¿Qué es un test A/B? Guía para principiantes sobre el proceso en 6 pasos, la significancia estadística y el tamaño de muestra

HeatMapX Engineering Team56 min read
  • ab-testing
  • cro
  • how-to
  • beginners

Resumen del artículo

  • El test A/B es un método en el que divides a los visitantes al azar, muestras la página original (A) y una página modificada (B) durante el mismo periodo, y comparas con números cuál rinde mejor
  • Una simple comparación de antes y después no permite separar el efecto de tu cambio del de las temporadas, los anuncios, los días de la semana, etc. Ejecutar ambas versiones al mismo tiempo es el corazón del test A/B
  • El proceso tiene 6 pasos: objetivo y métrica → hipótesis → crear la variante → ejecutar → juzgar → aplicar. Define el tamaño de muestra necesario (la cantidad de datos) y la duración antes de empezar
  • La "significancia estadística" es una guía para saber si una diferencia es difícil de explicar solo por la variación aleatoria. Un valor p no es "la probabilidad de que B esté ganando"
  • La mayoría de los fracasos vienen de "revisar los resultados una y otra vez y detener el test antes de tiempo", "cambiar demasiadas cosas a la vez" y "ejecutar el test durante demasiado poco tiempo"
  • En sitios con poco tráfico, aún puedes obtener más información útil cambiando de enfoque, por ejemplo centrándote en cambios más grandes o mirando una métrica de una etapa más temprana

"Quizá cambiar el titular consiga más registros." "¿No debería el botón estar más arriba en la página?" Cuando gestionas un sitio web, las ideas de mejora no dejan de llegar. Pero saber si un cambio realmente mejorará o empeorará las cosas es algo que no se puede conocer hasta probarlo. E incluso si tus números suben después de un cambio, a menudo es imposible saber si el mérito es del cambio o si simplemente esa semana aumentaste la inversión en anuncios.

Cuando quieres confirmar el efecto de un cambio separándolo de otros factores, se usa un test A/B.

Este artículo explica qué significa un test A/B y cómo funciona, y luego repasa los pasos prácticos, cómo redactar una hipótesis, cuántos datos y cuánto tiempo necesitas, qué significa realmente "diferencia significativa" y los errores que más cometen los principiantes. Aparecen algunas estadísticas, pero mantengo las fórmulas al mínimo y doy prioridad a entender las ideas. Todos los ejemplos de cálculo de este artículo usan números hipotéticos elegidos a modo de ilustración.

¿Qué es un test A/B?

Un test A/B es un método en el que muestras al azar a los visitantes una de dos versiones de una página y comparas cuál produce mejores resultados, usando datos del mismo periodo. A veces se le llama "split testing" (prueba de división).

  • A (control / la versión original): la página actual. Es la base de comparación
  • B (variante / la versión modificada): una página con una parte cambiada. Es la idea que quieres probar

Por ejemplo, muestras la versión A a la mitad de tus visitantes y la versión B a la otra mitad, y luego comparas el porcentaje de cada grupo que completó un registro. Este porcentaje se llama tasa de conversión (CVR). Una conversión es una acción que quieres que los visitantes realicen en tu sitio, como una compra, un registro o una solicitud de materiales.

El nombre "test A/B" viene de comparar dos versiones, pero también puedes comparar tres o más a la vez (esto se llama test A/B/n). La idea es la misma.

Cómo funciona: dividir al azar y comparar al mismo tiempo

Tres mecanismos hacen que funcione un test A/B.

Cómo funciona un test A/B: los visitantes se dividen al azar entre A y B, se muestran ambas versiones durante el mismo periodo y se comparan las tasas de conversión (los números son ejemplos)

1. Los visitantes se asignan al azar. Que un visitante vea A o B lo decide la herramienta con números aleatorios. No lo elige una persona, ni la división sigue una regla como "A por la mañana, B por la tarde". La asignación aleatoria hace que las diferencias entre visitantes, como nuevos frente a recurrentes, móvil frente a escritorio, o personas que llegan desde anuncios frente a las que llegan desde buscadores, queden mezcladas en proporciones aproximadamente iguales tanto en A como en B.

2. Ambas versiones se ejecutan durante el mismo periodo. A y B se muestran al mismo tiempo. Por eso las influencias externas, como las rebajas, las temporadas, una mención en televisión o las oscilaciones según el día de la semana, afectan a A y a B de la misma manera.

3. La misma persona sigue viendo la misma versión. Si alguien asignado a B ve A en su siguiente visita, ya no puedes saber qué versión influyó en su registro. Por eso la mayoría de las herramientas usan una marca almacenada en el navegador (como una cookie) para seguir mostrando la misma versión al mismo visitante.

Cuando se cumplen estas tres condiciones, la única diferencia entre A y B es "lo que cambiaste en la página". Por eso, cuando los resultados difieren, es más fácil atribuir la diferencia al cambio. Es la misma idea que la de los ensayos controlados aleatorizados que se usan para probar los efectos de los medicamentos, aplicada a los sitios web.

Por qué necesitas los tests A/B: lo que las comparaciones de antes y después no pueden decirte

Quizá te preguntes: "¿Por qué no cambiar la página y comparar los números de antes y después, sin dividir a los visitantes?". Esto se llama comparación de antes y después. Es fácil, pero tiene una gran debilidad: no puedes separar el efecto de tu cambio del de otros factores.

Los números de tu sitio se mueven de un día a otro aunque no cambies nada en la página. Los factores que los mueven incluyen:

  • Temporadas y eventos: temporada de bonos, cierre del año fiscal, días festivos, el clima, etc.
  • Anuncios y campañas: aumentos o reducciones de la inversión publicitaria, cambios en los destinos de los anuncios, envíos de boletines por correo electrónico
  • Día de la semana y hora del día: los visitantes de entre semana y los de fin de semana pueden diferir en tipo y propósito
  • Cambios en las fuentes de tráfico: variaciones en el posicionamiento en buscadores, volverse viral en redes sociales, referencias desde otros sitios
  • Competidores y mercado: una bajada de precios de un competidor, la cobertura en medios

En una comparación de antes y después, si alguno de estos factores coincide con el periodo posterior a tu cambio, no puedes saber si una variación en los números se debe a tu cambio o a otra cosa. Aunque los números hayan subido después del cambio, es posible que el cambio en sí haya perjudicado y que un aumento de anuncios lo estuviera ocultando.

