Uno de los mayores errores que comete una empresa al realizar pruebas A/B es seleccionar un público medio. En su lugar, deberían hacer de la segmentación una parte esencial del diseño de sus pruebas —así es como se hace—.
Uno de los mayores errores que cometen las empresas cuando comienzan sus esfuerzos de pruebas A/B en serio es ceñirse a un único público simple. El problema es que, si quieres resultados relevantes y profundos, necesitas una estrategia de segmentación y personalización implementada.
Dirigirse a la persona «promjeta», normalmente en forma de «todos los visitantes», es un error fácil en el que caer. La idea es que, al lanzar una red amplia, puedes atrapar a todo el mundo. En realidad, no existe tal cosa como un visitante «promedio». Por supuesto, tu sitio web tiene una distribución normal de visitantes, pero esa distribución está formada en realidad por subgrupos de visitantes, cada uno con sus propias distribuciones en diferentes lugares.
Supongo que un buen punto de partida sería preguntarte esto:
¿Eres el promedio?
Es probable que en algunos aspectos seas la media, pero en otros muy importantes y distintos, tampoco lo eres.
En cuanto a los visitantes de tu sitio web, algunos ejemplos comunes de subgrupos son:
Visitantes nuevos frente a recurrentes
Hombres frente a mujeres
Visitantes en móvil frente a ordenador de sobremesa
Clientes leales frente a compradores ocasionales
Cada uno de estos grupos tendrá preferencias distintas y, al atender específicamente a dichos grupos mientras realizas experimentos, puedes aumentar la probabilidad de encontrar los factores que impulsan tasas de conversión más altas o un valor de pedido medio mayor en ese grupo.
Para ilustrar por qué hacer pruebas con una única audiencia unificada es un error, supongamos que tienes una tienda de comercio electrónico que vende ropa de exterior y el 80 % de tus visitantes son hombres. Si decides probar una nueva imagen principal en la parte superior de la página —una centrada en la ropa de hombre y otra en la de mujer—, lo más probable es que la centrada en los hombres gane siempre. Realizar la prueba en realidad no te aportó nada que no supieras ya.
Peor aún, ese mismo resultado podría estar enmascarando resultados superiores a los esperados de la imagen principal de mujer. El camino más rápido hacia una tasa de conversión más alta puede ser, en realidad, una cuestión de identificar a las visitantes y adaptarles el contenido relevante, pero esa no es la conclusión que probablemente obtendrás de una prueba unificada para «todos los visitantes». Este es solo un ejemplo de por qué la segmentación es esencial en un buen diseño de pruebas.
Una cosa es destacar determinados aspectos del sitio para un segmento específico, pero no querrás ser demasiado extremo en tus pruebas. Si sabes que la persona que visita tu sitio es una mujer, tiene sentido restar importancia a los productos para hombres. Al mismo tiempo, no querrás eliminar por completo esos productos de la experiencia del sitio, porque no sabes qué está comprando. Por ejemplo, podría estar comprando un regalo para su novio o marido.
Es útil empezar agrupando primero los segmentos más grandes y luego pasar a otros cada vez más pequeños. Los segmentos más grandes tendrán más tráfico, lo que hará que sea más rápido y fácil alcanzar la significación estadística; así que ocúpate primero de esa fruta al alcance de la mano.
Una vez resuelto lo más sencillo con rapidez, puedes tomarte tu tiempo para diseñar pruebas más detalladas para segmentos específicos. Lo mismo se aplica a varias secciones de tu sitio web: trabaja primero en las páginas con mayor tráfico, como la página de inicio, y solo después pasa a otras páginas con menor tráfico.
