¿Qué es un test A/B?

El test A/B o A/B testing como su propio nombre indica es una técnica en la que tenemos dos versiones de un elemento, una actúa de grupo control y la otra versión es la que manipulamos y medimos para ver cuál tiene un mejor resultado.

Seguramente reconozcas esta situación, estás diseñando una landing de venta y en el slide principal no sabes que claim usar. Hay discrepancias y estás entre dos opciones, ¿Qué podemos hacer en esta situación? ¿Dejamos que el azar decida lanzando una moneda al aire? Aunque todo entorno está sujeto a variables que no podemos controlar, no podemos dejar al azar o a criterios subjetivos muchas de las decisiones que tenemos que tomar en un proyecto. Aquí es donde podemos incorporar un test A/B ya que nos permite apoyar decisiones de diseño y de negocio en datos.

¿Cómo hacer un Test A/B?

El test A/B se vasa en el modelo científico:

Investigación

Lo primero que tenemos que hacer es recopilar todos los datos disponibles, tanto cuantitativos como cualitativos. Hay veces que los datos cuantitativos nos muestran un problema, pero no nos lo describen. Vemos que hay un problema pero no nos dicen el por qué, para ello podemos echar mano de los datos cualitativos que nos pueden arrojar luz sobre la problemática que planteamos.

Hipótesis

Una hipótesis es un enunciado no verificado que se pone a prueba para determinar su validez. Además, una hipótesis debe de ser clara, verosímil y medible.

El planteamiento de una hipótesis viene de la teorización del problema en función de la documentación recogida. Es decir, toda hipótesis está respaldada por un marco teórico. Aquí no tienen cabida hipótesis como “yo creo que…” “a mi me parece…” nada de eso, aquí entran fundamentos teóricos y datos tanto cuantitativos como cualitativos. Como decimos esta hipótesis tiene que ser clara, cuantificable y que guarde una relación entre las variables. También hay que recordar que una hipótesis no tiene porque ser necesariamente verdadera, puede no serlo o no comprobarse.

Definir el experimento

Según la hipótesis que planteemos deberemos de definir las diferentes variables:

Variable independiente: La variable independiente es la variable que manipulamos. Por ejemplo, si en test A/B cambiamos el color de una “Llamada a la acción” el color del botón será nuestra variable independiente.

Variable dependiente:  La variable dependiente es la variable que medimos y que, según nuestra hipótesis variará según manipulemos la variable independiente, de ahí su nombre, esta variable depende de la independiente. Siguiendo con el ejemplo si nuestra hipótesis es que “Aportando más contraste al color de la llamada a la acción aumentarán el número de clic” nuestra variable dependiente será el número de clics en el botón.

Variables extrañas: En todo experimento hay una serie de variables extrañas que interfieren en los resultados. Dado que nuestro objetivo es que los cambios en la variable dependiente sean producidos por la variable independiente, debemos de controlar todas aquellas variables extrañas que puedan enturbiar los resultados.

Tipos de Test A/B

Test A/B

Como hemos descrito con anterioridad un test A/B es una técnica que nos permite evaluar una sola variable entre las variables a testar, lo que nos permite una atribución clara.

Test multivariante

En ocasiones puede resultar útil comparar más de dos versiones de una misma página, por ejemplo, siguiendo con el ejemplo de la llamada a la acción, en el test A/B sólo comparábamos una variable pero en el test multivariante podemos comparar:

• Posición del botón: “derecha” y “centro”.
• Texto del botón: “Regístrate” e “Inscríbete”.
• Icono en el botón: Con o sin icono.

Con una prueba multivariante lo que pretendemos comprobar es cuál de todas las configuraciones posibles ofrece un resultado mejor. Un tipo de test multivariante son los anuncios dinámicos de Facebook Ads, en los que combinan los diferentes textos, títulos e imágenes para ver cual ofrece un mejor resultado.

