Test A/B: qué es, cómo se hace y qué testar primero

Test A/B: qué es, cómo se hace y qué deberías testar primero

Un test A/B es mostrar dos versiones de algo a dos grupos distintos de usuarios y medir cuál convierte mejor. Una sola variable cambia entre las dos versiones. El que gana, se queda. El que pierde, se descarta. No hay más ciencia que esa.

Lo que sí hay es mucha forma de hacerlo mal: testar sin hipótesis, parar antes de tiempo, cambiar dos cosas a la vez o confundir un resultado favorable con uno válido. Llevo más de una década ejecutando tests en cuentas reales y he visto los mismos errores repetirse en sectores tan distintos como clínicas, despachos de abogados o academias de oposiciones. Este artículo va de evitarlos.

auditoría de conversión

Qué es un test A/B

Un test A/B es un experimento controlado en el que enfrentas dos versiones de un mismo elemento para determinar cuál produce mejores resultados con tu público objetivo.

La versión original se llama A o control. La versión modificada se llama B o variante. El tráfico se divide entre las dos, normalmente al cincuenta por ciento, y cada grupo ve solo una versión. Al final del experimento, los datos deciden.

Lo que se mide depende de lo que quieras mejorar. Puede ser la tasa de clics en un botón, el porcentaje de usuarios que rellenan un formulario, el tiempo que pasan en la página o el número de llamadas generadas. El objetivo lo defines tú antes de lanzar el test, no después de ver los resultados.

El test A/B también se conoce como split testing o test split, porque divides el tráfico en dos grupos. La diferencia con otras metodologías la veremos más adelante, pero el principio es siempre el mismo: una variable, dos grupos, un ganador.

Lo que hace útil a este método no es la sofisticación técnica, que es mínima, sino que elimina la opinión del proceso. Tu jefe cree que el botón verde convierte mejor. Tu diseñador prefiere el azul. El test A/B cierra esa discusión con datos en lugar de con jerarquía.

Por qué el test A/B importa en marketing digital

Si estás pagando tráfico y tu página no convierte bien, tienes dos opciones: meter más dinero en publicidad o mejorar lo que ya tienes. El test A/B es la forma más barata de saber qué está fallando antes de gastar más.

En marketing digital, cada visita que no convierte es dinero que se pierde. Si tu campaña de Google Ads trae cien visitas al día y convierte al dos por ciento, tienes dos conversiones. Si mejoras la conversión al cuatro por ciento con un test, doblas el resultado sin tocar el presupuesto publicitario.

Esa es la lógica que lo justifica todo: no es un experimento de laboratorio, es una palanca de negocio.

El problema es que la mayoría de las empresas invierten en traer más tráfico cuando el problema está en la página. El tráfico ya llega. Lo que no llega es la conversión. Y eso no se arregla subiendo la puja, se arregla entendiendo por qué el usuario no hace clic, no rellena el formulario o no llama.

El test A/B te da esa respuesta con datos reales de tu público objetivo, no con suposiciones sobre cómo debería comportarse.

Cómo hacer un test A/B paso a paso

El proceso tiene cinco pasos. Si te saltas alguno, los resultados pierden validez y tomas decisiones sobre datos que no son fiables.

1. Define la hipótesis

Antes de tocar nada, necesitas una hipótesis clara. No "vamos a cambiar el botón a ver qué pasa", sino algo concreto: "Creemos que cambiar el texto del botón de 'Enviar' a 'Quiero que me llamen' aumentará la tasa de clics porque es más específico sobre lo que recibe el usuario."

Una hipótesis bien formulada tiene tres partes: qué vas a cambiar, qué resultado esperas y por qué lo esperas. Sin eso, aunque el test muestre un ganador, no sabes si el aprendizaje es extrapolable o fue casualidad.

2. Elige el elemento a testar

Un solo elemento por test. Si cambias el titular y el color del botón a la vez, cuando obtengas un resultado no sabrás a qué atribuirlo. La restricción de una variable es lo que hace válido el experimento.