Un test A/B muestra A y B durante el mismo periodo, de modo que estos factores afectan a ambos por igual. Después miras la diferencia que queda, lo que facilita aislar el efecto del cambio por sí solo.

Ilustración: en una comparación de antes y después, el efecto de los anuncios y otros factores se mezcla con el efecto del cambio, mientras que en un test A/B ambas versiones se comparan en el mismo periodo y solo queda la diferencia

Otra razón es que la intuición de quien construye y las reacciones de los visitantes a menudo no coinciden. No es raro que una idea que todos en la empresa coincidían en considerar "más fácil de entender" no funcione con los visitantes reales. El test A/B es también una forma de decidir según lo que los visitantes realmente hacen, no según quién habla más fuerte o quién tiene el cargo más alto.

Lo que un test A/B puede y no puede decirte

El test A/B es potente, pero no puede decírtelo todo. Saber de antemano en qué es bueno y en qué no ayuda a evitar interpretar mal los resultados.

Lo que puede decirte

  • Si un cambio aumentó, redujo o apenas modificó la métrica que elegiste (como la tasa de registro)
  • Si la diferencia es lo bastante grande como para que la variación aleatoria por sí sola tenga dificultades para explicarla

Lo que no puede decirte o en lo que no es bueno

  • Por qué hubo una diferencia: el motivo es una conjetura. Considéralo junto con otros datos
  • Efectos a largo plazo: solo ve el comportamiento durante el periodo del test. A menudo no puede decirte nada sobre la retención o las tasas de cancelación meses después
  • Comparaciones con ideas que no probaste: sabes cuál de A y B es mejor, pero no si existe una opción C mejor
  • Pequeñas mejoras en páginas con poco tráfico: puede que no haya datos suficientes para saberlo en uno u otro sentido, exista o no una diferencia (la sección de más abajo sobre este tema explica qué hacer)

Además, el test A/B es "una herramienta para comprobar ideas", no "una herramienta para dar con buenas ideas". La calidad de las ideas que pruebes depende de cómo construyas tus hipótesis.

Tipos de tests A/B: en qué se diferencian de las pruebas multivariante y de redirección

Incluso dentro del "test A/B" hay varios métodos relacionados. Estos son los que aparecen con más frecuencia.

Tipo Qué compara Más adecuado para Ten en cuenta
Test A/B Versiones en la misma URL con una parte cambiada Comprobar el efecto de un único cambio, como un titular, un botón o una imagen Es la forma básica. Empieza por aquí
Test A/B/n Tres o más versiones Tienes varios candidatos de titular y quieres compararlos a la vez Cuantas más versiones, menos datos por versión y más largo el test
Prueba multivariante Combinaciones de varios elementos (p. ej., 2 titulares × 2 imágenes = 4 combinaciones) Quieres saber qué combinación de elementos funciona mejor Necesitas datos para cada combinación. Adecuada para páginas con mucho tráfico
Prueba de redirección (test de URL dividida) Páginas con diseños distintos creadas en URL separadas Quieres comparar una página nueva con un diseño sustancialmente distinto con la página actual La redirección puede retrasar ligeramente la visualización. Debes tener en cuenta a los buscadores
Test A/A Dos versiones idénticas Quieres comprobar si la división del tráfico y la medición de la herramienta funcionan correctamente Es un test de inspección, no de mejora

Una prueba multivariante cambia varios elementos a la vez y compara los resultados de cada combinación. Incluso puede mostrar lo bien que funcionan los elementos juntos, como "este titular combinado con esta imagen funciona mejor". Sin embargo, 3 titulares, 3 imágenes y 2 botones dan 18 combinaciones, y cada una necesita datos suficientes. Para sitios con tráfico limitado, es más realista ejecutar tests A/B uno tras otro.

Una prueba de redirección envía a algunos visitantes a otra URL y compara los resultados; también se llama test de URL dividida. Es adecuada para cambios grandes, como reconstruir la estructura de la propia página. Un test A/B normal, que reescribe elementos en la misma URL, es adecuado para probar rápidamente cambios pequeños como el texto o el color.

Fuera de la web, enviar dos versiones del asunto de un correo o de una creatividad publicitaria y comparar las respuestas también se llama test A/B. Este artículo trata del test A/B de páginas web.

Qué probar en un test A/B

Hay muchos elementos que se pueden probar. Estos son los típicos.

  • Titular (texto principal): pasar de describir características a describir el resultado que obtiene el visitante. El objetivo es transmitir "esto es relevante para mí" en los primeros segundos
  • CTA (botón de llamada a la acción): cambiar el texto, la posición, el tamaño o el color. El objetivo es dejar clara la siguiente acción
  • Imagen o vídeo principal: comparar una foto del producto solo con una foto de él en uso. El objetivo es transmitir el valor de forma intuitiva
  • Formularios: reducir el número de campos, dividirlos en pasos, añadir ejemplos de entrada. El objetivo es reducir el esfuerzo y la duda
  • Cómo se muestran los precios: cómo se presentan los precios mensuales y anuales, el orden de los planes, dónde aparece el precio con impuestos incluidos. El objetivo es facilitar la comparación y la decisión
  • Información que genera confianza: trayectoria con clientes, testimonios, ubicación de la información de garantía y soporte. El objetivo es reducir la ansiedad antes de registrarse
  • Diseño y orden de la información: subir la información clave, acortar una página larga. El objetivo es ayudar a los visitantes a llegar antes a la información que necesitan
  • Navegación: cambiar el número de elementos del menú o su redacción. El objetivo es reducir la confusión y guiar a los visitantes a la página que quieren

CTA significa "Call To Action" (llamada a la acción). Se refiere a un botón o enlace que invita a los visitantes a actuar, como "Regístrate" o "Solicita materiales".

Como regla, decide por dónde empezar según la cercanía al resultado y cuánto se ve. Los lugares que conectan directamente con los resultados, como los botones de registro y los formularios, y la parte superior de la página que ven muchos visitantes, son donde los cambios tienen más probabilidades de mostrar efecto. En cambio, un cambio pequeño cerca del final de una página a la que la mayoría nunca llega tarda mucho en detectarse aunque funcione.

El "color del botón" se cita a menudo como ejemplo de test A/B, pero un cambio de color por sí solo no produce necesariamente una gran diferencia. Más importante que el color en sí es si el problema es que el botón se confunde con su entorno y pasa desapercibido. Qué cambiar debe deducirse de la hipótesis, de la que hablamos a continuación.

