Al momento de tomar una decisión, son las experiencias pasadas (y sus sesgos) las que, de manera más o menos subconsciente, hacen que una persona elija una cosa sobre otra. Preferir un color, precio u otro atributo ante un conjunto de posibilidades determinado, está relacionado con aspectos personales y contextuales, que lejos están de ser objetivos.
Para las marcas, la posibilidad de minimizar la incertidumbre acerca de qué mueve las decisiones de sus consumidores significa tomar decisiones más informadas. En ese sentido, las pruebas A/B son diseños experimentales que permiten, tal como un investigador en un laboratorio, controlar las variables y experimentar con un producto.
El auge de este tipo de pruebas es tan grande, que existen múltiples relatos acerca de cómo el cambio de color de un sitio web o la modificación del texto de un Call to Action ayudaron a compañías a obtener ganancias de millones de dólares. Lo cierto es que no hay empresa digital que no realice cientos o miles de pruebas A/B/Z por año para optimizar sus KPIs.
Los beneficios de estos experimentos son múltiples, pero ante todo se relacionan con el costo de oportunidad. La repetición sistemática y estratégica de experimentos puede acercar a una empresa al máximo nivel de beneficio posible que determinado producto, experiencia o diseño puede otorgarle.
¿Qué tipos de pruebas A/B se pueden realizar?
Este tipo de pruebas se pueden utilizar en múltiples escenarios (desde el lanzamiento de productos hasta diseñar user journeys), pero una de las aplicaciones más frecuentes es en el desarrollo y optimización de sitios web.
Las tres estrategias principales son:
Test A/B: Es el test más sencillo. Sirve para evaluar modificaciones de una misma página que cuentan con la misma dirección URL.
Split test: A diferencia de las A/B, que funcionan directamente desde el editor gráfico, las pruebas de URL divididas alojan las diferentes versiones en URLs distintas.
Tests Multi-Variantes (MVT): Mide el impacto de cada modificación que se realiza en una página. Funcionan igual que los test A/B, con la diferencia que permiten comparar un gran número de variables e interacciones.
¿Qué tipos de sitios utilizan experimentos controlados?
Lead generation: Estos sitios ayudan a los visitantes mientras recopilan información para convertir una visita en un prospecto. Es una experiencia que comunica cierto producto, servicio y su marca a los prospectos según sus necesidades y expectativas. En este caso, la personalización es clave para alcanzar la mayor tasa de conversión de visitas a leads.
Medios: El principal activo de estos sitios web es el contenido. Los test suelen estar enfocados en evaluar la performance de un tipo de contenidos en particular o en personalizar el contenido para cada tipo de usuario.
E-commerce: Son los sitios que más implementan experimentos controlados (A/B testing) Gracias a estas pruebas, evalúan constantemente el rendimiento de sus actualizaciones y se aseguran de siempre contar con el rendimiento óptimo de su activo digital.
El primer paso para realizar experimentos A/B
Los experimentos A/B solo ayudarán a comprender el comportamiento de los usuarios si se encuentran basados en datos. La primera fase de formulación de hipótesis es crítica. Será posible comprender el comportamiento de los usuarios una vez definida la hipótesis, que debe estar sustentada sobre el análisis de la información disponible. Luego, las herramientas permitirán recopilar los datos necesarios para comprobar las hipótesis definidas.
Durante años, las pruebas A/B han demostrado su valor en las organizaciones a la hora de explorar, entender y optimizar, tanto sitios web como servicios y productos. Llevado a la práctica, acerca un enfoque valioso para personalizar los múltiples puntos de contacto del viaje del usuario y permite acelerar el proceso de innovación a través de una experimentación confiable y un aprendizaje sistemático.
Para conocer más sobre qué elementos es posible probar en una prueba A/B y cómo desarrollar experimentos controlados, R/GA desarrolló el Playbook: “La experimentación A/B en la era de la personalización predictiva”.
