Test A/B: Ser o no ser

Sin dolor, sin ganancia y sin pistas. Para convertir el tráfico que traen sus anuncios en ventas, necesita optimizar constantemente su sitio mejorando la experiencia del usuario, cambiando el comportamiento del usuario y aumentando su tasa de conversión. Pero, ¿cómo puede asegurarse de que los cambios que implemente producirán los resultados esperados? Para eso están las pruebas A/B. En el artículo te contamos qué es el A/B testing, cómo realizarlo y a qué matices merece la pena prestar atención.

Las pruebas A/B en marketing son lo mismo que las pruebas divididas: una comparación de dos variantes de la página de un sitio web que difieren en un solo parámetro. El objetivo de las pruebas A/B es determinar cuál de estas dos opciones es más efectiva y genera más conversiones.

Digamos que usted vende software. Tiene una página de destino con una descripción del producto y un botón en la parte inferior de la página para suscribirse a una versión de prueba. Para aumentar el número de suscriptores, decide agregar un botón más en la página de destino para aquellos que ya conocen su producto o prefieren probarlo de inmediato sin leer los detalles.

Para verificar si su hipótesis es correcta, que obtendrá más suscriptores al agregar otro botón, cree una copia de la página de destino original y agregue un botón. Luego, divide a los visitantes de la página en dos grupos: uno al que se le mostrará la página original (variante A), el otro al que se le mostrará la página actualizada (variante B). Al final de la prueba, compara los indicadores de rendimiento (en nuestro ejemplo, el número de suscripciones) y determina el ganador.

Veamos algunas de las principales cosas que nos ayudan a lograr las pruebas A/B (o pruebas divididas).

1. Comprende mejor a tus usuarios y dales lo que quieren . No importa cuánto tiempo haya estado haciendo comercio electrónico y marketing en línea, sería un error confiar únicamente en su experiencia personal.

Incluso si parece que puede predecir el comportamiento de los usuarios del sitio web y comprender exactamente cómo organizar el contenido para que se muevan lo más rápido posible a través del embudo de ventas, realice una prueba A/B. Los resultados pueden sorprenderle.

Como muestra la práctica, nuestras suposiciones no siempre coinciden con la realidad. Por lo tanto, no podemos decidir qué es lo mejor para nuestros clientes basándonos únicamente en nuestras propias creencias.

2. Confíe en los datos sobre la opinión de los expertos. Un segundo desafío, que surge del primero, es la factibilidad de realizar cambios en el sitio y minimizar los riesgos involucrados.

A menudo, las hipótesis se basan en puntos de vista personales que pueden no coincidir con los puntos de vista de la audiencia. Como resultado, los cambios introducidos sin las pruebas A/B no tienen el efecto deseado o, lo que es peor, reducen las conversiones.

Por lo tanto, cuando se enfrente a la pregunta de qué usar para la toma de decisiones (datos u opiniones de expertos), elija siempre datos.

3. Personaliza la comunicación con los clientes. Los clientes usan diferentes dispositivos, provienen de diferentes fuentes, interactúan de manera diferente con su sitio, navegan y compran diferentes productos...

Los servicios de análisis web como Google Analytics y Yandex.Metrics lo ayudan a combinar estos datos y sistematizar el conocimiento sobre los usuarios. Los especialistas en marketing recopilan información sobre qué páginas visitaron los usuarios y qué hicieron en ellas. Esto permite dividir la audiencia en varias decenas o cientos de segmentos y conocer, por ejemplo, cómo se comportan los usuarios que provienen de tráfico orgánico o de pago.

Pero no siempre usamos esta información correctamente y no siempre le sacamos el máximo provecho. Un ejemplo simple: la mayoría de los proyectos en línea aún muestran el mismo contenido a todos los usuarios, independientemente de su comportamiento y fuente de tráfico:

Si está haciendo eso, una prueba dividida puede ayudarlo a solucionar la situación y personalizar el contenido de su sitio.

Ahora echemos un vistazo a las principales etapas (y matices) de las pruebas divididas:

Lo primero que debe hacer es identificar una lista de debilidades en su sitio. Para hacer esto, puedes:

• Explore los datos en Google Analytics y otros sistemas de análisis web para ver qué páginas tienen altas tasas de falla, baja profundidad de desplazamiento y bajas tasas de conversión.
• Utilice Webvisor y haga clic en mapas de calor para comprender cómo los usuarios interactúan con los elementos de su sitio.
• Analice casos de soporte o entreviste a clientes activos para ver qué se están perdiendo en el sitio.

