Los 10 mandamientos del AB Testing
Probablemente si has llegado a este artículo es por una de la siguientes razones:
- Te llamó la atención el copywriting del título y tienes curiosidad de saber de que se trata porque AB Test te suena a nada
- Sabes perfectamente de lo que hablo cuando me refiero a AB test y quieres conocer qué tengo que decir al respecto.
Pues bien, cualquiera sean las causas que te hicieron llegar aquí y sin importar el conocimiento previo que tengas sobre AB testing, te invito a que te hagas unos minutos para leer lo que considero como los 10 mandamientos de un AB test.
¿Qué es un AB Test?
Partamos por lo básico: ¿De que se trata esto del ab testing? (si ya sabes de qué se trata un ab test, puedes ir a la siguiente sección)
En palabras sencillas, un ab test es un experimento que se realiza en un sitio web o en una aplicación mobile para poner a prueba el rendimiento de dos variantes de interfaces distintas y determinar cuál de ellas obtiene mejores resultados para una acción objetivo que se quiere alcanzar.
Se llama AB test porque la idea original de este tipo de experimentos es precisamente probar dos variantes. La variante A y la variante B. Pero lo cierto es que los AB test han evolucionado y en la actualidad uno puede llevar a cabo experimentos con más de dos variantes, así como también test multivariantes.
Para que entiendas mejor lo que me refiero con probar dos variantes de interfaces, significa probar diferentes opciones en el diseño, layout, o copywriting de una página de un sitio web o de una interfaz de una aplicación.
Por ejemplo, probar con diferentes textos de un titular o una bajada de un landing page, probar diferentes colores, textos o ubicaciones de un botón, o probar diferentes formatos de un formulario en checkout de un ecommerce, etc.
Y estas variantes se prueban, exponiéndolas a los usuarios navegantes de una aplicación web o mobile de forma controlada, para medir su efecto y determinar cuál es la variante de mejor rendimiento. De esta manera, optimizamos el UI y UX de una aplicación. ¿Interesante, no?
Las 10 reglas de oro del ab testing
Ya aclarado el concepto de AB test, pasemos a revisar a continuación lo que en mi consideración son las 10 reglas fundamentales que debes respetar al hacer AB testing.
#1 Formula tu dolor e hipótesis de trabajo
Si llegaste a este artículo con mucha motivación de hacer tus primeros AB test y quieres lanzarte desde ya a probar variantes, permíteme detenerte y pedirte que hagas algo antes de hacer la implementación del test: formula tu tu dolor e hipótesis de trabajo.
¿Qué quiero decir con esto? Que no puedes lanzarte a hacer AB testing sin antes reflexionar cuál es el dolor que estás tratando de resolver o mejorar con la optimización de tu interfaz y cuál es la hipótesis de trabajo.
La hipótesis de trabajo es lo que argumenta y da sentido a la realización del test. Sin esa consideración, simplemente estarás haciendo test por hacer.
Date un tiempo de formular bien esas ideas y anótalas en un repositorio. Esto te permitirá no perder el norte sobre qué estás haciendo y para que lo estás haciendo. Te dejo una pequeña tabla con ejemplos de dolores e hipótesis de trabajo.
| Dolor | Hipótesis de trabajo | AB test |
| El call to action de mi landing page recibe pocos clicks | La apariencia y texto del botón no es suficientemente atractiva para lograr clicks | Probar con una variante que contenga un botón call to action con otro texto, otro color y mayor tamaño. |
| El formulario de mi landing page recibe pocos envíos de formulario | El formulario es demasiado largo y contiene demasiados campos que el usuario no está dispuesto a rellenar | Probar con un formulario que elimine 2 o 3 campos que no son estrictamente necesarios. O probar con un formulario en dos fases. |
| Mi landing page no logra convertir lo que yo quisiera, a pesar de estar usando formularios optimizados | El copywriting de mi Landing Page no es suficientemente persuasivo | Probar con un copywriting totalmente distinto, enfocándolo en otros beneficios emocionales |
#2 Usa herramientas digitales para AB test
Incluyo esta regla elemental para aquellos lectores que se están adentrando en el mundo del AB testing y quizás crean que esta práctica simplemente consiste en tener en un sitio web dos versiones de una página vinculada desde diferentes puntos y ver cuál funciona mejor.
Si por casualidad crees eso déjame decirte que no estás en lo correcto. Como veremos más adelante, un AB test es un experimento científico con todas de la ley. Mediciones numéricas claras y conclusiones que se determinan en base a estadísticas.
Para ello es fundamental contar con una herramienta digital para AB test. Esta herramienta te permitirá esencialmente controlar las porciones del tráfico que se exponen al experimento y a cada una de las variantes, además de medir con exactitud los eventos de las acciones objetivo que buscas optimizar con el test.
