Para los que somos firmes defensores del Test como herramienta de mejora de rentabilidad, nos es fácil decir que siempre deberíamos estar testando nuestras diferentes piezas de marketing digital. Eso sí, hay que evaluar dónde realmente está el “quiz” determinante en conseguir mejores resultados y no testar de forma infructuosa y perder tiempo, dinero y recursos.
Además, testar supone un conocimiento de ese usuario “oculto” que de otra forma no conoceríamos. Qué anuncios les atraen más, qué landings rellenan con más decisión, qué email funciona mejor (asunto, creatividad), y un largo etcétera de combinaciones que se pueden crear.
Teniendo claro, que tenemos que invertir en mejorar y aprender de nuestros usuarios y potenciales clientes, el test A/B es la forma más sencilla de poner en práctica nuestro objetivo.
Un test A/B consiste en crear diferentes versiones de la pieza que queremos evaluar (no tienen que ser 2, si tienes suficiente tráfico, pueden ser más, pero siempre variando una sola variable en cada pieza para no confundir resultados), y publicarla a diferentes targets de forma aleatoria evitando añadir nuevas variables por un mal planteamiento de timing, o forma de mostrarlo para recoger datos y evaluarlos estadísticamente.
En este gráfico puedes ver el ciclo completo de un test a/b:
A raíz de nuestra definición, os comentamos cuáles son las bases de un test A/B que abarcan saber que se va a testar para poder compararlo en las diversas versiones y así analizar bien los resultados y aprovecharse de ellos para optimizar las acciones.
Qué puedes testar
Se puede testar casi cualquier cosa:
- Creatividades en home, landings, emails, etc.
- Imágenes
- vídeos
- Copy
- Formularios: ubicación, campos, etc.
- Momentos: cuándo enviar un email, días, horas, cuándo poner un anuncio, etc.
- Call to actions
- Flujos de compra
- Incentivos
- En campañas SEM: keywords, momentos, anuncios, landings, concordancias, etc.
- Emails: asuntos, “de”, creatividad, momentos, aspectos de usabilidad, etc.
Analizar resultados
La primera cuestión para este aspecto es el número de alternativas que vas a trabajar, cuantas más variantes, más tráfico necesitas, si el cálculo de muestra estimada es 14.000, si tienes dos alternativas, será en torno a 28.000, pero si son 4, llegaría a 56.000 visitas.
El número de muestra varía a su vez en función de los índices de conversión que obtienes y la disparidad entre ellos, si van muy empatados la muestra se incrementa mucho más, incluso pueden ser millones para sacar un test y no tener viabilidad sacar un ganador claro.
Sobre esto hay mucha literatura, y la mayoría muy imprecisa, diciendo cosas como que con 1.000 es suficiente, o una semana... No hagas caso a esas sugerencias, necesitas utilizar una calculadora de test a/b o plataforma de test a/b si tienes recursos para saber cuándo estadísticamente una opción es ganadora.
Si se puede mantener el test más de una semana para que la estacionalidad semanal se elimine, mejor. La anual es difícil, pero he visto test que funcionaban de una forma en noviembre y de otra en febrero, el humano es así y la estacionalidad es un factor importante en el comportamiento.
No obstante, los test A/B son normalmente rápidos de realizar si tienes al menos cierto volumen de tráfico y fáciles de sacar conclusiones, pudiendo realizar mejoras espectaculares en resultados sólo variando pequeñas cosas que te sorprenderán, es una gran inversión en conocimiento.
Aprovechando los resultados
Lógicamente, una vez sepas cuál es nuestra opción ganadora, llega el momento de implementarla, y si es posible considerarla una regla para el futuro o expandirla. Pero cuidado con esto, el usuario cambia, no siempre funciona todo igual en todos los sitios y momentos etc, no extrapolemos con tanta facilidad y no generemos reglas de oro para todo.
Llevemos un registro lo más detallado posible, no seamos vagos en esto, o veremos cómo volvemos a dudar de cómo hicimos un test, qué conclusiones sacamos, etc. Por esto es muy importante registrarlo todo, imagen de las variantes, fechas en las que se realizaron, resultados numéricos absolutos, relativos y estadísticos, etc. Y comparte esa información en la organización para generar una dinámica enriquecedora de conocimiento.
Si te ha gustado este artículo, también podría interesarte:
¿Qué podemos testar con un test A/B?