Por ejemplo, supongamos que mira el embudo de comercio electrónico mejorado en Google Analytics y ve que muy pocas personas agregan un determinado artículo al carrito de compras. Al mismo tiempo, tiene un punto de venta fuera de línea y sabe que este producto es popular. En este caso, lo más probable es que algo ande mal en tu tienda online.

Una vez que haya decidido qué arreglar, debe pensar exactamente cómo lo arreglará. Sin una hipótesis A/B, las pruebas no tienen sentido: el valor de sus hallazgos será pequeño. Debe comprender claramente el propósito del experimento, qué elemento de la página web probará y qué resultados cuantitativos desea lograr.

Al formular la hipótesis, presione contra su embudo de conversión. Pregúntese: ¿Qué debo cambiar en una parte de la página para mover al usuario a través del embudo más rápido?" Marque una hipótesis por prueba; de lo contrario, será difícil definir qué cambio afectó el resultado final en qué medida.

Qué se puede probar:

• Color, tamaño, texto y ubicación de los botones de conversión
• Encabezados: cambie el texto; hacerlo más corto, más interesante y más relevante
• Formularios: reduzca la cantidad de campos o agregue información sobre herramientas y complete ejemplos
• Landing: cambie la estructura de la página, la fuente o la paleta de colores
• Contenido: agregue fotos y videos de alta calidad, llamados a la acción, ofertas promocionales, la palabra "gratis", etc.

Su elección de indicadores de rendimiento depende de su hipótesis y de los objetivos que desea alcanzar. Estos pueden ser los ingresos, la cantidad de compras, la tasa de conversión, el tamaño promedio del cheque, las aplicaciones y suscripciones, la tasa de fallas, etc.

El siguiente paso es asegurarse de que tiene todas las métricas necesarias implementadas y registradas, sobre la base de las cuales sacará conclusiones al final de la prueba. En nuestro trabajo, hemos encontrado casos en los que los clientes han identificado debilidades y formulado hipótesis, pero no han prescrito correctamente un sistema de métricas para que puedan entender que la tasa de conversión ha cambiado precisamente por un cambio en un botón, por ejemplo, y no debido a otros factores.

Considere los siguientes factores antes de ejecutar su experimento:

• Tamaño mínimo de muestra. Para asegurarse de que los resultados de su prueba sean estadísticamente significativos y confiables, determine el número requerido de participantes. Puede hacerlo con calculadoras en línea gratuitas como Abtasty y Optimizely. Supongamos que la tasa de conversión de su página de destino original es del 5 % y espera que la versión de prueba de la página alcance el 7 %. El efecto mínimo visible en este caso será del 40%. Introduce estos números en una calculadora y verás que necesitas un mínimo de 1964 personas por variante:

• Factores externos: estacionalidad, días festivos, acciones, clima, tipo de cambio de moneda, etc. Para que los factores externos no distorsionen los resultados del experimento, es importante mostrar ambas versiones de la página en paralelo durante el mismo período.
• Pruebe primero las conversiones de macros. Si establece un objetivo para visitar una determinada página, es probable que los usuarios lo logren pero no realicen una transacción o no realicen otra acción objetivo. Siempre es necesario pensar en su embudo como un todo para comprender qué acciones de los usuarios en el sitio son de mayor prioridad.
• Tenga en cuenta el tipo de dispositivo. Si inicia un experimento en todo el tráfico a su sitio web y tiene versiones móviles y de escritorio, verifique cómo se ve la opción de prueba en los dispositivos móviles.
• Excluya el tráfico interno para que las acciones de sus empleados en el sitio web no distorsionen las estadísticas. Esto se puede hacer en Google Analytics mediante el filtrado de direcciones IP.

Después de considerar estos factores, puede ejecutar la prueba. Un poco más adelante, le informaremos sobre las herramientas que puede utilizar para hacer esto.

Al final del experimento, analice los resultados. Por ejemplo, digamos que la tasa de conversión original en su página de destino era del 3 %, supuso que podía aumentarla al 5 % y la variante de prueba mostró un 3,5 %. La tasa de conversión ha aumentado, pero solo un poco. Ahora debe decidir si introducir el cambio en el sitio o intentar otra hipótesis.