El orden en el que elegiría qué testar está en la siguiente sección, pero el criterio general es empezar por lo que tiene más impacto directo sobre la conversión y más visibilidad dentro de la página.

3. Calcula el tamaño de muestra necesario

Este es el paso que más se salta y el que más tests invalida. Si paras el test cuando ves que una versión va ganando, sin esperar a tener suficiente tráfico, el resultado puede ser un efecto del azar.

Para saber cuántos usuarios necesitas en cada grupo antes de que el resultado sea fiable, usa una calculadora de tamaño de muestra. Muchas herramientas de testing las incluyen. El dato clave es tu tasa de conversión actual: si conviertes al uno por ciento, necesitas mucha más muestra que si conviertes al diez.

Como referencia general, con tasas de conversión bajas y cambios moderados necesitas entre mil y cinco mil conversiones por variante para tener resultados estadísticamente significativos. No es poco, y por eso el tráfico mínimo importa.

4. Determina la duración

Un test A/B tiene que correr al menos dos semanas completas, incluyendo los mismos días de la semana en ambas versiones. El comportamiento del usuario varía entre lunes y sábado, entre semana laboral y festivo. Si cortas en mitad de un ciclo, los datos están sesgados.

La duración correcta no es la que tú decides: es la que resulta de alcanzar el tamaño de muestra necesario con tu volumen de tráfico real. Si eso tarda tres semanas, el test dura tres semanas.

5. Lee los resultados con criterio

Cuando el test termina, el dato que miras es la significancia estadística. La mayoría de herramientas la expresan como porcentaje de confianza. Un resultado al noventa y cinco por ciento de confianza significa que hay un cinco por ciento de probabilidad de que la diferencia sea aleatoria, no real.

Por debajo de ese umbral, el test no tiene un ganador claro. La respuesta correcta en ese caso no es quedarte con la versión que va ligeramente por delante: es aceptar que no hay diferencia relevante y testar otra cosa.

Y si el resultado es válido pero la mejora es pequeña, también es información útil: ese elemento no es el cuello de botella. Busca en otro sitio.

Qué elementos testar primero (y en qué orden)

No todo tiene el mismo impacto. Si vas a dedicar tiempo y tráfico a un test, empieza por donde el cambio puede mover más la aguja.

Este es el orden que sigo en cuentas reales:

1. El titular principal

Es lo primero que lee el usuario. Si no le engancha o no le deja claro qué gana al quedarse, el resto de la página da igual. El titular es el elemento con mayor impacto potencial sobre la conversión porque afecta a la decisión de seguir leyendo o cerrar la pestaña.

Testea distintos ángulos: el beneficio directo frente al miedo que eliminas, la promesa concreta frente a la descripción del servicio, el titular largo frente al corto.

2. La llamada a la acción

El texto del botón, su color, su tamaño y su posición dentro de la página. En este orden de prioridad. El texto es lo que más varía en impacto: "Solicitar información" y "Quiero que me llamen hoy" son proposiciones distintas para el usuario, aunque lleven al mismo formulario.

El color importa menos de lo que parece, pero sí importa el contraste con el fondo. Un botón que no destaca visualmente dentro de la página pierde clics sin que el usuario lo note.

3. El formulario

Número de campos, orden de los campos, etiquetas de cada campo y mensaje de confirmación. Cuantos más campos pides, menor es la conversión. Testar un formulario largo frente a uno corto casi siempre da un resultado claro y significativo.

También puedes testar el tipo de formulario: uno de dos pasos frente a uno de un solo paso. En muchos sectores, el de dos pasos convierte mejor porque el primer paso es de bajo compromiso.

4. La imagen o vídeo principal

El elemento visual que acompaña al titular. En páginas de captación, una imagen de persona frente a una imagen de producto, o vídeo frente a imagen estática, puede tener un impacto medible. Aquí el resultado depende mucho del sector y del público, así que la hipótesis tiene que ser específica.