Una de las divisiones de segmentación más básicas es la que se establece entre los visitantes nuevos y los recurrentes. Es un buen punto de partida, pero esos grupos también se pueden dividir aún más. Por ejemplo, puedes dividir a los visitantes recurrentes entre los que han completado una compra y los que no. También puedes segmentar a los clientes de alto valor (aquellos que tienen un valor de pedido medio alto en sus carritos, completan sus compras y realizan menos devoluciones) frente a los «mirones», que se comprometen con una compra con menos frecuencia. Cuanto más distintos sean tus segmentos, más precisos se Become tus resultados.
Un comprador que visita tu sitio varias veces a la semana no es igual que uno que no ha estado en el sitio en los últimos 90 días. Incluso si ambos son técnicamente visitantes «recurrentes», lo más probable es que respondan de manera diferente.
Una cosa es destacar determinados aspectos del sitio para un segmento específico, pero no querrás ser demasiado extremo en tus pruebas. Si sabes que la persona que visita tu sitio es una mujer, tiene sentido restar importancia a los productos para hombres. Al mismo tiempo, no querrás eliminar por completo esos productos de la experiencia del sitio, porque no sabes qué está comprando. Por ejemplo, podría estar comprando un regalo para su novio o marido.
Algunos estados cobran impuestos sobre las ventas en compras en línea, mientras que otros no. Esto crea dos segmentos de clientes distintos —y a menudo pasados por alto—. ¿Por qué no probar ofertas para compradores que viven en estados libres de impuestos con un mensaje que destaque el hecho de que la compra estará libre de impuestos? Tan simple como parece la táctica, animará a gastar un poco más.
En la misma línea, conviene tener en cuenta la personalización basada en el clima. Por ejemplo, una persona que vive en una ciudad afectada por una gran tormenta de nieve probablemente no vaya a comprar muebles de jardín. Sin embargo, ese mismo público puede responder positivamente a las ofertas de ropa de invierno y calefactores.
Cuando las personas se inicia en las pruebas A/B, por lo general no piensan en el diseño de las pruebas. Se centran en el "qué" de la prueba (por ejemplo, qué tamaño de botón y qué combinación de colores generarán el mayor número de clics), mientras pasan por alto el "por qué" que hay detrás. Sin una hipótesis central que impulse estas pruebas, los resultados individuales de las pruebas no tienen tanto significado; las iniciativas de pruebas basadas en el «qué» se quedan rápidamente sin ideas y pierden fuelle.
No basta con saber que una oferta obtuvo un mejor rendimiento en una prueba A/B dentro de un determinado segmento.
Por regla general, las pruebas mejores y más significativas tienen las consecuencias más grandes y de mayor alcance para el conjunto de la empresa.
Es fácil estancarse con las estrategias de pruebas o que las ideas de pruebas se agrupen en torno a un tipo específico de prueba. Los pensadores orientados al diseño suelen perderse probando infinitas variaciones en el diseño de una interfaz de usuario, incluso cuando esas pruebas ofrecen rendimientos decrecientes. Si quieres que tus pruebas generen información clara y de gran repercusión, necesitas probar diferentes tipos de pruebas. Puedes probar cualquier elemento de tu sitio —ofertas, textos, imágenes, diseño, experiencia de usuario— y por cualquier segmento, así que ¿por qué no aprovecharlo?
Que una prueba arroje resultados significativos no significa que la prueba tenga mérito. Tus pruebas también deben ofrecer información práctica sobre la psicología del usuario y el modelo de negocio general. Puedes crear una prueba ofreciendo camisetas de diseño a 1 $ cada una, y sin duda arrojará resultados claros. ¿Significa eso que vender camisetas con grandes pérdidas es una buena decisión empresarial? Evidentemente no, pero hay innumerables ejemplos de profesionales del marketing que toman medidas muy estratégicas basadas en pruebas de optimización que son igual de defectuosas.
Cuando sea posible, tus pruebas A/B deberían hacer algo más que simplemente producir un ganador y un perdedor. Deben validar los supuestos del negocio, identificar nuevas áreas de producto y contarte más sobre las personas que pasan tiempo contigo.