Cómo hacer un test A/B [6 pasos]

Un test A/B avanza en los siguientes 6 pasos. Lo importante es definir la métrica, la cantidad de datos necesaria, la duración y los criterios de juicio antes de empezar a ejecutarlo.

Define el objetivo y la métrica

Reduce lo que quieres mejorar a una sola cosa y decide la métrica que lo mide. Exprésalo de una forma que se pueda medir con números, como "aumentar la tasa de finalización de la solicitud de materiales". Usa una sola métrica para juzgar (la métrica principal).

Formula una hipótesis

Escribe "dónde está el problema, qué vas a cambiar y cómo, y por qué crees que mejorará las cosas". Basarte en datos como los de análisis web y mapas de calor reduce las conjeturas.

Crea la variante que vas a probar

A partir de la hipótesis, crea la versión modificada (B). Para poder saber qué funcionó, limita los cambios a lo que cubre una hipótesis. Comprueba cómo se ve tanto en móviles como en escritorio.

Decide los datos y la duración necesarios, y ejecuta

Estima el tamaño de muestra necesario y la duración del test, decide la asignación de tráfico y después empieza. Justo después de empezar, comprueba que la división del tráfico y la medición funcionan correctamente.

Juzga cuando termine el periodo

Mira los resultados solo cuando hayas alcanzado la duración y el volumen de datos que decidiste de antemano. Comprueba la diferencia en la métrica principal y si esa diferencia está dentro de lo que la variación aleatoria podría explicar.

Aplica el resultado y pasa a la siguiente hipótesis

Adopta oficialmente la versión que lo hizo mejor y limpia la configuración del test. Aunque no hubiera diferencia, registra lo que aprendiste y úsalo para la siguiente hipótesis.

Las siguientes secciones explican con más detalle el razonamiento de cada paso.

Cómo elegir tu objetivo y tus métricas

Ayuda organizar las métricas según su función.

  • Métrica principal: la métrica que decide quién gana el test. Elige solo una. Algunos ejemplos son la tasa de finalización de compra, la tasa de finalización de solicitud de materiales y la tasa de registro gratuito
  • Métricas secundarias: métricas que miras para entender cómo se movió la métrica principal. Algunos ejemplos son la tasa de clics en el botón, la tasa de inicio del formulario y la profundidad de scroll
  • Métricas de control (guardrail): métricas que vigilas para asegurarte de que nada empeoró. Algunos ejemplos son la tasa de rebote, la velocidad de carga de la página, las devoluciones o cancelaciones y el número de consultas

La razón para limitarse a una sola métrica principal es que, si alineas muchas métricas y lo das por un éxito cuando cualquiera de ellas mejora, es probable que acabes eligiendo una métrica que parecía mejor puramente por casualidad. Es el problema de las "comparaciones múltiples", que vuelve a aparecer en una sección posterior.

Elige una métrica principal que esté lo más cerca posible de los resultados de negocio. Puede ocurrir que la tasa de clics en el botón suba pero los registros no. Un texto que invita a hacer clic consigue que más gente pulse el botón, pero si lo que viene después no coincide con sus expectativas, se van.

Por otro lado, las métricas con pocas ocurrencias, como las compras o los contratos, tardan más en reunir datos suficientes. Para sitios con tráfico limitado, una opción es convertir una métrica de una etapa más temprana (como llegar al formulario) en la métrica principal. En ese caso, es importante recordar la premisa de que "aunque mejore la métrica temprana, el resultado final no mejorará necesariamente".

Cómo redactar una hipótesis: convertir los datos de comportamiento en una razón para cambiar

El éxito de un test A/B depende en gran medida de la calidad de la hipótesis. Si sigues probando ideas sin hipótesis, acabas con una serie de tests que no muestran diferencia y, aun cuando la haya, no puedes aprovecharla.

Redactar la hipótesis con la siguiente forma reduce los huecos.

"A partir de (un hecho visto en los datos), creemos que (una conjetura sobre el problema). Por lo tanto, si (hacemos este cambio), (esta métrica) debería mejorar."

Como ejemplo, supongamos la siguiente situación (hipotética).

  • Hecho: en la página de precios, pocos visitantes hacen scroll lo suficiente como para llegar al botón de registro
  • Conjetura sobre el problema: el botón está demasiado abajo, así que incluso los visitantes que quieren registrarse no lo encuentran
  • Cambio: colocar también un botón de registro justo debajo de la tabla de planes
  • Métrica: tasa de finalización del registro

Redactarla así te permite mirar atrás cuando lleguen los resultados y preguntarte si "la conjetura era errónea o el cambio no fue suficiente".

Los datos que pueden alimentar una hipótesis incluyen los siguientes.

  • Análisis web: qué páginas tienen mucho abandono, qué fuentes de tráfico tienen malos resultados. Útil para encontrar qué "página" tiene un problema
  • Mapas de calor: hasta dónde se lee en la página, dónde se hace clic, si se hace clic en cosas que no son enlaces. Útil para encontrar qué "lugar" tiene un problema
  • Consultas y registros de ventas o de soporte: de qué están confundidos y preocupados los visitantes
  • Encuestas y entrevistas con usuarios: pistas sobre motivos que no aparecen en los números

Un mapa de calor es una herramienta que superpone el comportamiento de los visitantes sobre la página como zonas de color más claras y más oscuras (consulta ¿Qué es un mapa de calor? para ver los tipos y cómo leerlos). Te ayuda a encontrar puntos problemáticos dentro de una página, como "no se hace clic en un botón importante" o "muchas personas dejan de leer a mitad de la página". Para el reparto de funciones, en el que encuentras problemas con un mapa de calor y compruebas la solución con un test A/B, consulta Mapas de calor frente a tests A/B: diferencias y cómo usar cada uno.

Cuando tengas varias hipótesis, ordénalas según tres puntos: "tamaño esperado del impacto", "solidez de la evidencia" y "esfuerzo de implementación". Empezar por las que tienen un impacto esperado alto y poco esfuerzo facilita avanzar.

Entender el tamaño de muestra

El tamaño de muestra es la cantidad de datos necesaria para el test, es decir, el número de visitantes que vieron cada versión. En un test A/B, esto se estima antes de ejecutarlo. Si los datos son muy pocos, con más frecuencia no encontrarás una diferencia que sí existe y, aun cuando aparezca por casualidad una diferencia significativa, su tamaño tiende a parecer mayor de lo que realmente es.

