Um teste A/B compara duas versões de uma página por meio da distribuição aleatória dos visitantes, para avaliar se uma mudança ajuda a cumprir um objetivo. O Google Analytics 4 pode apoiar a mensuração, mas a criação e a entrega das variações exigem uma ferramenta de experimentação ou uma implementação própria.
Nota sobre este guia: o artigo original, publicado em 2019, mostrava a antiga seção Experimentos do Google Analytics. Esse percurso não corresponde ao GA4. Além disso, o Google Optimize e o Optimize 360 deixaram de estar disponíveis em 30 de setembro de 2023. A seguir, você encontrará critérios para desenhar um teste hoje e, ao final, as capturas originais identificadas como arquivo histórico.
O que é um teste A/B e para que serve?
Em um teste A/B, uma parte dos participantes vê a versão A e outra vê a versão B. Você pode comparar um título, um formulário ou até dois designs completos. A diferença importante em relação a comparar um mês com outro é que a distribuição experimental permite reduzir a influência de fatores externos, desde que o desenho e a mensuração sejam adequados.
O objetivo pode ser completar uma solicitação, assinar uma newsletter, comprar ou realizar outra ação relevante. Assistir a um vídeo ou clicar em um botão também pode ser medido, mas vale distinguir essas interações do resultado final de que o negócio precisa.
Os testes multivariados comparam combinações de vários elementos para estudar seus efeitos e relações. Exigem um desenho e um volume de observações compatíveis com a quantidade de combinações. Não são uma solução automática para qualquer grande reformulação: um teste A/B de dois designs completos pode avaliar qual funciona melhor, embora não identifique qual elemento explica a diferença.
Um teste A/B garante mais conversões?
Não. Pode encontrar uma melhoria, mostrar que uma mudança prejudica a jornada ou não oferecer evidências suficientes para decidir. Seu valor está em testar uma hipótese antes de ampliá-la. Não existe um percentual de aumento que possa ser prometido pelo uso dessa técnica.
Em campanhas pagas, melhorar a proporção de visitas que termina em uma ação valiosa pode influenciar o custo por aquisição. Para interpretar isso, revise também o custo do tráfego, a qualidade das solicitações e as vendas posteriores. Mais formulários nem sempre significam mais clientes.
Como preparar um teste A/B útil
1. Identifique uma dificuldade concreta
Comece com perguntas observáveis: por que uma página recebe visitas, mas poucos formulários preenchidos? Em qual etapa as pessoas abandonam? O botão é compreensível? Primeiro, verifique se não há links quebrados, erros no formulário ou problemas de mensuração. Uma falha conhecida deve ser corrigida, não mantida apenas para experimentar.
2. Pesquise antes de propor mudanças
Use a análise de dados para explorar navegação, interação e ações relevantes. No GA4, interprete as métricas conforme suas definições atuais; não transfira diretamente as conclusões da taxa de rejeição ou do tempo na página do antigo Analytics. Complemente os dados com testes de usabilidade, entrevistas ou mapas de calor e gravações, quando atender às condições de privacidade e consentimento aplicáveis.
Mapas de calor e gravações mostram sinais de comportamento; não revelam, por si só, o que uma pessoa pensa. O rastreamento ocular, ou eye tracking , pode estudar para onde o olhar se dirige, mas também não demonstra automaticamente compreensão ou intenção de compra.
O artigo original da Agencia Cero mencionava uma colaboração com a Agencia Mars para estudos com eye tracking. Preservamos a referência histórica; isso não implica que essa colaboração ou seus serviços continuem vigentes.
Se uma página com formulário tem visitas, mas poucas solicitações, investigue possíveis explicações: campos desnecessários, oferta pouco clara, dúvidas sobre o uso dos dados ou pessoas que ainda não estão prontas para entrar em contato. A observação orienta perguntas; não basta para estabelecer a causa.
3. Formule uma hipótese verificável
Por exemplo: “Se eliminarmos os campos de que não precisamos para responder a uma consulta, mais pessoas preencherão o formulário sem reduzir a qualidade das solicitações”. Defina a ação principal e uma medida de controle, como a proporção de contatos que a equipe consegue atender. Assim, você evita celebrar um aumento de envios que só gere trabalho improdutivo.
4. Decida qual diferença vai avaliar
Para isolar o efeito de um elemento, mude uma variável principal e mantenha comparáveis as demais condições. Se precisar comparar duas propostas completas, documente que avaliará o conjunto. Evite modificar campanha, oferta e formulário no meio do teste sem registrar: misturar mudanças dificulta a interpretação.
5. Defina amostra, duração e regra de decisão
Não há um mínimo universal de dias que garanta certeza. A duração depende do tráfego elegível, da frequência da ação, da diferença que interessa detectar, do método estatístico e do ciclo do negócio. Defina esses critérios antes de começar e use o cálculo de amostra ou o método de decisão da ferramenta escolhida.
Mais visitas não corrigem uma distribuição enviesada nem eventos duplicados. Inclua períodos comparáveis de atividade e evite encerrar o teste no primeiro resultado favorável. Um nível de confiança estatística não significa certeza absoluta sobre o resultado, e a interpretação depende do método utilizado.
6. Escolha elementos com uma razão para testá-los
- Títulos e subtítulos que expliquem a oferta.
- Parágrafos que resolvam dúvidas de compra.
- Depoimentos autênticos e autorizados.
- Chamadas para ação e links.
- Imagens pertinentes para a decisão.
- Campos, instruções e mensagens de erro do formulário.
