Cuando los especialistas en marketing como nosotros creamos páginas de destino, escribimos una copia de correo electrónico o diseñamos botones de llamada a la acción, puede ser tentador usar nuestra intuición para predecir qué hará que las personas hagan clic y se conviertan.
Pero basar las decisiones de marketing en un «sentimiento» puede ser bastante perjudicial para los resultados. En lugar de confiar en conjeturas o suposiciones para tomar estas decisiones, es mucho mejor que realice una prueba A/B, a veces llamada prueba dividida.
Las pruebas A/B pueden ser valiosas porque las diferentes audiencias se comportan, bueno, de manera diferente. Algo que funciona para una empresa puede no funcionar necesariamente para otra. De hecho, los expertos en optimización de la tasa de conversión (CRO) odian el término «mejores prácticas» porque en realidad puede no ser la mejor práctica para usted.
Pero las pruebas A/B también pueden ser complejas. Si no tiene cuidado, podría hacer suposiciones incorrectas sobre lo que le gusta a la gente y lo que les hace hacer clic, decisiones que fácilmente podrían desinformar otras partes de su estrategia.
Siga leyendo para aprender a realizar pruebas A/B antes, durante y después de la recopilación de datos para que pueda tomar las mejores decisiones a partir de sus resultados.
¿Qué son las pruebas A/B?
Las pruebas A/B, también conocidas como pruebas divididas, son un experimento de marketing en el que divides a tu audiencia para probar una serie de variaciones de una campaña y determinar cuál funciona mejor. En otras palabras, puede mostrar la versión A de un contenido de marketing a la mitad de su audiencia y la versión B a otra.
Para ejecutar una prueba A/B, debe crear dos versiones diferentes de una pieza de contenido, con cambios en una sola variable. Luego, mostrará estas dos versiones a dos audiencias de tamaño similar y analizará cuál funcionó mejor durante un período de tiempo específico (el tiempo suficiente para sacar conclusiones precisas sobre sus resultados).
Las pruebas A/B ayudan a los especialistas en marketing a observar cómo se desempeña una versión de un contenido de marketing junto con otra. Aquí hay dos tipos de pruebas A/B que puede realizar en un esfuerzo por aumentar la tasa de conversión de su sitio web:
Ejemplo 1: Prueba de experiencia del usuario
Tal vez quiera ver si mover un determinado botón de llamada a la acción (CTA) a la parte superior de su página de inicio en lugar de mantenerlo en la barra lateral mejorará su tasa de clics.
Para realizar una prueba A/B de esta teoría, crearía otra página web alternativa que utilice la nueva ubicación de CTA. El diseño existente con la barra lateral CTA, o el «control«: es la versión A. La versión B con el CTA en la parte superior es «desafiador.» Luego, probaría estas dos versiones mostrándolas a un porcentaje predeterminado de visitantes del sitio. Idealmente, el porcentaje de visitantes que ven cualquiera de las versiones es el mismo.
Aprenda cómo probar fácilmente A/B un componente de su sitio web con Centro de marketing de HubSpot.
Ejemplo 2: Prueba de diseño
Tal vez desee averiguar si cambiar el color de su botón de llamada a la acción (CTA) puede aumentar su tasa de clics.
Para realizar una prueba A/B de esta teoría, diseñaría un botón CTA alternativo con un color de botón diferente que conduzca a la mismo página de destino como control. Si normalmente usa un botón de llamada a la acción rojo en su contenido de marketing y la variación verde recibe más clics después de su prueba A/B, esto podría valer la pena cambiar el color predeterminado de sus botones de llamada a la acción a verde a partir de ahora. en.
Pruebas A/B en Marketing
Las pruebas A/B tienen una multitud de beneficios para un equipo de marketing, dependiendo de lo que decidas probar. Sin embargo, sobre todo, estas pruebas son valiosas para una empresa porque tienen un costo bajo pero una recompensa alta.
Digamos que contratas a un creador de contenido con un salario de $50,000 al año. Este creador de contenido publica cinco artículos por semana para el blog de la empresa, con un total de 260 artículos por año. Si la publicación promedio en el blog de la empresa genera 10 clientes potenciales, se podría decir que cuesta poco más de $192 generar 10 clientes potenciales para la empresa ($50 000 de salario ÷ 260 artículos = $192 por artículo). Esa es una parte sólida del cambio.