Puede verificar si los resultados de la prueba dividida tienen importancia estadística utilizando una calculadora en línea o métodos estadísticos.

Lea más sobre el poder estadístico, la longitud de la muestra, los intervalos de confianza, la importancia estadística y cómo medirlos en nuestro artículo sobre estadísticas en análisis web, o cómo convertirse en un verdadero científico de datos.
Si el proceso es exitoso y ha recibido datos confiables, traiga el ganador de la página de destino al sitio y continúe con el siguiente experimento.

Posibles errores al analizar los resultados:

• Evaluación prematura de resultados. Recomendamos realizar una prueba dividida durante al menos 14 días. Puede hacer una excepción a esta regla si la tarea está activada, está probando cambios menores que no afectan la funcionalidad global del sitio (por ejemplo, ha cambiado el color de un botón) y está usando Google Optimizar. Si ve en su informe de Optimize que la nueva opción gana con una probabilidad del 80-90%, puede detener el experimento. Es poco probable que los indicadores cambien drásticamente.
• La evaluación de los resultados en un umbral de validez inferior al 95 % es otra métrica de los informes de Optimize. Cuando realiza un experimento, Google Optimize considera la validez del resultado final. Si está por debajo del 95%, Optimize recomendará continuar con el experimento. Puede ver este umbral en la pestaña con un experimento activo.
• Ignorar los resultados de las pruebas como menores. ¿Quién no quiere duplicar las conversiones de una sola vez? Sin embargo, incluso un aumento de la tasa de conversión tan modesto (a primera vista) del 2% al 3% no es un mal resultado. Especialmente si los cambios en la página de destino fueron pequeños.
• No verificar los indicadores globales de su sitio. Después de todo, debe verificar los indicadores globales de su sitio, no solo los que eligió como parte del experimento. Un solo parámetro puede no ser suficiente para evaluar el efecto de los cambios. Por ejemplo, el tamaño promedio del cheque puede disminuir y los ingresos totales pueden aumentar al aumentar la tasa de conversión. Por lo tanto, monitoree todos los KPI interconectados.

Para ejecutar una prueba A/B, debe crear una versión de prueba de la página, segmentar su audiencia y calcular las métricas objetivo para cada segmento por separado. Si tiene habilidades de programación y suficientes recursos, puede ejecutar una prueba A/B manualmente. Pero es más fácil y conveniente hacerlo con la ayuda de herramientas especiales.

Hemos preparado una pequeña tabla que compara las herramientas populares de prueba dividida:

En OWOX BI, usamos Google Optimize para las pruebas, por lo que nos centraremos más en las características de esta herramienta.

Optimize es un servicio en línea que está conectado a su sitio web y le permite experimentar con diferentes formas de mostrar contenido.

Optimize le permite utilizar los datos que ha acumulado en Google Analytics para ofrecer a un usuario la versión de la página que será más conveniente para él y más rentable para su negocio.

• Completitud de los datos . Para configurar y analizar un experimento, es posible utilizar propósitos y segmentos de Google Analytics. Puede trabajar con las métricas habituales de Google Analytics que conoce y ama.
• Amplias oportunidades de personalización. Después de completar con éxito una prueba, puede configurar una demostración de diferentes contenidos utilizando audiencias y variables de Google Analytics que se implementan, por ejemplo, en dataLayer en Google Tag Manager. Si los experimentos le permiten mejorar la productividad de su sitio web para el usuario promedio, entonces la personalización basada en información sobre los usuarios le permitirá lograr mayores retornos dentro de cada segmento.
• Integración con otros productos de Google para una orientación y análisis más profundos (Google Ads, Data Studio, Tag Manager, etc.)
• Una interfaz conveniente que es fácil de entender . El editor visual le permite configurar y comenzar nuevos experimentos sin la participación de los desarrolladores. Reduce significativamente el tiempo para llevar a cabo un experimento.
• Afecta mínimamente la velocidad de carga de la página.
• No es necesario resumir datos manualmente, preparar informes y aplicar fórmulas estadísticas para verificar los resultados. Google Optimize hace todo por sí mismo.

• Hasta el momento, Google Optimize no se puede utilizar para probar aplicaciones móviles.

