
Un A/B Testing (pruebas A/B) es un método de investigación que nos permite conocer si determinados cambios en un producto digital surten efectos en nuestros usuarios.
Este tipo de pruebas pueden aplicarse más allá de lo digital, pero es verdad que estas pruebas se implementan cada vez con mayor frecuencia para mejorar la experiencia de los usuarios.
Las pruebas A/B tiene como base la investigación científica, en el que se prueban dos variables o variantes. Estas pueden ser de funcionalidad, información, características, etc. con el objetivo de comprobar una hipótesis.
Es importante enfatizar en el hecho de que esta prueba supone más allá de medir dos variables. La prueba siempre debe estar orientada a validar algo mucho más profundo y enfocado en nuestros usuarios: queremos conocerlos mejor y deleitarlos cuando interactúan con nuestros productos.
Tenemos que pensar en estas pruebas, y en otras, como herramientas que nos ayudan a mejorar la calidad de nuestros productos/servicio y no solamente como números que arrojan resultados que pueden traducirse en conversiones.
Esta prueba consiste, en términos generales, en repartir nuestro tráfico o parte de él, aleatoriamente, hacía dos versiones de nuestro producto digital.
La primera versión (A) será la muestra de control, sin ningún tipo de cambios; mientras que la segunda versión (B) será la página o interfaz con el cambio que queremos probar. O en algunos casos dos o más variantes para identificar cuál tiene un mejor rendimiento, esto dependerá de la definición de la prueba.
De esta manera, algunos usuarios probarán una de las versiones. Así, a través de parámetros determinados previamente podremos saber qué variante funciona mejor: si aquella “normal/habitual” o la que tiene la modificación concreta.
Lo primero que debemos hacer es identificar el objetivo de la prueba, que es lo que queremos probar, aquí algunos ejemplos de objetivos:
Esto va a depender del negocio y en el caso del diseño UX del UX Designer, del Product Designer o hasta del Product Owner.
El definir el objetivo significa comprender bien qué problema es el que debo resolver. Si determino esto con claridad, podré pensar en mejores soluciones.
Si no tengo claro el problema, entonces será muy complicado (por no decir imposible) determinar cuáles son mis objetivos en cada prueba.
Después, es importante elegir con cuidado cuál elemento, de todo el conjunto, voy a modificar.
Nota importante: Recuerda que como mencionamos anteriormente: no se sugiere hacer muchos cambios en una sola prueba, así que elige bien qué quieres probar.
Por ejemplo: si mi hipótesis supone que si modifico el color de mi página mis usuarios permanecerán más tiempo en la misma, entonces el cambio que debo hacer debe estar orientado exclusivamente en esta área. Nada más.
No haré cambios en cuestiones tipográficas (no en una sola prueba) y no haré cambios relacionados con otra índole. Saber discriminar y elegir bien es clave para el éxito de mi prueba.
La hipótesis es una suposición o conjetura (naturalmente no validada) que requiere una contrastación con la realidad o la experiencia.
Y que vale la pena mencionar que una vez refutado o confirmado dejará de ser hipótesis.
Es fundamental recordar que este tipo de pruebas por sí solas no especifican qué es lo que está “mal” o “bien” en nuestro producto.
Por tanto, si no se cuenta con una hipótesis previamente establecida, no tiene mucho sentido realizar este tipo de pruebas, pues no solo supondrán un esfuerzo vano, sino que también podrán confundirnos más sobre lo que debemos, o no, mejorar en nuestro producto/servicio.
Así que, el primer paso es contar con una hipótesis. Pero, no te preocupes.
Es bastante sencillo determinar una.
Pero si lo vemos desde el lado de marketing o comercial, normalmente lo que se busca es incrementar los porcentajes de conversión, ya sea por transacciones o por engage.
Aunque en algunos casos es una combinación de ambos.
Es importante saber que el Diseño UX no es una receta escrita y cualquier cambio que uno introduce la única forma de medir el impacto del cambio que se tiene es probando, es por eso que la hipótesis nos dará la guía de lo que se quiere probar.
Una parte fundamental de las pruebas A/B y como parte del resultado de las pruebas van a ser las métricas que obtenemos de la misma.
