Calculadora de Tasa de Conversión A/B

¿Cuál es la mejor forma de conseguir una tasa de conversión alta? ¿Cómo podemos saber qué opción nos permitirá obtener mejores resultados en nuestras campañas de marketing digital? Conseguir la mayor tasa de conversión posible debe ser siempre el principal objetivo cuando realizamos un anuncio, cuando creamos una landing page o cuando nuestros usuarios entran a nuestro e-commerce. Sin embargo, esta tasa de conversión depende de muchos factores que provocarán que el usuario realice la conversión o no, ya sea hacer un clic, rellenar un lead o realizar una compra.

Por ello, es necesario realizar diferentes pruebas para ver cuáles funcionan mejor y aplicarlas en cada caso para obtener los mejores resultados. Una de las mejores opciones para realizar estas pruebas es el A/B Testing, mediante el cual se realizan dos pruebas simultáneas con diferentes opciones durante un periodo determinado y después se analiza cuál ha tenido un resultado más positivo. Para comparar y analizar cuál es más efectiva podemos utilizar la Calculadora de tasa de conversión A/B, con la que ver rápidamente los resultados del test.

¿Cómo funciona la calculadora de tasa de conversión A/B?

El funcionamiento de esta calculadora es muy sencillo. Tan solo debemos introducir los datos que se piden en los campos correspondientes. Primero introduciremos las visitas y conversiones del Test A y después haremos lo mismo con el Test B. Tras esto, tan solo debemos darle al botón "Calcula" y tendremos la comparativa de la tasa de conversión de cada uno de los experimentos.

Ejemplo de cómo calcular la tasa de conversión con un test A / B

Para entender cómo funciona esta calculadora, veamos un ejemplo práctico con el que se ve claramente. Imaginemos una campaña de Google Adwords en la que realizamos dos anuncios diferentes para el mismo producto con el objetivo de ver cuál funciona mejor entre los usuarios a los que nos dirigimos. La opción A recibe 1300 visitas y consigue un total de 40 conversiones, mientras que la opción B obtiene 1400 visitas con las que obtiene 35 conversiones.

Aplicaríamos la siguiente fórmula para cada una de las opciones:

De esta forma, vemos que, a pesar de que la opción B ha conseguido más visitas, la tasa de conversión es más alta en la opción A. Por ello, nos quedaremos con la opción A, ya que nos reporta más beneficios por cada euro invertido.

Consejos a tener en cuenta para hacer un A / B testing

Para conseguir que un test A/B tenga éxito debemos planificarlo previamente, así como contar con una herramienta de test A/B, sino no podremos fiarnos del cálculo de su tasa de conversión. Para ello deberemos llevar a cabo los siguientes pasos:

Fijar los objetivos

Saber lo que queremos conseguir debe ser el paso previo a cualquier tipo de test. Estos objetivos pueden ser de mejora de KPIs o de aumento de conversiones.

Establecer los posibles cambios a analizar

Podemos diferenciar las partes de la web que nos interesa analizar con el test A / B, desde el contenido hasta la usabilidad, pasando por las llamadas a la acción o los formularios.

Determinar la duración y el tamaño de muestra

Tan importante es definir los objetivos y los cambios como acotar el tiempo que va a durar la prueba, así como el tamaño de muestra que se va a tener en cuenta.

En este caso, el número de usuarios es fundamental, pues la duración estará determinada por la cantidad de usuarios que acceden al test. Un truco para alcanzar la cantidad suficiente para que la muestra sea representativa y el test fiable es tener en cuenta el promedio de visitas diarias que tenemos.

Crear el test A / B

Una vez tengamos claras las variaciones deberemos implementarlas en el test. Para ello disponemos de 2 opciones:

• Hacer el test A / B con los Experimentos de Google Analytics: estos son gratuitos pero deberemos contar con el conocimiento necesario para ponerlos en marcha.
• Hacer el test A / B con herramientas premium: aunque ahorran la parte técnica, deberemos pagar un precio por utilizarlas.

Analizar, interpretar y reajustar

Una vez tengamos los resultados de nuestro test A /B llega la hora de reflexionar y tomar decisiones. Si la diferencia entre el Test A y el Test B es significativa, tendremos una versión ganadora por la que podremos apostar. En cambio, si la diferencia no es apreciable, deberemos reajustar las variables y planificar un nuevo experimento. Incluso si el resultado es satisfactorio podemos plantear un nuevo test con el que intentar optimizar aún más los resultados.

Errores que debemos evitar en los tests A / B

El problema de muchos experimentos no es que no sepamos hacerlos, sino que cometemos pequeños fallos que en su conjunto alteran los resultados significativamente. Por eso debemos tratar de identificarlos y aprender a evitarlos o resolverlos:

Usar objetivos múltiples o genéricos

Es fundamental que los objetivos sean individuales, concretos y que se puedan medir. De ahí que por cada objetivo se haga un test y no tratemos de medir varios objetivos con un único test.