Ahora, si le pides a este creador de contenido que dedique dos días a desarrollar una prueba A/B en una artículo, en lugar de escribir dos artículos en ese período de tiempo, podría quemar $192 porque está publicando un artículo menos. Pero si esa prueba A/B encuentra que puede aumentar la tasa de conversión de cada artículo de 10 a 20 clientes potenciales, acaba de gastar $ 192 para duplicar potencialmente la cantidad de clientes que su empresa obtiene de su blog.
Si la prueba falla, por supuesto, perdió $192, pero ahora puede hacer su próximo Prueba A/B aún más educada. Si esa segunda prueba logra duplicar la tasa de conversión de su blog, finalmente gastó $ 384 para duplicar potencialmente los ingresos de su empresa. No importa cuántas veces falle su prueba A/B, su eventual éxito casi siempre superará el costo de realizarla.
Hay muchos tipos de pruebas divididas que puede ejecutar para que el experimento valga la pena al final. Aquí hay algunos objetivos comunes que los especialistas en marketing tienen para su negocio cuando realizan pruebas A/B:
- Aumento del tráfico del sitio web: Probar diferentes títulos de publicaciones de blog o títulos de páginas web puede cambiar la cantidad de personas que hacen clic en ese título con hipervínculo para acceder a su sitio web. Esto puede aumentar el tráfico del sitio web como resultado.
- Tasa de conversión más alta: Probar diferentes ubicaciones, colores o incluso texto de anclaje en sus CTA puede cambiar la cantidad de personas que hacen clic en estos CTA para llegar a una página de destino. Esto puede aumente la cantidad de personas que completan formularios en su sitio web, le envían su información de contacto y se «convierten» en clientes potenciales.
- Tasa de rebote más baja: Si los visitantes de su sitio web se van (o «rebotan») rápidamente después de visitar su sitio web, probar diferentes introducciones de publicaciones de blog, fuentes o imágenes destacadas puede reducir esta tasa de rebote y retener a más visitantes.
- Abandono del carrito inferior: Las empresas de comercio electrónico ven un promedio de El 70% de los clientes abandonan su sitio web con artículos en su carrito de compras.. Esto se conoce como «abandono del carrito de la compra» y, por supuesto, es perjudicial para cualquier tienda en línea. Probar diferentes fotos de productos, diseños de páginas de pago e incluso dónde se muestran los costos de envío puede reducir esta tasa de abandono.
Ahora, repasemos la lista de verificación para configurar, ejecutar y medir una prueba A/B.
Cómo realizar pruebas A/B
Siga junto con nuestro kit de pruebas A/B gratuito con todo lo que necesita para ejecutar pruebas A/B, incluida una plantilla de seguimiento de pruebas, una guía práctica para obtener instrucciones e inspiración, y una calculadora de importancia estadística para ver si sus pruebas fueron victorias o derrotas. , o inconcluso.
Antes de la prueba A/B
Analicemos los pasos a seguir antes de comenzar su prueba A/B.
1. Elija una variable para probar.
A medida que optimiza sus páginas web y correos electrónicos, es posible que encuentre hay una serie de variables que desea probar. Pero para evaluar qué tan efectivo es un cambio, querrá aislar uno»variable independiente» y mida su rendimiento. De lo contrario, no puede estar seguro de qué variable fue responsable de los cambios en el rendimiento.
Puede probar más de una variable para una sola página web o correo electrónico, solo asegúrese de probarlas una a la vez.
Para determinar su variable, mire los elementos en sus recursos de marketing y sus posibles alternativas para el diseño, la redacción y el diseño. Otras cosas que puede probar incluyen líneas de asunto de correo electrónico, nombres de remitentes y diferentes formas de personalizar sus correos electrónicos.
Tenga en cuenta que incluso los cambios simples, como cambiar la imagen en su correo electrónico o las palabras en su botón de llamada a la acción, pueden generar grandes mejoras. De hecho, este tipo de cambios suelen ser más fáciles de medir que los más grandes.