5. El precio o la propuesta de valor

Cómo presentas el precio, si lo muestras o no, y cómo encuadras la oferta. Este es el test más difícil de ejecutar porque mezcla variables de copy y de estructura, pero en sectores donde el precio es visible desde la primera visita puede tener un impacto grande.

Ejemplos de test A/B en marketing: casos concretos

Para que quede claro cómo se aplica en la práctica, estos son ejemplos de la mecánica real, sin inventar números.

Test de titular en una página de captación de clientes para un despacho de abogados:

La versión A usaba un titular descriptivo del servicio ("Abogados especializados en derecho laboral en Madrid"). La versión B usaba un titular orientado al resultado del cliente ("Recupera lo que te deben sin adelantar honorarios"). El cambio afecta a cómo el usuario percibe la propuesta desde el primer segundo.

Test del texto en el botón de contacto en una clínica:

Versión A: "Pedir cita". Versión B: "Ver disponibilidad hoy". El segundo reduce la sensación de compromiso y responde a la pregunta implícita del usuario: si hay hueco para mí o no. Esa diferencia de percepción se traduce en clics.

Test de longitud de formulario en una academia de oposiciones:

Versión A: formulario con nombre, apellidos, email, teléfono, oposición de interés y mensaje. Versión B: solo nombre, email y teléfono. Menos fricción en el primer paso, más conversiones, y el equipo de ventas recoge el resto en la llamada.

Test de posición del CTA en una página de servicio:

Versión A: el botón solo aparece al final de la página. Versión B: el botón aparece también en la sección inicial, antes del primer scroll. En páginas con mucho contenido, el usuario que ya está convencido no debería tener que llegar al final para actuar.

Ninguno de estos casos requiere una herramienta cara ni un equipo técnico. Lo que requieren es tener la hipótesis clara antes de lanzar y la disciplina de no parar antes de tiempo.

Test A/B en UX: cuándo la conversión es un problema de diseño

Hay una diferencia importante entre un test de copy, un test de diseño y un test de flujo. Los tres son tests A/B, pero atacan problemas distintos.

El test de copy cambia textos: titulares, botones, descripciones, argumentos. El problema que resuelve es de mensaje: el usuario llega, pero lo que lee no le convence.

El test de diseño cambia la estructura visual o los elementos gráficos: la disposición de los bloques, el tamaño de la imagen, el color del fondo, la tipografía. El problema que resuelve es de atención o de jerarquía visual: el usuario no ve lo que debería ver primero.

El test de flujo cambia la secuencia de pasos que sigue el usuario: formulario en una página versus en dos pasos, checkout simplificado, página de confirmación con o sin upsell. El problema que resuelve es de fricción en el proceso.

El test A/B en UX se aplica cuando los datos de comportamiento (mapas de calor, grabaciones de sesión, embudos de conversión en Google Analytics) apuntan a un problema de diseño o de flujo, no de copy. Si el usuario hace clic en el botón pero abandona el formulario a mitad, el problema no está en el titular: está en el proceso de conversión.

La señal de que necesitas un test de UX es cuando el usuario llega, lee y parece interesado, pero no actúa. Eso suele indicar que algo en el diseño o en el flujo genera fricción, duda o confusión, y que la solución no está en cambiar el mensaje sino en cambiar la experiencia.

Dicho esto, en la práctica los tres tipos se solapan. Cambiar el texto de un botón es copy, pero también es UX porque afecta a la experiencia del usuario en el momento de decisión. Lo que importa no es la categoría sino tener claro qué problema estás intentando resolver con el test.

Herramientas para hacer test A/B: VWO, Optimizely y otras

La herramienta que eliges depende de tu volumen de tráfico, de tu presupuesto y de hasta dónde quieres llegar con los experimentos.

Google Optimize (y su sucesor)

Google Optimize fue durante años la opción gratuita de referencia para hacer tests A/B integrados con Google Analytics. Google lo descontinuó en 2023. Si lo usabas, necesitas migrar a otra herramienta.

La integración con Google Analytics 4 para medir resultados sigue siendo válida: puedes usar cualquier herramienta de testing y conectar los datos a GA4 para analizar el impacto en las métricas que ya tienes configuradas.