El tamaño de muestra necesario lo determinan principalmente estos cuatro factores.

  1. Tasa de conversión actual: cuanto más baja es, más datos necesitas
  2. Tamaño de la diferencia que quieres detectar: cuanto menor es la diferencia que quieres encontrar, más datos necesitas. La diferencia más pequeña que quieres poder detectar, aceptando no detectar nada menor, se llama efecto mínimo detectable (MDE)
  3. Nivel de significancia: cuánto error de declarar "hay una diferencia" cuando no la hay estás dispuesto a aceptar. Se usa habitualmente el 5%
  4. Potencia estadística: la probabilidad de encontrar una diferencia cuando realmente existe. Se usa habitualmente el 80%

De estos, el segundo es el que más impacto tiene. Cuando la diferencia que quieres encontrar se reduce a la mitad, la cantidad de datos necesaria aumenta unas 4 veces.

Aquí tienes un ejemplo de cálculo para darte una idea aproximada. Son números aproximados de visitantes necesarios por variante, suponiendo una tasa de conversión actual del 2.0% (calculados con una fórmula estándar para comparar dos proporciones, con una prueba bilateral, un nivel de significancia del 5% y una potencia del 80%).

Mejora que quieres detectar (relativa) Tasa de conversión tras el cambio Visitantes necesarios por variante (aprox.)
+10% 2.0% → 2.2% unos 80,700
+20% 2.0% → 2.4% unos 21,100
+30% 2.0% → 2.6% unos 9,800
+50% 2.0% → 3.0% unos 3,800

Tamaño de muestra necesario según el tamaño de la mejora que quieres detectar: unos 80,700 para +10%, unos 21,100 para +20%, unos 9,800 para +30%, unos 3,800 para +50%

Esta tabla muestra dos cosas. Primero, confirmar una mejora pequeña requiere más datos de lo que podrías esperar. Para confirmar una mejora del 10% en una página con una tasa de conversión del 2.0%, necesitarías más de 160,000 visitantes entre A y B combinados. Segundo, cuanto mayor es la mejora que busca un cambio, menos datos se necesitan para juzgarlo.

Cuando hagas la estimación real, las calculadoras integradas en las herramientas de test A/B o las calculadoras públicas de tamaño de muestra te dan la respuesta con solo introducir los cuatro valores. No necesitas memorizar la fórmula. Lo importante es decidir primero "qué tamaño de diferencia quiero encontrar" y luego comprobar si el tráfico de tu sitio permite llegar a ello en un tiempo realista.

Si el número necesario que estimas es demasiado grande, hay opciones además de renunciar a probar: centrarte en un cambio con probabilidades de producir una diferencia mayor, ejecutar el test en una página con mucho tráfico o mirar una métrica anterior en el embudo. La sección "Qué hacer en un sitio con poco tráfico" explica cómo.

Cómo decidir la duración del test

Estima la duración del test dividiendo el tamaño de muestra necesario entre el número de personas que visitan al día la página que se prueba.

Veamos un ejemplo. Supón que la tabla anterior indica que necesitas "unos 21,100 por variante". Digamos que la página objetivo recibe 1,000 visitantes al día, y supón que todos se incluyen en el test y se dividen a partes iguales entre A y B, de modo que cada variante recibe 500 al día. 21,100 ÷ 500 da unos 42 días, es decir, unas 6 semanas.

Al decidir la duración, ten en cuenta los siguientes puntos además de la cantidad de datos.

Usa semanas completas. El comportamiento de los visitantes cambia según el día de la semana. Entre semana pueden ser investigaciones relacionadas con el trabajo y los fines de semana compras personales, de modo que el tipo y el propósito de los visitantes pueden diferir. Si terminas tras solo cuatro días, de lunes a jueves, faltan las reacciones de los visitantes del fin de semana. Empezar y terminar el mismo día de la semana, en múltiplos de 7 días, evita el sesgo por día de la semana.

Evita un periodo demasiado corto. Incluso en sitios con muchísimo tráfico que alcanzan el número necesario en pocos días, una regla práctica habitual es ejecutar el test durante al menos 1 semana, idealmente 2. Además del sesgo por día de la semana, las reacciones pueden ser mejores justo después de un cambio solo por ser novedoso (o peores porque desconcierta a los visitantes recurrentes).

Evita también un periodo demasiado largo. Cuanto más tiempo se ejecuta un test, más perturbaciones se cuelan, como que se borren las cookies y la misma persona vea otra versión, o que cambien las temporadas y las condiciones del mercado. Si tu estimación supera con creces los 2 meses, recomendamos revisar el diseño del test (el tamaño de la diferencia que quieres detectar, la página objetivo y la métrica).

Evita los periodos inusuales. Los resultados de periodos en los que el comportamiento de los visitantes es muy distinto del habitual, como las grandes rebajas o las fiestas de fin de año, pueden no aplicarse a los periodos normales. A menos que quieras comprobar una medida específica de ese periodo, es más seguro evitarlos.

¿Qué es la significancia estadística? Una explicación sencilla de los valores p y los niveles de confianza

Cuando termina el test, obtienes un resultado como "A es 2.0%, B es 2.4%". Lo que debes plantearte aquí es si esta diferencia es real o solo casualidad.

Aunque muestres exactamente la misma página a dos grupos, sus tasas de conversión casi nunca coincidirán exactamente. Igual que lanzar una moneda 100 veces no siempre da exactamente 50 caras, los números tienen variación aleatoria. Por eso necesitas un procedimiento para comprobar "si la diferencia observada está dentro de lo que la variación aleatoria por sí sola podría explicar". Es el contraste de hipótesis estadístico, y el término para su conclusión es significancia estadística.

¿Qué es un valor p?

En un contraste, primero supones que "no hay realmente ninguna diferencia entre A y B". Luego calculas la probabilidad de ver por casualidad una diferencia al menos tan grande como la observada, si realmente no hubiera diferencia. Esa probabilidad es el valor p.

  • Un valor p pequeño → bajo el supuesto de que no hay diferencia, una diferencia como esta ocurriría rara vez → el supuesto de que no hay diferencia parece dudoso
  • Un valor p grande → una diferencia de este tamaño aparece con frecuencia por casualidad incluso cuando no hay diferencia → no puedes decir que haya una diferencia

Nivel de significancia y nivel de confianza

El umbral que indica cuán pequeño debe ser el valor p para concluir que "hay una diferencia" se llama nivel de significancia. Por convención, se usa habitualmente el 5% (0.05). Cuando el valor p cae por debajo del nivel de significancia, decimos que "hay una diferencia estadísticamente significativa".

