Un test A/B compara dos versiones de una página mediante una asignación aleatoria de visitantes, para evaluar si un cambio ayuda a cumplir un objetivo. Google Analytics 4 puede apoyar la medición, pero la creación y entrega de las variantes requiere una herramienta de experimentación o una implementación propia.
Nota sobre esta guía: el artículo original, publicado en 2019, mostraba el antiguo apartado Experimentos de Google Analytics. Ese recorrido no corresponde a GA4. Además, Google Optimize y Optimize 360 dejaron de estar disponibles el 30 de septiembre de 2023. A continuación encontrarás criterios para diseñar una prueba hoy y, al final, las capturas originales identificadas como archivo histórico.
¿Qué es un test A/B y para qué sirve?
En una prueba A/B, una parte de los participantes ve la versión A y otra ve la versión B. Puedes comparar un titular, un formulario o incluso dos diseños completos. La diferencia importante frente a comparar un mes con otro es que la asignación experimental permite reducir la influencia de factores externos, siempre que el diseño y la medición sean adecuados.
El objetivo puede ser completar una solicitud, suscribirse a un boletín, comprar o realizar otra acción relevante. Ver un video o pulsar un botón también puede medirse, pero conviene distinguir esas interacciones del resultado final que necesita el negocio.
Las pruebas multivariables comparan combinaciones de varios elementos para estudiar sus efectos y relaciones. Requieren un diseño y un volumen de observaciones compatibles con la cantidad de combinaciones. No son una solución automática para cualquier rediseño grande: una prueba A/B de dos diseños completos puede evaluar cuál funciona mejor, aunque no identifique qué elemento explica la diferencia.
¿Un test A/B garantiza más conversiones?
No. Puede encontrar una mejora, mostrar que un cambio perjudica el recorrido o no aportar evidencia suficiente para decidir. Su valor está en contrastar una hipótesis antes de extenderla. No existe un porcentaje de aumento que pueda prometerse por utilizar esta técnica.
En campañas pagadas, mejorar la proporción de visitas que termina en una acción valiosa puede influir en el costo por adquisición. Para interpretarlo, revisa también el costo del tráfico, la calidad de las solicitudes y las ventas posteriores. Más formularios no siempre significa más clientes.
Cómo preparar una prueba A/B útil
1. Identifica una dificultad concreta
Empieza con preguntas observables: ¿por qué una página recibe visitas pero pocos formularios completados? ¿En qué paso abandonan las personas? ¿El botón se entiende? Revisa primero que no haya enlaces rotos, errores de formulario o problemas de medición. Una avería conocida debe corregirse, no mantenerse solo para experimentar.
2. Investiga antes de proponer cambios
Usa la analítica para explorar navegación, interacción y acciones relevantes. En GA4, interpreta las métricas según sus definiciones actuales; no traslades directamente las conclusiones de la tasa de rebote o el tiempo en página del antiguo Analytics. Complementa los datos con pruebas de usabilidad, entrevistas o mapas de calor y grabaciones, cuando cuentes con las condiciones de privacidad y consentimiento aplicables.
Los mapas de calor y las grabaciones muestran señales de comportamiento; no revelan por sí solos qué piensa una persona. El seguimiento ocular o eye tracking puede estudiar dónde se dirige la mirada, pero tampoco demuestra automáticamente comprensión o intención de compra.
El artículo original de Agencia Cero mencionaba una colaboración con Agencia Mars para estudios con eye tracking. Conservamos la referencia histórica; no implica que esa colaboración o sus servicios sigan vigentes.
Si una página con formulario tiene visitas pero pocas solicitudes, investiga posibles explicaciones: campos innecesarios, una oferta poco clara, dudas sobre el uso de los datos o personas que aún no están listas para contactar. La observación orienta preguntas; no basta para establecer la causa.
3. Formula una hipótesis comprobable
Por ejemplo: «Si eliminamos los campos que no necesitamos para responder una consulta, más personas completarán el formulario sin reducir la calidad de las solicitudes». Define la acción principal y una medida de control, como la proporción de contactos que el equipo puede atender. Así evitarás celebrar un aumento de envíos que solo genere trabajo improductivo.
4. Decide qué diferencia vas a evaluar
Para aislar el efecto de un elemento, cambia una variable principal y mantén comparables las demás condiciones. Si necesitas comparar dos propuestas completas, documenta que evaluarás el conjunto. Evita modificar la campaña, la oferta y el formulario a mitad de la prueba sin dejar registro: mezclar cambios dificulta la interpretación.
5. Define muestra, duración y regla de decisión
No hay un mínimo universal de días que garantice certeza. La duración depende del tráfico elegible, la frecuencia de la acción, la diferencia que interesa detectar, el método estadístico y el ciclo del negocio. Define esos criterios antes de empezar y utiliza el cálculo de muestra o el método de decisión de la herramienta elegida.
Más visitas no corrigen una asignación sesgada ni eventos duplicados. Incluye períodos comparables de actividad y evita cerrar la prueba al primer resultado favorable. Un nivel de confianza estadística no significa certeza absoluta sobre el resultado, y la interpretación depende del método utilizado.
6. Elige elementos con una razón para probarlos
- Titulares y subtítulos que expliquen la oferta.
- Párrafos que resuelvan dudas de compra.
- Testimonios auténticos y autorizados.
- Llamadas a la acción y enlaces.
- Imágenes pertinentes para la decisión.
- Campos, instrucciones y mensajes de error del formulario.