Otras alternativas

AB Tasty es una opción intermedia entre Optimizely y las herramientas de entrada. Tiene buena interfaz, editor visual y soporte para personalización. Funciona bien para equipos de marketing sin perfil técnico muy desarrollado.

Convert es otra alternativa con foco en privacidad de datos y compatibilidad con regulaciones europeas, lo que puede ser relevante si trabajas en sectores con requisitos estrictos de RGPD.

Unbounce no es una herramienta de testing pura, pero si usas landing pages, tiene funcionalidad de test A/B integrada que cubre la mayoría de casos sin necesidad de una herramienta externa.

Para elegir, hazte esta pregunta: ¿cuántos tests al mes vas a ejecutar y cuánto tráfico tienes? Si la respuesta es "pocos tests y poco tráfico", empieza con la opción más sencilla. La herramienta no es el cuello de botella cuando empiezas. El cuello de botella es el proceso: hipótesis, muestra, duración, lectura de resultados.

Test A/B vs test multivariante: cuál usar y cuándo

El test multivariante es la extensión lógica del test A/B cuando quieres testar más de un elemento a la vez y entender cómo interactúan entre sí.

En un test A/B testeas un titular nuevo frente al original. En un test multivariante puedes testar dos titulares y dos imágenes a la vez, lo que genera cuatro combinaciones posibles: titular A con imagen A, titular A con imagen B, titular B con imagen A, titular B con imagen B. El sistema asigna tráfico a las cuatro versiones y mide cuál convierte mejor.

La trampa del test multivariante es el tráfico que necesita. Para que los resultados de cada combinación sean estadísticamente válidos, necesitas multiplicar el tráfico requerido por el número de variantes. Si para un test A/B necesitas dos mil visitas, para un test multivariante con cuatro combinaciones necesitas ocho mil. Si no tienes ese volumen, el experimento no va a terminar nunca con datos fiables.

En la práctica, la mayoría de empresas debería empezar por tests A/B bien ejecutados y no pasar al multivariante hasta haber agotado el aprendizaje que dan los tests simples. El test multivariante no es mejor que el A/B: es más complejo y requiere más recursos. Úsalo cuando el A/B ya no te dé más información útil.

Errores más habituales al hacer un test A/B

He visto estos errores en cuentas de distintos tamaños y sectores. No son teóricos.

Parar el test cuando va ganando una versión

Es el más común. El test lleva unos días corriendo, una versión va por delante y alguien decide que ya hay suficiente evidencia. El problema es que los primeros días de un test son los más ruidosos: el azar puede generar diferencias que luego desaparecen cuando la muestra crece.

Un test se para cuando alcanza el tamaño de muestra calculado antes de lanzarlo, no antes.

Testar más de un elemento a la vez

Si cambias el titular y el botón en la misma variante, cuando obtengas un resultado no sabrás qué lo causó. Habrás gastado tráfico y tiempo sin aprender nada accionable. Si quieres testar los dos, lanza dos tests distintos en momentos distintos.

No tener hipótesis clara

"A ver si esto funciona mejor" no es una hipótesis. Sin hipótesis, aunque el test dé un ganador, no hay aprendizaje que puedas aplicar al siguiente test. La hipótesis es lo que convierte un experimento en conocimiento acumulable.

Muestras demasiado pequeñas

Un resultado al sesenta por ciento de confianza estadística no es un resultado. Es ruido. Si tu tráfico no da para alcanzar el umbral de significancia en un plazo razonable, no hagas ese test: busca un elemento con más impacto o espera a tener más volumen.

No tener en cuenta la estacionalidad

Un test que corre solo entre lunes y miércoles no captura el comportamiento del fin de semana. Un test que corre durante una campaña de publicidad puntual no es representativo del tráfico habitual. El contexto importa y hay que controlarlo.