En las pantallas de las herramientas de test A/B, a menudo verás indicaciones como "nivel de confianza del 95%" o "95% de confianza". Esto suele significar que la herramienta juzga con un nivel de significancia del 5% (el significado de lo que se muestra varía según la herramienta, así que consulta su documentación).

Un nivel de significancia del 5% es un acuerdo de que "aceptamos hasta un 5% de probabilidad de declarar una diferencia cuando realmente no la hay". Dicho de otro modo, si pruebas 20 cambios que no tienen ningún efecto, de media 1 de ellos aparecerá como "significativo". Una diferencia significativa no es una prueba de certeza; es una guía para mantener la probabilidad de error por debajo de un nivel establecido.

Malentendidos habituales sobre los valores p

Otros malentendidos habituales incluyen los siguientes.

  • "No significativo" no significa "no hay diferencia": incluye la situación en la que no hay datos suficientes para decir si existe una diferencia
  • Una diferencia significativa no tiene por qué ser de un tamaño relevante para tu negocio: con una cantidad de datos muy grande, hasta una diferencia diminuta resulta significativa. Mira también el tamaño de la diferencia
  • Un valor p más pequeño no significa un efecto mayor: el valor p también depende de la cantidad de datos

Comprobación con ejemplos de cálculo

Comprobémoslo con números hipotéticos. Supón que se asignan 10,000 visitantes a cada una de las versiones A y B.

  • Ejemplo 1: A tiene 200 conversiones (2.0%) y B tiene 240 (2.4%). El valor p es de aproximadamente 0.054, justo por encima del nivel de significancia del 5%. Aunque se aprecia una diferencia relativa del 20%, con esta cantidad de datos no puedes llamarla "significativa"
  • Ejemplo 2: A tiene 200 conversiones (2.0%) y B tiene 250 (2.5%). El valor p es de aproximadamente 0.017, por debajo del nivel de significancia del 5%

Con las mismas tasas, la conclusión cambia si hay menos datos. Si A y B tuvieran cada una 1,000 visitantes, con 20 conversiones (2.0%) para A y 24 (2.4%) para B, el valor p es de aproximadamente 0.54. Eso significa que, incluso sin diferencia, una brecha de este tamaño aparece por casualidad más de la mitad de las veces.

(Todos estos son ejemplos calculados con una prueba bilateral para la diferencia entre dos proporciones. Para los juicios reales, sigue el método que use tu herramienta.)

Mira también el intervalo de confianza

Un valor p tiende a convertirse en una pregunta de sí o no, "significativo o no", pero mirar el intervalo de confianza te da una idea del tamaño de la diferencia. Un intervalo de confianza es un rango dentro del cual se considera probable que caiga la diferencia real.

En el Ejemplo 1 anterior, la diferencia en la tasa de conversión (B menos A) es de 0.4 puntos porcentuales, y el intervalo de confianza del 95% resulta ser aproximadamente de −0.01 a +0.81 puntos porcentuales. Como el intervalo cruza el cero por muy poco, puedes interpretarlo como "B parece mejor, pero no podemos descartar que no haya diferencia". Un intervalo amplio es señal de que todavía no tienes datos suficientes.

Diferencias en la tasa de conversión e intervalos de confianza del 95% para los tres ejemplos de cálculo. Un ejemplo cuyo intervalo cruza el cero no puede llamarse significativo

Algunas herramientas muestran la "probabilidad de que B supere a A"

Algunas herramientas muestran un número como "la probabilidad de que B supere a A" en lugar de un valor p. Este valor se basa en un enfoque diferente llamado estadística bayesiana, y sus supuestos y su significado difieren de los de un valor p. Ninguno es simplemente correcto o incorrecto; son escuelas de pensamiento distintas. Lo importante es comprobar qué método usa el número que estás viendo y no confundirlos como si fueran el mismo tipo de número.

Cómo leer los resultados y qué hacer después del test

Cuando termine el periodo, comprueba los resultados en este orden.

  1. Si la división del tráfico fue como se diseñó: si configuraste una división a partes iguales, ¿están muy desequilibrados los números de visitantes de A y B? Si el desequilibrio es grande, puede haber un problema en la división o en la medición, y es peligroso fiarse de los resultados tal cual
  2. La diferencia en la métrica principal y su significancia: la dirección de la diferencia, su tamaño, el valor p y el intervalo de confianza
  3. Métricas de control (guardrail): mientras la métrica principal mejoró, ¿empeoraron otros números importantes?
  4. Métricas secundarias: pistas para pensar por qué obtuviste este resultado

Los resultados se dividen en tres casos amplios.

B fue significativamente mejor. Adopta B oficialmente. Sigue vigilando los números durante un tiempo tras aplicarlo para confirmar que continúa la misma tendencia que durante el test.

B fue significativamente peor. Quédate con A. Esto no es un fracaso; el resultado es que detuviste un mal cambio antes de mostrárselo a todos. Pensar por qué fue peor mejorará la precisión de tu siguiente hipótesis.

No hubo una diferencia significativa. En los tests A/B, este es uno de los resultados más comunes. En este caso, evita "alargar el test hasta que se vuelva significativo" una vez terminado el periodo previsto (la siguiente sección explica por qué). Cuando no hay diferencia, separa si la hipótesis era errónea, el cambio era demasiado pequeño o los datos eran insuficientes. Si los resultados son los mismos en ambos casos, está bien elegir la versión que sea más fácil de operar o que encaje mejor con las directrices de tu marca.

Mirar los resultados desglosados por dispositivo o fuente de tráfico (análisis por segmentos) también es útil, pero exige cautela. Cuanto más finamente segmentas, menos datos tiene cada grupo y más fácilmente captas diferencias casuales. Es más seguro tratar las tendencias encontradas al segmentar como "hipótesis que comprobar a continuación", no como "conclusiones".

Por último, conserva un registro del test. Reunir en un solo lugar la hipótesis, los cambios, la duración, la cantidad de datos, los resultados y las conclusiones evita repetir el mismo test y transmite lo aprendido incluso cuando cambia la persona responsable.

Errores habituales en los tests A/B y cómo evitarlos

Como el mecanismo del test A/B es sencillo, hacerlo mal puede producir una conclusión errónea acompañada de números de apariencia convincente. Estos son los errores típicos.