Nota: Hay momentos en los que tiene más sentido probar múltiples variables en lugar de una sola variable. Este es un proceso llamado prueba multivariante. Si se pregunta si debe ejecutar una prueba A/B en lugar de una prueba multivariada, aquí hay un artículo útil de Optimizely que compara los dos procesos.
2. Identifique su objetivo.
Aunque medirá varias métricas durante cualquier prueba, elija una métrica principal en la que centrarse antes de haces la prueba. De hecho, hágalo incluso antes de configurar la segunda variación. Esta es tu «variable dependienteque cambia según cómo manipule la variable independiente.
Piense dónde quiere que esté esta variable dependiente al final de la prueba dividida. Incluso podría declarar un funcionario hipótesis y examine sus resultados basándose en esta predicción.
Si espera hasta después para pensar qué métricas son importantes para usted, cuáles son sus objetivos y cómo los cambios que está proponiendo pueden afectar el comportamiento del usuario, es posible que no configure la prueba de la manera más efectiva.
3. Cree un ‘control’ y un ‘retador’.
Ahora tiene su variable independiente, su variable dependiente y su resultado deseado. Utilice esta información para configurar la versión inalterada de lo que sea que esté probando como su escenario de control. Si está probando una página web, esta es la página inalterada tal como ya existe. Si está probando una página de destino, este sería el diseño y la copia de la página de destino que normalmente usaría.
A partir de ahí, cree un retador: el sitio web modificado, la página de destino o el correo electrónico que probará contra su control. Por ejemplo, si se pregunta si agregar un testimonio a una página de destino marcaría una diferencia en las conversiones, configure su página de control sin testimonios. Luego, crea tu retador con un testimonio.
4. Divida sus grupos de muestra por igual y al azar.
Para las pruebas en las que tiene más control sobre la audiencia, como con los correos electrónicos, debe probar con dos o más audiencias que sean iguales para obtener resultados concluyentes.
La forma en que lo haga variará según la herramienta de prueba A/B que utilice. si eres un Cliente de HubSpot Enterprise realizando una prueba A/B en un correo electrónicopor ejemplo, HubSpot dividirá automáticamente el tráfico a tus variaciones para que cada variación obtenga una muestra aleatoria de visitantes.
5. Determine el tamaño de su muestra (si corresponde).
La forma en que determine el tamaño de su muestra también variará según su herramienta de prueba A/B, así como el tipo de prueba A/B que esté ejecutando.
Si está realizando una prueba A/B de un correo electrónico, probablemente querrá enviar una prueba A/B a un subconjunto de su lista que sea lo suficientemente grande como para lograr resultados estadísticamente significativos. Eventualmente, elegirá un ganador y enviará la variación ganadora al resto de la lista. (Consulte el libro electrónico «La ciencia de las pruebas divididas» al final de este artículo para obtener más información sobre cómo calcular el tamaño de su muestra).
Si eres cliente de HubSpot Enterprise, tendrás ayuda para determinar el tamaño de tu grupo de muestra usando un control deslizante. Te permitirá hacer una prueba A/B 50/50 de cualquier tamaño de muestra, aunque todas las demás divisiones de muestra requieren una lista de al menos 1000 destinatarios.
Si estás probando algo que no tiene una audiencia finita, como una página web, el tiempo que mantenga la prueba en ejecución afectará directamente el tamaño de la muestra. Deberá dejar que su prueba se ejecute el tiempo suficiente para obtener una cantidad considerable de vistas. De lo contrario, será difícil saber si hubo una diferencia estadísticamente significativa entre las variaciones.
6. Decida cuán significativos deben ser sus resultados.
Una vez que haya elegido la métrica de su objetivo, piense qué tan significativos deben ser sus resultados para justificar la elección de una variación sobre otra. La importancia estadística es una parte muy importante del proceso de prueba A/B que a menudo se malinterpreta. Si necesita un repaso, le recomiendo leer esta publicación de blog sobre la importancia estadística desde el punto de vista del marketing.
Cuanto mayor sea el porcentaje de su nivel de confianza, más seguro podrá estar de sus resultados. En la mayoría de los casos, querrá un nivel de confianza de…