Cambiar el tráfico de la fuente durante el test

Si lanzas una campaña nueva o cambias la segmentación de tus anuncios mientras el test está corriendo, los usuarios que llegan en la segunda semana son distintos de los de la primera. El test ya no es controlado y los datos no son comparables.

Sacar conclusiones de métricas secundarias

Si el objetivo del test era la tasa de formularios enviados y una versión tiene más tiempo en página, eso no es una victoria. La métrica del objetivo es la que decide el ganador. Las demás son contexto, no resultado.

Preguntas frecuentes sobre el test A/B

¿Cuánto tráfico necesito para hacer un test A/B?

Depende de tu tasa de conversión actual y del tamaño del efecto que esperas detectar. Como referencia, con tasas de conversión bajas (por debajo del dos por ciento) necesitas volúmenes altos para detectar mejoras pequeñas. Si recibes menos de quinientas visitas al mes, los tests A/B van a tardar mucho en dar resultados fiables o directamente no van a poder concluir. En ese caso, prioriza mejorar la conversión con otros métodos antes de entrar en la experimentación sistemática.

¿Cuántos tests puedo hacer a la vez?

Depende de la herramienta y de si los tests afectan a la misma página o a páginas distintas. En la misma página, un test a la vez. Si un usuario entra en dos tests simultáneos que afectan a la misma URL, los datos se contaminan. En páginas distintas, puedes tener varios tests corriendo en paralelo sin problema.

¿Hay alguna herramienta gratuita para empezar?

Con la desaparición de Google Optimize, las opciones gratuitas se han reducido. Algunas herramientas como VWO o AB Tasty tienen planes de entrada o periodos de prueba. Para landing pages, Unbounce incluye testing en algunos de sus planes. Si estás empezando y el presupuesto es muy ajustado, hay herramientas de código abierto como GrowthBook que puedes instalar, aunque requieren más configuración técnica.

¿Qué pasa si el test no tiene ganador claro?

Es una respuesta válida. Significa que ese elemento concreto no es el cuello de botella de tu conversión, al menos no con el cambio que has planteado. Documenta el resultado y busca el siguiente elemento a testar. Los tests sin ganador claro son información útil: te dicen dónde no está el problema.

¿Cuánto tiempo tiene que durar un test A/B?

Como mínimo dos semanas completas, incluyendo los mismos días de la semana en ambos periodos. El límite superior lo marca el tamaño de muestra: cuando alcanzas la muestra calculada con el nivel de confianza que definiste, el test puede cerrarse aunque hayan pasado más de dos semanas. No hay un tiempo máximo fijo, pero si un test lleva más de ocho semanas sin alcanzar significancia, probablemente el efecto que buscas no existe o el elemento que testaste no tiene el impacto que pensabas.

¿El test A/B sirve para email marketing?

Sí. De hecho, los tests A/B en email son más fáciles de ejecutar que en web porque las herramientas de email marketing los incluyen de serie y las muestras se generan rápido al enviar a toda la lista. Los elementos más habituales a testar en email son el asunto, el remitente, la hora de envío y el texto del CTA principal.

¿Cómo sé qué testar si no tengo datos de comportamiento?

Empieza por los datos que ya tienes: tasa de rebote por página en Google Analytics, páginas de salida más habituales, tiempo en página. Si una página tiene mucho tráfico pero tasa de rebote alta, el problema probablemente está en el titular o en lo que ve el usuario en el primer scroll. Si el usuario llega al formulario pero no lo envía, el problema está en el formulario. Los datos de comportamiento te dicen dónde mirar; la hipótesis te dice qué cambiar.

Si llevas tiempo pagando tráfico y la conversión no acompaña, el test A/B es una buena forma de empezar a encontrar dónde se rompe. Pero a veces el problema está más arriba: en la oferta, en el posicionamiento o en cómo está estructurada la página entera.

Para eso tengo la auditoría de conversión, donde reviso lo que tienes, identifico el punto de fuga y te entrego un plan concreto de qué tocar y en qué orden. Si quieres, puedes empezar por una sesión de una hora para revisar los números juntos antes de decidir si tiene sentido ir más lejos.