En el equipo de Digital Heads nos gusta usar Google Optimize, principalmente por las múltiples funciones que ofrece y porque se acopla perfectamente a otras herramientas de Google para marketing digital (Google Analytics y Google Ads principalmente).
Pero seamos justos. Google Optimize no es la única opción en el mercado. Otras herramientas ampliamente usadas que te invitamos a revisar son Optimizely, VWO y AB Testy, por nombrar algunas.
No importa cuál plataforma elijas. ¡Pero elige una!
#3 Define el flujo y procura tener suficiente tráfico
Bien sabes que un sitio web se compone de muchas páginas adicionales al home page. Esto implica que pueden darse diferentes flujos de navegación desde una página a otra.
Un AB test aplicado a un sitio web se define a partir de una página web en particular desde la cual esperamos que el usuario realice una acción objetivo o continúe hacia otra página, para por ejemplo terminar una compra.
Un error común que se comete al hacer un AB test es implementarlo desde una página web que recibe poco o nada de tráfico. Es decir, pocos usuarios que se exponen e interactúan con ella.
Cuando tienes esa situación, tu AB test simplemente te entregará muy pocos resultados de sesiones probadas con las 2 o más variantes con las que estás experimentando, lo cual no te permitirá obtener conclusiones hacia optimizar tu sitio web o aplicación. Esto por cierto es un problema similar al que comentamos en la siguiente regla.
Para evitar esta situación, antes de decirte a hacer un AB test procura elegir una página web de tu sitio que sea relevante. Es decir, que tenga un número importante de pageviews en un periodo de tiempo (esto es algo que puedes saber fácilmente mediante herramientas como Google Analytics).
Alternativamente, si eliges una página que históricamente ha tenido poca exposición, procura inyectarle más tráfico, por ejemplo mediante una campaña de pago en Google Ads.
#4 Procura hacer cambios que sean significativos
Siempre recordaré el primer AB test que hice hace ya varios años. De lo único que se trataba era de mover un botón un poco más arriba en una interfaz que en las dos variantes del experimento mantenía el mismo layout.
El resultado fue lo que normalmente pasa cuando conduces AB test con variantes muy similares: los resultados de rendimiento de las dos versiones fueron prácticamente iguales y en definitiva el AB test no aportó nada de valor, si no que simplemente fue una pérdida de tiempo.
Por ello,el mandamiento es que te atrevas a probar versiones de tus interfaces que presenten algo realmente distinto.
Piensa fuera de la caja, inventa una nueva forma de comunicar tu propuesta de valor, o prueba simultáneamente cambiando la apariencia y contenido de un elemento interactivo para realmente hacer la diferencia con las variantes de tu experimento.
Hazlo con confianza. Nada malo pasará si tienes bien controlado tu experimento, la exposición de las variantes y la medición de los resultados.
#5 Basa tu test en la conversión de un objetivo
Como explicamos en la introducción, un AB test es un experimento, que como todo experimento debe ser medido cuantitativamente.
¿Cómo se hace esto en la práctica?. Lo primero que debes hacer es definir tu objetivo de conversión. Un objetivo de conversión es una acción de interés que el usuario realiza en la aplicación. Por ejemplo, el envío de un formulario, el click en un call to action, la permanencia en una página sobre un periodo de tiempo, el desplazamiento del scroll, etc.
Ese objetivo de conversión debes medirlo en la herramienta en la cual implementas tu AB test. Si lo haces mediante Google Optimize, estos objetivos los implementas en Google Analytics para luego usarlos en la implementación de tu AB test.
Una vez implementada la medición de tu objetivo de conversión (es decir, una vez tengas el conteo de cuantos eventos ocurren de esa acción objetivo), debes configurar el AB test en función de esa acción objetivo.
Es decir, la herramienta de AB medirá cuantos eventos de esa acción consigue cada variante y determinará el ganador en función de esa métrica.
#6 Dale suficiente tiempo al test
Otro típico error que he visto muchas veces en gestores de AB testing: apresurarse con tomar conclusiones y acciones a los pocos días de lanzar un AB test, al ver resultados un tanto pronunciados entre las variantes del experimento.
Generalmente se recomienda una duración mínima de 1 o 2 semanas para que tu AB test entregue resultados más concluyentes. Esto también dependerá de la cantidad de exposición (tráfico) que reciba tu experimento y de si las variantes muestran rendimientos marcadamente diferentes que permiten anticipar una conclusión.
Al darle una duración de al menos una semana estás exponiendo tu experimento a la dinámica propia de los 7 días de la semana, que bien pueden afectar positiva o negativamente las variantes de tu test. Con ello, ya podrás comenzar a asegurar que tienes una tendencia más consolidada en los resultados de tu experimento
La duración máxima de AB test que sugerimos para no afectar la agilidad de tu organización ni la capacidad de optimizar tu aplicación, es 4 semanas. Al cabo de ese tiempo, si ninguna de tus variantes probó ser estadísticamente más efectiva que su competidora, es porque simplemente no implementaste un cambio significativo (regla numero #4).