Cabe aclarar que las métricas por sí solas no reflejan nada, lo importante es la interpretación y las acciones que se definen derivado de las métricas que obtendremos.
Aquí es fundamental que yo conozca bien datos relacionados con mi tráfico habitual, entre otros, para poder elegir bien cuántos elementos de entre todos voy a elegir para determinar los resultados de las pruebas.
Después, y en relación estrecha con el paso anterior, debo determinar el tiempo que durará el experimento/prueba. Esto es fundamental, pues una buena decisión temporal supondrá mayor claridad en los resultados.
Finalmente, es momento de realizar mi prueba A/B. Si te das cuenta, este paso es el último, porque, como hemos enfatizado desde el inicio, no puedes realizar una prueba exitosa si no cuentas antes con una serie de elementos específicos.
Es imposible extraer datos acertados de tu experimentación si no cuentas con los parámetros que te indicarán el éxito o el fracaso de ésta.
Estas pruebas son muy usadas porque son eficientes y veloces; pero, una de sus desventajas, es que no nos arrojan datos más enfocados en los aspectos cualitativos del muestreo.
Por tanto, es necesario que contemos con dudas muy concretas, y fundamentadas en los datos, sobre lo que debemos resolver para ofrecer a nuestros usuarios una mejor experiencia.
El problema que tenemos es que hay errores al hacer click en el CTA lo que ocasiona la caída de la venta.
El objetivo es incrementar la venta reduciendo las fricciones al momento de ir al check out.
Aplicamos una prueba A/B con las siguientes variaciones:
Un incremento de 1.83% a 1.96% en la tasa de conversión.
Existen también múltiples formas de realizar estas pruebas.
Asimismo, existen diferentes herramientas que nos ayudan en estas tareas (por mencionar solamente algunos:
1. Dynamic Yield:
En realidad es más que una herramienta de A/B Testing, ya que combina Data Management, targeting, personalización.
2. Adobe Target:
Puedes personalizar y automatización por Inteligencia Artificial a escala. Propone una solución con visión Omnicanal.
3. Optimizler:
Es fácil de usar, no necesita ser técnico para lanzar pequeñas pruebas.
4. VWO (View Website Optimizer):
Es la mejor opción para empresas con presupuestos más pequeños.
5. Site Spect:
Una de las primeras soluciones de prueba del lado del servidor en el mercado. Esto le permite pruebas más complejas tecnológicas.
Existen otras opciones como:
La forma estará determinada por el tipo de hipótesis que queremos comprobar. Como todo: depende siempre del contexto y del problema que busquemos resolver.
Sin embargo, es cierto que existen ciertas pautas generales que nos hablan de formas adecuadas para realizar este tipo de pruebas.
Una de ellas es repartir el tráfico hacia, al menos, dos versiones de mi página, con la finalidad de conocer con mayor certeza cómo opera el cambio que especifiqué.
Las pruebas A/B se realizan todo el tiempo, como usuarios no estamos muy conscientes de ello.
Puedes realizar la prueba más habitual (A/B) que consiste en mostrar dos variantes de la misma página, dividiendo el tráfico, pero conservando la misma URL.
También, puedes mostrar variaciones de la página, pero esta vez sí con distintos URL (Split Test/ Test por redirección).
Este segundo tipo de pruebas permiten aplicar mayores cambios, pero te sugerimos comenzar con lo primero e irte familiarizando con los resultados y tus propias maneras de trazar hipótesis más centradas y eficientes.
Asimismo, también existen pruebas de multivariantes (MVT), las cuales miden específicamente el impacto de cada uno de los cambios en una página. Como supones, son más complejos y requieren mayores datos previos para que resulten exitosos.
Recuerda que es importante contemplar estas pruebas en diferentes momentos, pues quizá algo que solía amar el usuario, eventualmente sea algo que odie.
Tenemos que estar actualizados constantemente en cómo interactúan las personas con nuestro producto. Las pruebas A/B son grandes aliadas en este proceso si se realizan de maneras adecuadas e informadas.
Somos una comunidad dedicada a compartir conocimiento de UX, UI, CX, SD, IxD