Priorize mudanças que possam resolver uma dificuldade identificada. Testar cores sem uma pergunta clara pode consumir tempo e tráfego sem fornecer uma decisão útil.
7. Escolha ferramentas e verifique a mensuração
Para um teste no site, você precisa criar as variações, distribuir participantes de forma consistente e registrar qual versão viram e o que fizeram depois. O Google menciona integrações com AB Tasty, Optimizely e VWO em sua documentação sobre o encerramento do Optimize. Avalie funções, compatibilidade, privacidade e custos antes de escolher; não se trata de uma substituição gratuita automática.
O Unbounce, mencionado na versão original do artigo, também documenta testes A/B de suas landing pages. Revise o escopo do produto e o plano disponível para seu caso. Ter o Analytics instalado não equivale a dispor de um sistema completo de experimentação.
Como medir um teste no site com GA4 hoje
A documentação do Google para integrar experimentos distingue ferramentas externas e desenvolvimentos próprios. A ferramenta executa as variações; o Analytics recebe informações que permitem analisar seus resultados.
- Defina o resultado. Decida qual ação relevante será registrada e verifique se o evento ocorre corretamente. Um envio confirmado é mais útil que contar cada tentativa de clicar no botão.
- Prepare as variações e a distribuição. Documente o que muda e como a experiência de cada participante é mantida dentro do experimento.
- Conecte exposição e resultado. Em uma integração compatível, o evento de exposição e seu identificador de variação permitem distinguir grupos. Em uma implementação própria, defina parâmetros de experimento e variação e as dimensões necessárias, seguindo a documentação.
- Faça testes técnicos. Verifique variações, formulários e eventos no celular e no computador. Revise consentimento, duplicidades, tráfego interno e diferenças entre as ferramentas.
- Analise conforme o plano. Compare grupos e períodos do experimento com o mesmo critério. O GA4 ajuda a observar resultados; a validade estatística exige revisar o método e a qualidade dos dados.
Não envie nomes, e-mails nem conteúdo pessoal de formulários nos parâmetros de análise. Use identificadores de experimento que descrevam o teste, não a pessoa.
Arquivo histórico: Experimentos no antigo Google Analytics
As capturas a seguir pertencem ao tutorial original de 2019. São preservadas para explicar como o exercício era proposto naquela época. Não são instruções operacionais do GA4, e você não deve instalar hoje o código antigo que mostram.
Preparação de versões e acesso a Experimentos
O exercício partia de duas páginas prontas e de um objetivo configurado previamente. Naquela interface, o percurso começava no menu “Comportamento” e seguia para “Experimentos”.
Esse submenu abria uma tela de configuração. A utilidade conceitual era organizar o teste antes de iniciá-lo; a localização desses controles não corresponde à versão atual do Analytics.
Etapa histórica 1: configuração do experimento
Nome do experimento
Permitia identificar o teste. Hoje, continua sendo útil atribuir um nome compreensível que permita reconhecer a hipótese e a versão avaliada.
Objetivo do experimento
No exemplo, o objetivo era que a pessoa chegasse a uma página de agradecimento depois de solicitar uma revisão do Analytics. Para um teste atual, verifique se a ação medida representa uma solicitação real, não um recarregamento ou uma visita acidental.
Percentual e distribuição do tráfego
A ferramenta histórica permitia escolher a proporção de tráfego incluída e oferecia uma opção de divisão equitativa. A exposição inicial pode ser limitada por risco técnico, mas a atribuição e a distribuição do experimento devem ficar definidas e ser verificadas com a ferramenta atual.
Duração e limite de confiança
A interface incluía controles de duração mínima e confiança. Eles são mostrados como parte do arquivo, não como valores recomendados. Nenhuma duração ou limite escolhido substitui o desenho do experimento ou a revisão da amostra.
Etapa histórica 2: endereços das variações
Eram inseridas as URLs da página original e da segunda versão. Essa abordagem servia para comparar páginas separadas; as ferramentas atuais podem oferecer outras formas de apresentar variações.
Etapa histórica 3: código e validação
Depois de configurar as URLs, a ferramenta fornecia um código que o tutorial indicava instalar apenas na página original. Em seguida, a configuração era validada e o experimento iniciado. Esse procedimento pertence ao produto antigo; use apenas as instruções vigentes da solução escolhida.
Leitura histórica dos resultados
O exemplo buscava distribuir visitantes entre versões e comparar o cumprimento de objetivos. A captura a seguir ilustra a apresentação dos resultados daquela ferramenta, não um resultado atual da Agencia Cero.
O fato de aparecerem dados depois de algumas horas ou dias não significa que sejam suficientes para concluir. Primeiro, verifique se o teste funciona; tome a decisão quando os critérios definidos forem cumpridos. A antiga recomendação de esperar três dias ou usar vinte e um dias como garantia estatística não é uma regra válida para todos os sites.
O que fazer depois de um teste A/B
Se as evidências sustentam a variação e as medidas de controle se mantêm, você pode avaliar sua implementação e observar o comportamento posterior. Se o resultado for inconclusivo, preserve o aprendizado sem inventar um vencedor. Se a hipótese não se confirmar, revise o que observou e qual é a próxima pergunta útil.
Guarde hipótese, versões, datas, população elegível, mensuração e decisão. Esse registro ajuda a evitar testes repetidos e conclusões fora de contexto. Se precisar organizar seus indicadores e entender o que vale mudar, conheça a abordagem de análise digital da Agencia Cero; as ferramentas e o escopo são definidos conforme o projeto.