• No puede programar pruebas. Es decir, si desea preparar decenas de pruebas pero no puede iniciarlas al mismo tiempo por alguna razón, o si hay restricciones en la versión gratuita sobre la cantidad de pruebas simultáneas, o si no desea probar decenas de opciones en la misma audiencia, eso podría convertirse en un problema. Deberá iniciar cada prueba manualmente en la interfaz. Esta no es una deficiencia crítica, pero aún así puede hacer esto en algunos otros servicios.
  

Google Optimize funciona de manera similar a otras herramientas para realizar experimentos y personalización:

1. Primero, debe crear variaciones de páginas, ventanas emergentes y otros objetos que le mostrará al usuario.
2. Luego, debe determinar los objetivos (métricas) mediante los cuales determinará la opción ganadora. Estas pueden ser las métricas integradas en Optimize (número de páginas vistas, duración de la sesión, transacciones, ingresos y tasa de fallas) o cualquier objetivo personalizado de Google Analytics.
3. Después de eso, debe identificar la audiencia que participará en el experimento y lanzarlo. En esta etapa, debe decidir cuánto riesgo puede asumir mostrando la opción de prueba a los usuarios. Puede distribuir el tráfico entre dos opciones por igual o, por ejemplo, hacer una división 20/80. Además, en esta etapa, debe elegir a qué parte de la audiencia le mostrará el experimento. ¿Mostrar a todos, o tomar el 20% y distribuir sus dos opciones entre ellos? ¿Por qué querrías hacer esto? En caso de que tenga una tienda grande, no está seguro de su hipótesis y no quiere arriesgar la mitad del tráfico.

Además de las clásicas pruebas A/B, en Optimize puedes ejecutar pruebas multivariantes (en las que tienes múltiples elementos cambiantes en múltiples combinaciones) y redireccionadas (para páginas con diferentes URL y diseños).

Puede obtener más información sobre la interfaz y la configuración de Google Optimize en nuestro artículo sobre cómo realizar su primera prueba A/B con Google Optimize.

Con los informes en Google Optimize, puede monitorear los resultados durante su experimento y analizar los datos recopilados inmediatamente después de que finalice.

Términos de los informes de Optimize:

• Mejora: el rango probable para la tasa de conversión
• Probabilidad de ser la mejor: la probabilidad de que esta opción sea mejor que todas las demás
• Probabilidad de superar la línea de base: la probabilidad de que esta opción genere una tasa de conversión mejor que la original
• Tasa de conversión: la tasa de conversión promedio prevista
• Conversiones: el número de sesiones con conversiones

Cómo se determina el ganador
Google Optimize utiliza la inferencia bayesiana para generar estadísticas. Sin entrar en detalles, esto significa que durante el experimento, puede ver en los informes de Optimize la probabilidad de que la variante B sea la ganadora antes de que finalice el experimento. Si la probabilidad alcanza cierto nivel, es posible terminar el experimento antes de lo previsto y ahorrar tiempo y dinero.

Además, el equipo de Google tiene previsto implementar un mecanismo de redistribución del tráfico a favor de la mejor opción antes de que finalice el experimento. Esto le ahorrará dinero, ya que menos usuarios verán una opción ineficaz durante la prueba.

Si integra Optimize con su cuenta de Google Analytics, podrá navegar y analizar los resultados de las pruebas en la interfaz de Google Analytics en la sección Comportamiento/Experimentos :

Si su experimento fue exitoso, puede implementar la opción ganadora en su sitio web.

• Optimize 360 ​​demuestra ser una solución precisa sin codificación para probar la experiencia del usuario en su sitio
• Cómo realizar tu primera prueba A/B: Automatiza el proceso con Google Optimize
• Estadísticas en analítica web, o cómo convertirse en un auténtico científico de datos
• Seminario web gratuito: Google Optimize para pruebas y personalización
• Tutoriales en vídeo
• Glosario de términos
• Introducción al editor visual
• Implementar Optimizar
• Centro de ayuda de Optimize
• Diferencias en los informes de Optimize y Google Analytics
• editor visual

PD: si necesita ayuda para ejecutar pruebas A/B y crear métricas personalizadas para su negocio, envíenos un correo electrónico a [email protected] o complete el formulario de contacto en nuestro sitio.