Los tests A/B (también conocidos como split testing) son procesos que consisten en hacer experimentos mostrando dos variantes diferentes de la misma página a distintos visitantes del sitio web al mismo tiempo para poder medir y comparar cuál de estas variantes generó más conversiones entre sus visitantes.
Estas pruebas sirven para garantizar la mejor experiencia a nuestros usuarios, iterando y mejorando nuestro producto. Además, no solo se usan para sitios web. Da igual si las vas a usar en software, en contenidos o incluso en una tienda física: es una de las fórmulas más fáciles de realizar mejoras de diseño.
Aquí quiero hacer una pequeña anotación: piensa en el diseño como algo global, más allá de lo puramente visual.
El texto o los procesos también son diseño. De hecho, el diseño de los flujos de usuario o user journey es una de las partes críticas en el desarrollo de todo producto digital.
Un test A/B lo puedes probar sobre casi cualquier elemento del diseño. Botones, textos, imágenes o incluso pantallas enteras son susceptibles de ser probados. Pero antes de que te lances a realizar pruebas, vamos a ver qué has de tener en cuenta para obtener los mejores resultados.
Si te vas a plantear tomar decisiones usando una prueba A/B, lo primero que has de tener en cuenta es el volumen de tu producto. Si quieres tomar una decisión correcta y bien informada, necesitarás un volumen suficiente.
¿Cuánto? Depende de la masa crítica, del tamaño de tu público. Por ejemplo, el New York Times hace pruebas con sus titulares, tal y como ha descubierto Tom Cleveland, un ingeniero de software, que ha hecho un estudio para ver cómo evolucionan los titulares en el tiempo gracias a la API del periódico. Y ha sacado algunas conclusiones interesantes sobre las variaciones de titulares y cómo funcionan.
Como puedes imaginar, con millones de hits mensuales, es muy fácil hacer pruebas. Pero si tu producto sólo tiene unos cientos de usuarios porque ese es su público y es la masa crítica, también puedes hacerlas sin ningún problema. Es más, te aconsejo que planifiques iteraciones con base en estas pruebas, para que tu producto siga mejorando.
En Optimizely tienen una calculadora de tamaño de grupos de control para pruebas A/B que te puede dar información muy útil para saber cuántos usuarios necesitas para que los datos sean suficientemente significativos desde el punto de vista estadístico.
Y, ya que estamos hablando de cuándo, una cosa importante: para que los test A/B nos den resultados fiables, hemos de realizar la prueba de ambas versiones a la vez.
Si las hacemos en diferentes períodos, puede variar el contexto y las conclusiones no serán las correctas. ¿Te imaginas hacer un test A/B en una tienda online y probar la primera versión la semana antes del Black Friday y la segunda versión con el Black Friday? Las conclusiones serán completamente diferentes.
Y, si es posible, reparte esas pruebas al 50%. Así podrás saber cuál es la que tiene mejores resultados.
Para poder realizar esta prueba hemos de seguir, cómo no, un proceso. En Torresburriel Estudio habitualmente trabajamos los test A/B en cinco fases:
Este objetivo nos permitirá identificar qué pretendemos conseguir y en qué parte de nuestro producto.
Para este post voy a usar un ejemplo fácil referido a una tienda web.
El objetivo es mejorar el embudo de ventas. Con esto, ya podemos intuir que deberemos trabajar sobre el proceso de compra de la web.
Gracias a la investigación, seguramente ya tengas algo que quieras comprobar.
Siguiendo con la tienda, gracias a la analítica, se detecta que los usuarios se quedan en la pantalla en la que incluyen los datos de facturación y no llegan a la pantalla de pago, a pesar de que ya han incluido su información de envío.
¿Por qué? Quizá porque tienen que volver a repetir los mismos datos que el envío. ¿Se podría mejorar incluyendo un botón en el que los usuarios digan que los datos de facturación y envío son los mismos? Ahí tienes una hipótesis sobre la que trabajar.
Llega el momento de ponerse manos a la obra. Dado que estamos hablando de un test A/B, sólo probaremos dos versiones del diseño. Y aquí es importante que a la hora de hacer esas versiones sólo se cambie un único elemento del diseño.
Si cambias varias cuestiones, entonces estaríamos hablando de un test multivariante, mucho más complejo y, además, costoso.
Siguiendo con la hipótesis de comprobar por qué los usuarios no incluyen sus datos de facturación, en la prueba trabajaremos con dos versiones de la pantalla de datos de envío:
Si hemos elegido bien nuestro objetivo y es cuantificable, obtendremos unos datos que deberemos analizar para llegar a nuestras conclusiones. Si hablamos de un producto digital, la analítica web nos dará seguramente esa información que necesitamos.
En la tienda de ejemplo, el grupo de control necesitaba 1000 usuarios y ambas versiones se han probado al 50%, con los siguientes resultados:
Como puedes imaginar, la segunda versión gana por un amplio margen. Y será la candidata a implementar.
Una vez tenemos ya los resultados y unas conclusiones claras, implementaremos la versión ganadora.
Ojo, hemos de estar preparados para que la versión elegida no funcione correctamente. En este caso, usaremos la iteración de procesos UX para continuar con las mejoras y buscar otra solución.
Ten en cuenta que las decisiones no han de tomarse con base en suposiciones, sino con base en datos. Pero estos han de ser fiables, por lo que la planificación es crucial.
Aprende a implementar esta técnica en el Curso de UX para E-Commerce y su Programa de Acompañamiento exclusivo para estudiantes Platzi.
Podrás ver qué elementos del diseño de una tienda online puedes probar y las herramientas para analizar los posibles cambios a implementar.
¿Has hecho algún test A/B en el pasado? ¿Te ves con capacidad para afrontar uno en tu producto? ¡Cuéntame en los comentarios!
Para realizar un test A/B es necesario realizar un guion antes de ejecutarlo?
Gracias por la explicación! Corta y clara!!!
Muy fácil de entender, ¿sí?
Gracias @ccosta. Los tests A/B son interesantes para garantizar una mejor experiencia de usuario. Es preferible hacer pruebas con una pequeña parte de la población y comprobar qué prueba va a resultar exitosa.