca de interacción entre las variables en una sola página.
A/B y MVT
En su forma más simple, las pruebas A / B es un método para comparar 2 versiones de algo en uno contra el otro para descubrir cuál es el más exitoso. Ese algo puede ser una imagen, un botón, un copy, o más allá.
El MultiVariate Testing es una expansión del A/B testing, donde más de 2 versiones se comparan y se incluye (a menudo) más variación. Esto puede permitirle probar varios elementos a la vez y cómo interactúan entre sí.
En la siguiente figura podrás comprender un poco la diferencia:
Si necesitas información sobre cómo hacer experimentos donde se utilizan múltiples variables no te pierdas la próxima semana nuestra publicación sobre MVT o Multivariate Testing.