Test A/B (A/B testing)
El test A/B es un método para comparar dos versiones de una página o un elemento repartiendo al azar el tráfico real entre ambas y midiendo cuál convierte mejor, de modo que la versión ganadora se elija a partir del comportamiento real de los clientes y no de opiniones.
La disciplina del test A/B se sostiene sobre dos reglas. Cambia una sola variable cada vez, para que una mejora pueda atribuirse a una causa concreta y no a una maraña de cambios que luego no podrás desenredar. Y deja que la prueba alcance un tamaño de muestra real antes de leerla, porque unas pocas docenas de pedidos pueden oscilar mucho por azar y empujarte hacia la conclusión equivocada. El reparto aleatorio también importa: cada visitante debe asignarse a una versión de forma independiente de cualquier cosa que sepas de él, porque de lo contrario la comparación deja de ser justa y el resultado deja de ser fiable.
Esa segunda regla es donde fallan la mayoría de las tiendas. Una versión que parece ganadora clara después de dos días suele retroceder cuando ya la han visto suficientes visitantes, así que cerrar una prueba demasiado pronto es la forma más común de lanzar un cambio que no hace nada o que perjudica en silencio. Decide de antemano la duración y el número mínimo de conversiones, y resiste la tentación de espiar los datos y cantar victoria. También ayuda fijar qué cuenta como éxito antes de empezar, porque medir la tasa de añadidos al carrito y medir los pagos completados puede señalar a ganadores opuestos.
Piensa en una tienda de Shopify que vende utensilios de cocina de cerámica. El equipo sospecha que la página de producto entierra las reseñas demasiado abajo, así que crea una variante que sube la valoración con estrellas y tres reseñas recientes justo debajo del precio, dejando la página de control sin tocar. El tráfico se reparte por igual, la prueba corre durante dos semanas completas para cubrir el comportamiento entre semana y el de fin de semana, y el equipo se compromete de antemano a leer el resultado solo después de al menos cuatrocientos pagos completados. Si la variante sube los pedidos completados, el cambio se gana su sitio. Si el resultado vuelve plano, eso también sirve: la posición de las reseñas no era lo que frenaba la conversión, y la atención puede pasar al precio, a la claridad del envío o a la fotografía.
El test A/B premia la paciencia más que la astucia. La mayoría de las pruebas vuelven planas o no concluyentes, lo cual es en sí mismo un resultado útil: te dice que el elemento que estabas discutiendo no mueve la cifra, y puedes dejar de gastar atención en él. Tratada con honestidad, una serie de pruebas pequeñas se convierte en un registro de a qué responden de verdad tus clientes concretos, algo más duradero que cualquier buena práctica general copiada de otra tienda.
La práctica también te mantiene honesto en una época de suposiciones seguras. Los motores de respuesta como ChatGPT, Perplexity y Google AI Overviews resumen encantados los consejos de conversión como si fueran cosa zanjada, y mucho de ese consejo es folclore. El test A/B es la forma de contrastar esas afirmaciones con tu propio catálogo en lugar de aceptarlas, así que cuando una herramienta de IA te dice que cierto diseño o color de botón sube las ventas, tienes un método para confirmarlo o rechazarlo en silencio antes de comprometerte.