#7 Respeta la estadística
A esta altura del artículo, probablemente has notado que he usado más de una vez el término “estadísticamente”. Y es que, como mencioné anteriormente, los AB testing se miden de forma rigurosa mediante resultados cuantitativos que son contrastados en base a fundamentos estadísticos.
¿Qué quiere decir esto en la práctica? Que los resultados de un AB test nunca permitirán que se pueda afirmar con 100% de certeza que una variante es mejor que otra.
Por ello, es necesario recurrir a conceptos de probabilidad y estadística para comunicar cuál variante de un AB es en efecto mejor y en qué grado lo és. Para esto, además de entender lo que significa la probabilidad de ser mejor, es importante manejar otros conceptos estadísticos como el intervalo de confianza.
Para dar más profundidad a estos conceptos necesitaría de otro artículo que busque explicar en palabras simples estos parámetros aplicados al AB test. A lo mejor próximamente encuentras uno dedicado a este tema en el Blog de Digital Heads.
Por lo pronto, quédate con la idea fundamental de que los resultados de un test no se interpretan de forma tan simple como decir, “esta variante tiene más tasa de conversión a la fecha, por lo tanto es mejor”.
Por el contrario, los resultados están soportados por fundamentos estadísticos, que entre otras cosas implican un grado sobre el cual uno puede estar seguro de afirmar algo.
Te recomiendo que inviertas un poco de tiempo en aprender estos conceptos fundamentales para que puedas entender mejor los resultados de un test.
#8 Si no hay ganador, aplica otro criterio
Muchas veces sucede que haces todo bien: Formulas bien la hipótesis de trabajo, confeccionas dos interfaces o flujos bien definidas y distintas entre sí, e implementas tu test de forma adecuada. Pero después de un tiempo, el test no arroja un ganador claro.
¿Qué hacer en este escenario? Si ninguna de las dos variantes ha destacado en rendimiento y ninguna de ellas muestra un resultado superior estadísticamente significativo, lo lógico es que escojas como versión ideal la variante que te ofrece otro beneficio adicional, aparte de la consecución de la acción objetivo del test.
Por ejemplo, probaste dos variantes que probaron tener un resultado prácticamente igual en conversiones de la acción objetivo. Sin embargo, una de esas dos variantes consideras que se alinea mejor a la comunicación de tu marca. Entonces privilegias esa variante.
O bien, tienes dos variantes empatadas en un experimento pero una de ellas presenta una oferta adicional que te permite aumentar el ticket promedio de tus ventas: optas por esa opción porque a pesar de que ambas dieron igual porcentaje de conversión, una de ellas te reporta más ingresos.
#9 Consolida la versión ganadora
El noveno mandamiento puede resultar un poco obvio para un avezado realizador de AB testing pero valioso para un aprendiz de esta metodología.
Cuando finaliza un AB testing, debes consolidar la variante de la interfaz que ha tenido mejor rendimiento e el experimento.
Esto significa que no solo debes pausar o finalizar el test en la herramienta digital donde lo has configurado, sino que también debes implementar el código de la interfaz vencedora directo en la aplicación, retirando todo el código que soportaba la la herramienta de AB test y la ejecución del experimento.
Esto es importante para mantener una aplicación con código limpio (en vez de un spaghetti code) evitando con ello eventuales problemas de performance en tiempo de carga o usabilidad que terminen afectando el SEO de tu web.
#10 No te olvides de concluir y documentar
Comencé este listado de mandamientos mencionando la importancia de anotar la hipótesis de trabajo que sostiene el AB test. Esto es parte de lo conocemos como el método científico, que aprendemos en la enseñanza básica.
Y, siguiendo la rigurosidad del método científico, es igualmente importante que anotes los resultados de tu AB test, junto con las conclusiones que pudiste obtener de esos resultados.
Te recomiendo encarecidamente que lleves un registro de tus AB test en un repositorio: Un documento de texto, una planilla de cálculo, lo que más te acomode. Lo importante es que tengas el hábito de anotar todo lo haces en el tiempo y las lecciones aprendidas en cada experimento.
Ya sea si trabajas solo o en un equipo de trabajo, ésta es una práctica muy importante que te permite fortalecer el aprendizaje individual y colectivo en el tiempo y a su vez poner en práctica lo que ha probado tener mejor funcionamiento para implementar mejores AB test a futuro.
Ya los has leído todos. Ahora no olvides aplicar estos mandamientos al realizar tus AB test para optimizar tu sitio web o aplicación. Te invito a que nos dejes tu comentario si crees que faltó algún mandamiento que no se debe descuidar. Te leeré atento. ¡Happy ab testing!