No tener una hipótesis o elegir una aleatoriamente

Cuando realizamos un test A / B es porque creemos que hay algo que no funciona, pues nuestra tasa de conversión no está siendo la esperada. El objetivo de hacer el test es averiguar esa pieza que no está funcionando como debería. Esta puede estar compuesta por varios elementos que pondremos a prueba con el test, desarrollando 2 variables con modificaciones distintas en cada una.

Las hipótesis deben estar fundamentadas en datos y no en opiniones. Para ello deberemos acudir a la información básica de nuestro embudo de conversión:

• Las cifras recogidas por le herramienta de análisis que empleamos
• Lo que sabemos sobre nuestro target
• El estudio de los componentes del embudo de conversión.

Aferrarse a una hipótesis

Existe el riesgo de que nuestro convencimiento, o el largo tiempo dedicado a una hipótesis, nos ciegue, y en lugar de pensar y desarrollar una nueva, sigamos obstinados en comprobar una hipótesis que igual es errónea.

Aplicar el test sobre una muestra pequeña

La muestra sobre la que se fundamente el test A / B debe ser significativa y debe tener un tamaño considerable. De hecho, este tipo de test está recomendado para aquellas webs que cuenten con un volumen de tráfico considerable. De lo contrario, el resultado del test no será válido. De ahí la importancia de calcular el tamaño de muestra correctamente.

Detener el test antes de tiempo

La paciencia debe ser una virtud en este tipo de tests, porque si paramos el experimento demasiado pronto corremos el riesgo de obtener un falso positivo, es decir, que la opción ganadora no habrá surgido como consecuencia de una muestra significativa sino como fruto del corto periodo de tiempo que ha estado en ejecución. Por eso, se recomienda mantener el test una duración mínima de 1 mes para disminuir el margen de error.

Fallos en el uso de las herramientas

En ocasiones nos equivocamos durante la configuración de los tests, lo que puede acabar alterando su resultado. Por eso se recomienda aplicar eventos de Google Analytics con los que agrupar las acciones más importantes que se produzcan tanto en el Test A como en el B.

Ignorar los costes y las oportunidades

Realizar un test A / B puede ser beneficioso pero también debemos asumir riesgos, por eso debemos conocer las ventajas que podemos conseguir y cuánto nos puede costar, tanto a nivel de recursos como de mano de obra.

Cómo afecta el Test A / B al SEO

Existe la posibilidad de que las pruebas de Test A / B acaben repercutiendo en el posicionamiento SEO de la web, por lo que deberemos vigilarlo. Entre los posibles problemas que puede ocasionar destacamos:

• La duplicidad de contenido: si usamos URLs diferentes para realizar diversas versiones del Test A/B, Google puede considerarlo contenido duplicado y penalizarnos.
• La indexación de la prueba descartada: existe la posibilidad de Google decida indexar la URL de las variaciones del test e incluirla en el buscador, incluso cuando hayamos eliminado esa página de nuestra web.
• La penalización por ocultación: si mostramos un contenido para los bots del buscador y otro para los usuarios sin un cambio en la URL para la modificación del test, Google nos sancionará.

Evita que Google te penalice con estos consejos

Existe la posibilidad de minimizar el impacto de los test A/B en nuestro posicionamiento, pero para ello deberemos tener en cuenta las siguientes recomendaciones:

• Establecer una URL canónica: pero solo en el head de la URL del test (y no de la plantilla en caso de usar WordPress)
• Evitar indexación de la URL de la prueba: en este caso tenemos 4 opciones:
  • Configurar el archivo robots.txt: para indicarle a Google que no indexe esa URL
  • Disallow: en la URL correspondiente al test
  • Etiqueta “noindex”: pero sólo se añade en el <header> de la URL del test
  • Quitar la URL del experimento en Google Webmaster Tools
• Aplica redirecciones 302: que dirijan de la URL de control a la de prueba. Este tipo de redirecciones son temporales lo que nos permite indicarle a Google que esa redirección solo durará un tiempo concreto: la duración del test A/B.
• Quitar la URL de prueba cuando acabe el test y hacer una redirección 301: a diferencia de las anteriores, estas redirecciones son permanentes y transfieren el pagerank de una URL a la otra. De esta forma mantenemos la URl de control, sin perder el peso orgánico que tiene por antigüedad y evitamos que aparezcan links internos rotos.
• No ocultar: evita ofrecer un contenido y otro basado en el user-agent.

¿Qué tipos de test A/B se pueden hacer y medir?

Las opciones de test A/B varían en función del objetivo, la forma o la tecnología aplicada:

• Test A/B según objetivo:
  • Test para Landing Page
  • Test para el subjet de un envío de email
  • Test para los incentivos y aceleradores de compra
  • Test para un copy descriptivo de un producto
  • Test para la distribución de contenidos
  • Test para los colores de recursos como botones
  • Test para los claims y call to actions
• Test A/B según la forma:
  • Test A/B común
  • Split test o test por redirección
  • Test multivariante o MVT
• Test A/B según tecnología:
  • A/B testing en sitios web
  • A/B testing en aplicaciones nativas de iOS y Android
  • A/B testing del lado del servidor a través de API

¿Qué es el test multivariante o MVT?

Este tipo de A/B testing se usa para medir el efecto de cada una de las variaciones que se han hecho en una página y cómo influye en el conjunto.