Multipágina o Split 

Este tipo de test lo que nos permite comparar son páginas totalmente diferentes o versiones diferentes. Aquí mostramos a un mismo público dos o más páginas diferentes pero con el mismo objetivo y medimos cual obtiene mejores resultados. Este tipo de test no nos permiten atribuir el éxito a algún elemento concreto.

Herramientas

Existen diversas herramientas para realizar test A/B, una herramienta que sirve para iniciarse es Google Optimize, permite realizar diferentes tipos de test, segmentar por audiencias y recientemente a incorporado la funcionalidad e personalización.

Además Google Optimize se integra con Google Analytics pudiendo hacer el seguimiento de los test desde el apartado Experimentos de la propia herramienta.

Caso de Test A/B

El caso que analizamos es una web del sector turístico que tiene un modelo de negocio basado en la afiliación, así la manera que tienen de monetizar es a través de los enlaces de afiliados que tienen en sus contenidos sobre viajes.

El problema venía cuando el incremento en el tráfico no era proporcional al número de clic en enlaces. Lo primero que hicimos fue un análisis del modelo de negocio y entender el problema de la baja tasa de clics en los enlaces de afiliación. Entender el modelo de negocio es importante ya que el objetivo del test A/B es incrementar el número de clics en enlace y, por tanto, incrementar la facturación del cliente.

Al ser un blog de viajes que monetizan a través de los enlaces de afiliación hay dos cosas. Por un lado, tienes un modelo que se basa en el contenido para atraer tráfico a través del canal orgánico. Por otra lado, tienes que colocar unos enlaces de afiliación que respondan a una intencionalidad de búsqueda. Un ejemplo, si nuestros contenidos hablan de viajar low cost porque nos posicionamos por keywords como “Que ver en Londres gratis” después, poner enlaces de afiliación a hoteles de lujo de Londres porque la comisión es más alta no es coherente con el público al que nos queremos dirigir con el contenido que elaboramos.

Aquí los contenidos y los enlaces de afiliación estaban bien dirigidos, pero el problema era que no se veían, no se podían identificar con facilidad. Como podemos ver en la imagen de abajo, en los posts había varios enlaces salientes y los enlaces de afiliados no estaban destacados.

 

Por lo tanto, aquí la hipótesis que planteamos es un poco como en el ejemplo que hemos puesto, “Si aumentamos la visibilidad de los enlaces de afiliados (Variable independiente) aumentarán los clics en los enlaces (Variable dependiente)”. Las variables extrañas las controlamos homogeneizando la población objetivo, es decir, partiendo de la base de que el público que accede tanto a la versión A como a la versión B tiene las mismas características asumimos que la distribución de esas variables extrañas es igual en ambas versiones.

Así lo que hicimos fue agrupar los enlaces de afiliados en cajas destacadas donde llamábamos a la acción del usuario.

En este caso usamos la herramienta Google Optimaze para realizar el experimento. Esta herramienta te permite realizar cambios en la página original generando una versión que puedes mostrar al 50% del tráfico de tu web o incluso a un segmento específico o los usuarios que entran a través de un determinado dispositivo. Las posibilidades son múltiples y dependerá de cómo diseñemos el experimento y de la hipótesis que queramos validar.

Después de realizar ese cambio, lo que hicimos fue hacer un seguimiento a través de Google Analytics, lo que vimos fue que en la versión original la tasa de clic era de un 23,68%,  nada desdeñable. Pero la variable tenía una tasa de clic del 53,22%, esto hizo que con solo manipular un elemento de diseño duplicáramos la tasa de clics en el enlace sin necesidad de incrementar el volumen de tráfico.

Este es un ejemplo de como aplicar un test A/B, como decimos hay muchas más aplicaciones y también hay que tener más variables en cuenta. Por ejemplo, en este caso dado al tráfico de la web y el tiempo que disponíamos para realizarlo no teníamos una muestra muy grande. Existen herramientas para analizar el tamaño de la muestra necesaria para saber si los resultados de un test son significantes como la calculadora de Optimizely.

En Bring Connections creemos que cualquier decisión que se tome debe estar sustentada en datos, si quieres conocernos puedes contactar con nosotros.