Error habitual Cuál es el problema Solución
Revisar los resultados repetidamente y detenerse en cuanto se vuelven significativos El error de llamar "significativa" a una diferencia casual se vuelve más frecuente que el nivel de significancia que fijaste Define de antemano los datos y la duración necesarios, y juzga cuando los hayas alcanzado
Cambiar muchos elementos a la vez Aunque haya una diferencia, no puedes saber qué funcionó Limita los cambios a lo que cubre una hipótesis
Un periodo de test corto Los resultados se ven afectados por el sesgo del día de la semana y las reacciones temporales justo después del cambio Ejecuta en múltiplos de 7 días, al menos 1 a 2 semanas
Juzgar con poco tráfico La variación aleatoria es grande y las conclusiones son inestables Estima de antemano el número necesario y replantea el diseño si no es suficiente
Sesgo por día de la semana o por temporada Los resultados de solo días laborables o de solo un periodo de rebajas no se aplican a los periodos normales Empieza y termina el mismo día de la semana y evita los periodos inusuales
Alinear muchas métricas y muchas variantes, y luego elegir solo la buena Cuantas más comparaciones haces, más probable es que algo parezca bueno por casualidad Decide una única métrica principal y limita el número de variantes
Probar sin hipótesis Aunque haya resultados, no queda ningún aprendizaje sobre el que construir Escribe el hecho, el problema, el cambio y la métrica antes de empezar
Cambiar la configuración o las variantes a mitad La naturaleza de los datos cambia antes y después, así que no se pueden comparar Si quieres cambiar algo, detén el test y empieza de nuevo como un test nuevo

El que requiere especial cuidado es el primero, el problema de "mirar de reojo" (peeking). Revisar el progreso intermedio de un test casi a diario es en sí mismo necesario para detectar problemas pronto. El problema es detener el test y declarar una victoria en el momento en que los resultados intermedios muestran una diferencia significativa.

Un valor p oscila hacia arriba y hacia abajo a medida que se acumulan datos. Incluso cuando realmente no hay diferencia, si lo revisas muchas veces, en algún momento puede caer por casualidad por debajo del nivel de significancia. Si te detienes en ese momento, el "error de declarar una diferencia cuando no la hay" se vuelve más frecuente que el 5% que habías planificado. La regla de esperar para juzgar hasta alcanzar el volumen de datos y la duración que decidiste de antemano existe para evitar este error.

Algunas herramientas también tienen un método de juicio diseñado para que los errores no aumenten aunque juzgues a mitad (como lo que se llama test secuencial). En ese caso, sigue el procedimiento que te indique la herramienta.

Una nota también sobre "cambiar muchas cosas a la vez". Aunque gane una B que cambia a la vez el titular, la imagen y el botón, no sabrás cuál funcionó. Es posible que el titular fuera bueno pero que la imagen lo perjudicara. Sin embargo, si tu objetivo es comparar una página completamente reconstruida con la actual, cambiar las cosas en conjunto tiene sentido. En ese caso, acepta que "no sabrás qué elemento funcionó" y compáralas con algo como una prueba de redirección.

Cómo entender la asignación de tráfico y la distribución A/B

Al configurar un test A/B aparecen dos ajustes de "porcentaje". Es fácil confundirlos, así que entiéndelos por separado.

  • Asignación de tráfico (la parte de visitantes incluida en el experimento): qué porcentaje del total de visitantes se incluye en el test. Los visitantes fuera del test simplemente ven la página original
  • Distribución A/B: en qué proporción se reparten entre A y B los visitantes incluidos en el test

Por ejemplo, si estableces la asignación de tráfico en 20% y la distribución A/B a partes iguales, el 80% de todos los visitantes queda fuera del test y ve la página original, el 10% está en el test y ve A, y el 10% ve B.

Ejemplo con una asignación de tráfico del 20% y una distribución A/B a partes iguales: el 80% de todos los visitantes queda fuera del test, el 10% ve A y el 10% ve B

Una distribución A/B a partes iguales es la opción por defecto. Con el mismo número de visitantes, repartir por igual reúne los datos necesarios más rápido. También puedes dar a B una parte menor, pero tienes que esperar a que el lado más pequeño reúna datos suficientes, así que la duración se alarga.

Elige la asignación de tráfico equilibrando riesgo y duración. Reducir la asignación de tráfico disminuye el número de visitantes afectados si el cambio sale mal. A cambio, hay menos visitantes en el test, por lo que se tarda más en reunir los datos necesarios. Un enfoque habitual es empezar un cambio grande con un impacto impredecible con una asignación de tráfico baja, confirmar que no hay problemas y ampliarla si todo va bien. Para un cambio de poco impacto, como cambiar algo de texto, es más sensato incluir a todos desde el principio y acortar la duración.

La diferencia entre los dos porcentajes se explica en Porcentaje de tráfico frente a distribución A/B en un test A/B, y el planteamiento de diseño se trata en Por qué el porcentaje de tráfico y la distribución A/B deben ser ajustes separados.

Tests A/B y SEO: cómo limitar el impacto en las búsquedas

Una preocupación habitual es si "el test A/B perjudicará mi posicionamiento en buscadores". Google publica orientaciones sobre cómo ejecutar tests limitando el impacto en las búsquedas, en la documentación de Google Search Central. Los puntos clave son los siguientes.

  • No hagas cloaking: mostrar intencionadamente contenido distinto a los rastreadores de los buscadores (programas que visitan y leen las páginas) y a los visitantes humanos se llama cloaking, y infringe las políticas de spam. Esto es así se esté ejecutando un test o no. Evita cualquier configuración que muestre una versión concreta solo a los rastreadores
  • Usa rel="canonical" en los tests con URL separadas: cuando pruebes en varias URL, como en una prueba de redirección, añade rel="canonical" (una etiqueta que indica a los buscadores cuál es la URL preferida) a las URL del test para indicar que la URL original es la página que debe priorizarse. Para este fin, Google recomienda rel="canonical" frente a noindex
  • Usa redirecciones temporales (302) para redirigir: al redirigir desde la URL original a una URL de test, usa 302, que indica una redirección temporal, en lugar de 301, que indica una permanente. También se dice que una redirección con JavaScript es aceptable
  • Ejecuta el test solo el tiempo necesario: una vez que hayas reunido datos suficientes, termina el test y elimina cuanto antes las URL de prueba, los scripts, etc. Google explica que ejecutar un test durante más tiempo del necesario puede interpretarse como un intento de engañar a los buscadores

En otras palabras, no dejar tests en marcha es importante no solo por la estadística sino también por las búsquedas. Completa todo el flujo: limpia los tests terminados y aplica en el propio sitio la versión que adoptaste.