Prioriza cambios que puedan resolver una dificultad detectada. Probar colores sin una pregunta clara puede consumir tiempo y tráfico sin aportar una decisión útil.
7. Elige herramientas y comprueba la medición
Para una prueba web necesitas crear las variantes, asignar participantes de forma consistente y registrar qué versión vieron y qué hicieron después. Google menciona integraciones con AB Tasty, Optimizely y VWO en su documentación sobre el cierre de Optimize. Evalúa funciones, compatibilidad, privacidad y costos antes de elegir; no se trata de un reemplazo gratuito automático.
Unbounce, mencionado en la versión original del artículo, también documenta pruebas A/B de sus páginas de destino. Revisa el alcance del producto y el plan disponible para tu caso. Tener Analytics instalado no equivale a disponer de un sistema de experimentación completo.
Cómo medir una prueba web con GA4 hoy
La documentación de Google para integrar experimentos distingue entre herramientas externas y desarrollos propios. La herramienta ejecuta las variantes; Analytics recibe información que permite analizar sus resultados.
- Define el resultado. Decide qué acción relevante se registrará y comprueba que el evento se produzca correctamente. Un envío confirmado es más útil que contar cada intento de pulsar el botón.
- Prepara las variantes y la asignación. Documenta qué cambia y cómo se mantiene la experiencia de cada participante dentro del experimento.
- Conecta exposición y resultado. En una integración compatible, el evento de exposición y su identificador de variante permiten distinguir grupos. En una implementación propia, define parámetros de experimento y variante y las dimensiones necesarias, siguiendo la documentación.
- Haz pruebas técnicas. Verifica variantes, formularios y eventos en móvil y escritorio. Revisa consentimiento, duplicados, tráfico interno y diferencias entre las herramientas.
- Analiza según el plan. Compara grupos y períodos del experimento con el mismo criterio. GA4 ayuda a observar resultados; la validez estadística exige revisar el método y la calidad de los datos.
No envíes nombres, correos ni contenido personal de formularios en los parámetros de analítica. Usa identificadores de experimento que describan la prueba, no a la persona.
Archivo histórico: Experimentos en el antiguo Google Analytics
Las siguientes capturas pertenecen al tutorial original de 2019. Se conservan para explicar cómo se planteaba el ejercicio entonces. No son instrucciones operativas de GA4 y no debes instalar hoy el código antiguo que muestran.
Preparación de versiones y acceso a Experimentos
El ejercicio partía de dos páginas listas y de un objetivo previamente configurado. En aquella interfaz, el recorrido comenzaba en el menú «Comportamiento» y continuaba en «Experimentos».
Ese submenú abría una pantalla de configuración. La utilidad conceptual era organizar la prueba antes de iniciarla; la ubicación de esos controles no corresponde a la versión actual de Analytics.
Paso histórico 1: configuración del experimento
Nombre del experimento
Permitía identificar la prueba. Hoy sigue siendo útil asignar un nombre comprensible que permita reconocer la hipótesis y la versión evaluada.
Objetivo del experimento
En el ejemplo, el objetivo era que la persona llegara a una página de agradecimiento después de solicitar una revisión de Analytics. Para una prueba actual, verifica que la acción medida represente una solicitud real y no una recarga o visita accidental.
Porcentaje y distribución del tráfico
La herramienta histórica permitía elegir la proporción de tráfico incluida y ofrecía una opción de reparto equitativo. La exposición inicial puede limitarse por riesgo técnico, pero la asignación y el reparto del experimento deben quedar definidos y verificarse con la herramienta actual.
Duración y límite de confianza
La interfaz incluía controles de duración mínima y confianza. Se muestran como parte del archivo, no como valores recomendados. Ninguna duración ni umbral elegido sustituye el diseño del experimento o la revisión de la muestra.
Paso histórico 2: direcciones de las variantes
Se introducían las URL de la página original y de la segunda versión. Ese enfoque servía para comparar páginas separadas; las herramientas actuales pueden ofrecer otras formas de presentar variantes.
Paso histórico 3: código y validación
Después de configurar las URL, la herramienta proporcionaba un código que el tutorial indicaba instalar solo en la página original. A continuación se validaba la configuración y se iniciaba el experimento. Este procedimiento pertenece al producto antiguo; utiliza únicamente las instrucciones vigentes de la solución que elijas.
Lectura histórica de resultados
El ejemplo buscaba repartir visitantes entre versiones y comparar el cumplimiento de objetivos. La captura siguiente ilustra la presentación de resultados de aquella herramienta, no un resultado actual de Agencia Cero.
Que aparezcan datos después de unas horas o días no significa que sean suficientes para concluir. Revisa primero que la prueba funciona; toma la decisión cuando se cumplan los criterios definidos. La recomendación antigua de esperar tres días o usar veintiún días como garantía estadística no es una regla válida para todos los sitios.
Qué hacer después de un test A/B
Si la evidencia respalda la variante y las medidas de control se mantienen, puedes evaluar su implementación y observar el comportamiento posterior. Si el resultado es inconcluso, conserva el aprendizaje sin inventar un ganador. Si la hipótesis no se cumple, revisa qué observaste y cuál es la siguiente pregunta útil.
Guarda la hipótesis, las versiones, las fechas, la población elegible, la medición y la decisión. Ese registro ayuda a evitar pruebas repetidas y conclusiones fuera de contexto. Si necesitas ordenar tus indicadores y entender qué conviene cambiar, conoce el enfoque de analítica digital de Agencia Cero; las herramientas y el alcance se definen según el proyecto.