Ten en cuenta que lo que se presenta aquí es un resumen de las orientaciones que Google ha publicado. El efecto en el posicionamiento en buscadores varía según el sitio, así que antes de ejecutar un test que implique un cambio grande, recomendamos consultar también el documento original y la documentación de tu herramienta.

Qué hacer en un sitio con poco tráfico

Como vimos en la sección sobre el tamaño de muestra, el test A/B necesita una cantidad considerable de datos. Entonces, ¿carece de sentido el test A/B para sitios con unos pocos miles de visitantes al mes? No necesariamente. Cambiar de enfoque puede darte más información útil.

Prueba cambios grandes. Cuanto mayor es la diferencia que quieres encontrar, menos datos necesitas. En lugar de cambios pequeños como retocar el texto de un botón, céntrate en cambios que puedan producir una gran diferencia: cambiar el atractivo central, reorganizar la estructura de la página o recortar drásticamente los campos del formulario.

Ejecuta los tests en páginas con mucho tráfico. Aunque el sitio en conjunto tenga poco tráfico, debería haber páginas donde se concentren los visitantes. Elige los lugares con más visitantes, como la página de inicio o las páginas que reciben tráfico de anuncios.

Usa una métrica de una etapa más temprana. Las compras y los contratos son pocos, así que detectar una diferencia lleva tiempo. Convertir en métrica principal una acción temprana más frecuente, como "llegar al formulario" o "ir a la página de precios", mantiene bajos los datos necesarios. Solo ten presente que una mejora en una métrica temprana no conduce necesariamente a una mejora en el resultado final.

Limítate a dos variantes. Añadir una tercera y una cuarta reduce los datos por variante. Mientras el tráfico sea bajo, compara solo A y B.

Establece la asignación de tráfico en 100% y la distribución A/B a partes iguales. Reducir la audiencia o usar una división desigual alarga la duración.

Permite un periodo más largo y acepta los límites si aun así no es suficiente. Si no puedes alcanzar el número necesario ni siquiera dejando unas 4 a 8 semanas, también tienes que decidir no empeñarte en resolverlo con un test A/B.

Cuando el test A/B no es una buena opción, otros métodos pueden ayudar.

  • Observa el comportamiento con mapas de calor: incluso con poco tráfico, puedes hacerte una idea de "dónde no se lee" y "dónde no se hace clic"
  • Pregunta directamente a los usuarios: con que unas pocas personas usen la pantalla mientras observas dónde se atascan, aparecen muchos problemas
  • Corrige los problemas evidentes sin probar: enlaces rotos, texto difícil de leer, botones que no funcionan y similares, donde cuesta imaginar que arreglarlos empeore las cosas, no necesitan esperar a una verificación

Tipos de herramientas de test A/B y cómo elegir una

Para ejecutar tests A/B necesitas una herramienta que se encargue de la división del tráfico, el cambio de lo que se muestra, la medición y los informes. Por su funcionamiento, hay dos tipos principales.

Del lado del cliente (client-side)

  • Cómo funciona: añades una etiqueta (un breve fragmento de código para la medición) a la página, y parte de la página se reescribe en el navegador del visitante
  • Quién la gestiona principalmente: profesionales de marketing y personal web. Muchas herramientas permiten crear cambios mediante operaciones en pantalla
  • Adecuada para: cambios visuales como el texto, las imágenes, los colores y el diseño
  • Ten en cuenta: puede producirse un "parpadeo" (flicker), en el que la visualización original se ve un instante antes de la reescritura

Del lado del servidor (server-side)

  • Cómo funciona: el código del servidor cambia lo que se muestra a cada visitante
  • Quién la gestiona principalmente: ingenieros. Se requieren cambios de código
  • Adecuada para: cambios que implican procesamiento en el back-end, como el cálculo de precios, el funcionamiento de la búsqueda o de los pedidos, y las funciones de una app
  • Ten en cuenta: la configuración y la operación requieren esfuerzo de desarrollo

Para el uso que supone este artículo, probar titulares y botones en páginas web, las herramientas del lado del cliente son las primeras candidatas.

Al elegir una herramienta, comprueba los siguientes puntos.

  • Si puedes crear los cambios mediante operaciones en pantalla o necesitas escribir código
  • Qué método estadístico usa para juzgar y cómo muestra los resultados
  • Si puedes configurar por separado la asignación de tráfico y la distribución A/B
  • Si admite pruebas de redirección
  • De qué depende el precio (número de visitantes, número de eventos rastreados, número de usuarios, etc.)
  • Si puedes verla junto con los datos que usas para construir hipótesis, como los mapas de calor

El fin de Google Optimize

Google Optimize, que se usaba ampliamente como herramienta gratuita de test A/B, se interrumpió en septiembre de 2023. Los sitios que habían estado usando Google Optimize han tenido que pasarse a otras herramientas.

Hoy hay diversas opciones: herramientas dedicadas de test A/B como Optimizely, VWO y AB Tasty; herramientas que combinan mapas de calor y test A/B, como Ptengine y SiTest, de origen japonés; y plataformas de experimentación para desarrolladores. Las funciones y el presupuesto que necesitas varían mucho según el tamaño de tu sitio, así que es importante elegir lo que encaja con tu propio uso. Para conocer las diferencias en rangos de precios y enfoques entre las principales herramientas, consulta Panorama de herramientas de test A/B 2026.

Sigue mejorando combinando mapas de calor y engagement en el sitio

El test A/B aporta más combinado con otras herramientas que usado solo.

El flujo de mejora es un ciclo que se repite de "encontrar → crear una corrección → verificar".

El ciclo de mejora: encontrar, crear una corrección, verificar con un test A/B y aplicar, repetido

  1. Encontrar: usa el análisis web para identificar las páginas con problemas y los mapas de calor para localizar los puntos problemáticos dentro de la página
  2. Crear una corrección: formula una hipótesis a partir del problema que encontraste y crea el cambio
  3. Verificar: usa un test A/B para comprobar si el cambio realmente mejora los resultados
  4. Aplicar y continuar: aplica la versión que lo hizo mejor y observa de nuevo la página modificada con un mapa de calor

Mirar un mapa de calor después de que lleguen los resultados del test A/B también es útil. Cuando gana B, comprobar cómo cambió el comportamiento de los visitantes (si se lee más abajo, si cambiaron los lugares donde se hace clic) te da pistas sobre "por qué fue mejor" y conduce a la siguiente hipótesis.

La mentalidad del test A/B también se aplica tal cual a las medidas de engagement en el sitio, donde en lugar de cambiar la propia página muestras una guía en un popup o una barra fija. Ya sea que compares mostrar frente a no mostrar, el texto o el momento de la visualización, el principio es el mismo: dividir a los visitantes al azar y comparar durante el mismo periodo. Los fundamentos del engagement en el sitio se explican en ¿Qué es el engagement en el sitio?.

Sobre HeatMapX

HeatMapX es una herramienta que te permite medir mapas de calor añadiendo una etiqueta a tu sitio, y puedes empezar con el plan gratuito Free (consulta la página de precios para ver los detalles de los planes). La función de test A/B se está desplegando por etapas. Empieza usando los mapas de calor para entender cómo se ve tu propio sitio; tener preparada una hipótesis sobre dónde experimentar te permite moverte rápido cuando empieces con los tests A/B.

Si quieres comparar herramientas de mapas de calor con otros productos antes de elegir, consulta también Comparativa de herramientas de mapas de calor.

Preguntas frecuentes sobre el test A/B

¿Qué es un test A/B, en términos sencillos?

Es un método en el que muestras al azar a los visitantes dos versiones de una página durante el mismo periodo y comparas con números cuál rinde mejor. A diferencia de comparar el antes y el después de un cambio, te permite comprobar el efecto de un cambio separándolo de otros factores como las temporadas y los anuncios.

¿Cuánto tiempo debe ejecutarse un test A/B?

Estímalo dividiendo el tamaño de muestra necesario entre el número de visitantes por día. Para evitar el sesgo por día de la semana, usa múltiplos de 7 días; una regla práctica habitual es ejecutarlo al menos 1 a 2 semanas. Aunque un sitio con mucho tráfico alcance el número necesario en pocos días, recomendamos continuar durante una semana. Por el contrario, si la estimación supera con creces los 2 meses, revisa el diseño.

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

No hay un único estándar. Depende de tu tasa de conversión actual y del tamaño de la diferencia que quieras detectar. En el ejemplo de cálculo de este artículo, confirmar una mejora relativa del 20% en una página con una tasa de conversión del 2.0% requirió unos 21,100 visitantes por variante. Si tu tráfico es bajo, puedes reducir el número necesario centrándote en cambios más grandes o usando una métrica de una etapa más temprana.

¿Qué debo hacer si no hay una diferencia significativa?

Evita alargar el test hasta que se vuelva significativo una vez pasado el periodo previsto. Registra que "este cambio no mostró una diferencia del tamaño que queríamos detectar" y revisa si la hipótesis era errónea o el cambio era demasiado pequeño. Si los resultados son los mismos en ambos casos, está bien elegir la versión que sea más fácil de operar. No haber diferencia significativa no es un fracaso; es un tipo de resultado.

Si el valor p es inferior a 0.05, ¿puedo decir que B es mejor?

No. Un valor p es "la probabilidad de ver por casualidad una diferencia al menos tan grande como la observada si realmente no hubiera diferencia", no "la probabilidad de que B sea mejor". Al juzgar con un nivel de significancia del 5%, aproximadamente 1 de cada 20 cambios que no tienen ningún efecto mostrará aun así una diferencia significativa. Comprueba también el tamaño de la diferencia, el intervalo de confianza y las métricas de control, y en los cambios importantes sigue vigilando los números tras aplicarlos.

¿Perjudica el test A/B al SEO?

Google publica orientaciones que indican que el impacto en las búsquedas puede limitarse si se siguen. Los cuatro puntos clave son: no mostrar contenido distinto a los rastreadores y a las personas, añadir rel="canonical" en los tests con URL separadas, usar 302 en las redirecciones y terminar el test y limpiar la configuración una vez pasado el periodo necesario. Para más detalles, consulta la sección "Tests A/B y SEO" más arriba.

Resumen: empieza con una hipótesis

El test A/B es un método que consiste en dividir a los visitantes al azar y compararlos durante el mismo periodo, de modo que puedas confirmar el efecto de un cambio separándolo de otros factores. Estos son los puntos clave de este artículo.

  • Cómo funciona: asigna a los visitantes al azar, muestra ambas versiones durante el mismo periodo y sigue mostrando a la misma persona la misma versión. Esto reduce la causa de cualquier diferencia a "lo que cambiaste"
  • Cómo proceder: 6 pasos de objetivo y métrica → hipótesis → crear la variante → ejecutar → juzgar → aplicar. Define la métrica, el volumen de datos, la duración y los criterios de juicio antes de ejecutar
  • Datos y duración: cuanto menor es la diferencia que quieres confirmar, más datos necesitas. Usa múltiplos de 7 días, al menos 1 a 2 semanas
  • Significancia: una guía para saber si una diferencia es difícil de explicar por casualidad. Un valor p no es "la probabilidad de que B esté ganando", y "no significativo" no significa "no hay diferencia"
  • Evitar errores: no te detengas por resultados intermedios, limita los cambios a lo que cubre una hipótesis y usa una única métrica principal
  • Cuando el tráfico es bajo: céntrate en cambios grandes, páginas con mucho tráfico y métricas de etapas más tempranas, y si no es suficiente, cubre los huecos con observación y entrevistas

Como siguiente paso, recomendamos elegir una página de tu sitio que esté lo más cerca posible de los resultados y reciba muchos visitantes, y empezar comprobando con datos los problemas de esa página. Usa mapas de calor y análisis web para encontrar "dónde parece haber un problema", y luego escribe una hipótesis que detalle los cuatro puntos: hecho, problema, cambio y métrica. Con una hipótesis en mano, puedes estimar los datos y la duración necesarios y diseñar tu primer test A/B.

Un solo test no cambiará necesariamente tus números de forma espectacular. Pero ir acumulando hechos verificados uno a uno es la base para mejorar un sitio sin depender de corazonadas.

Mapas de calor, pruebas A/B y engagement web: empieza gratis.

Pega una sola etiqueta para empezar. Conecta tu IA, como Claude, y pasa del análisis a las mejoras en una conversación.

¿Qué es un test A/B? Guía para principiantes sobre el proceso en 6 pasos, la significancia estadística y el tamaño de muestra