Ir al contenido principal
Marketing - Pareto PlusAnuncios Pareto

Cómo planificar una prueba A/B para optimizar sus conversiones

Por 7 de marzo de 202231 de enero de 2024Sin comentarios

Después de crear páginas de destino, elegir creatividades, redactar correos electrónicos, determinar el texto de los botones y las CTA, ¿cómo predice las interacciones de la gente y el resultado de su campaña? ¿Se basa únicamente en su intuición?

Es entonces cuando una prueba A/B es esencial. Revela qué versión de su campaña tiene el mejor rendimiento y, en consecuencia, la mayor tasa de conversión. tasa de conversión.

Siga leyendo para saber cómo planificar todo el proceso de las pruebas A/B. Al final, le mostraremos lo sencillo que es realizar un experimento con ¡Pareto Ads!

¿Qué son las pruebas A/B?

El AB testing es una metodología que permite comparar dos versiones de una página web, una aplicación, una audiencia o un anuncio para determinar, en función de una variable de comparación, cuál ofrece el mejor resultado.

También se conoce como prueba dividida, en la que se lleva a cabo un experimento de marketing en el que se divide a la audiencia para probar distintas variaciones de una campaña y determinar cuál funciona mejor.

Cada prueba A/B debe basarse en hipótesis formuladas a partir de los conocimientos y los diferenciales de su marca. Lo ideal es establecer un calendario de las pruebas que desea realizar. De este modo, la información se pone a prueba por partes.

¿Por qué son eficaces las pruebas A/B?

El objetivo principal de la prueba AB es generar un aumento del rendimiento, como:

  1. Aumentar la tasa de conversión;
  2. Reducir la tasa de rebote del sitio;
  3. Aumentar la expectativa de Ventas/Leads entre las Audiencias.

Puede separar las pruebas por embudo de marketingllegando al público en diferentes puntos de su recorrido de compra. En la imagen de abajo podemos empezar probando anuncios, luego Páginas de destino y, por último, los correos electrónicos de bienvenida:

¿Qué probar?

Consulte las posibilidades de pruebas A/B separadas según las etapas del embudo de marketing:

Anuncios

Puede probar variaciones de los anuncios, como cambiar el copywright, introducir cambios en la creatividad (en el caso de una imagen), sustituir el color de un CTA o incluso la frase del botón. 

  • Imagen;
  • Texto;
  • Botones CTA;
  • Público;
  • Formato.

Página de aterrizaje

El universo de las LP es aún más amplio. Puede cambiar el banner principal, aumentar el número de CTA de la página, cambiar el color, sustituir campos de un formulario, mostrar/ocultar el precio de un servicio de un producto.

  • Títulos;
  • Intertítulos;
  • CTAs;
  • Imágenes;
  • URL;
  • Campos del formulario;
  • Descripción del producto;
  • Elementos visuales .

Correo electrónico

Tiene aspectos similares al anuncio, pero en este caso ya disponemos de la dirección de correo electrónico del cliente. De este modo, se supone que ha habido un primer contacto con su empresa (por eso estamos en la parte inferior del embudo).

A continuación, puede cambiar la comunicación del correo electrónico, probar el uso de imágenes de categorías o productos, CTA, enlaces de redirección y más variaciones.

  • Títulos;
  • Intertítulos;
  • CTAs;
  • Imágenes;
  • Elementos;
  • Fecha y hora de envío.

publicidad en banners un libro electrónico gratuito sobre la optimización de las campañas de Google Ads y Meta Ads

¿Cómo influyen las pruebas en el rendimiento?

Para una empresa B2B, el objetivo principal es aumentar el volumen de clientes potenciales cualificados. En cuanto a una empresa de comercio electrónico, el objetivo final es aumentar el volumen de ventas y generar más ingresos. 

Sin embargo, en ambos casos, las pruebas A/B pueden resolver los siguientes puntos:

a. Mejorar la experiencia del usuario;
b. Mejorar la cualificación del tráfico;
c. Reducir la tasa de rebote;
d. Realizar cambios controlados en el sitio con bajo riesgo;
e. Obtener resultados estadísticamente fiables.

Ejemplo de prueba A/B

Una prueba estadística debe tener un sentido racional y no ser un esfuerzo aleatorio. En este caso, definimos una hipótesis basada en nuestro conocimiento del negocio. Lo ideal es encontrar algo que te diferencie de tus competidores, de modo que esto te permita mejorar la métrica que has elegido como objetivo.

En Pareto definimos las mejores métricas en las que centrarnos, en función de la fase del embudo de su campaña y del volumen de datos de su cuenta. Si su empresa ya ha superado la fase de aprendizaje, habrá acumulado mucha información, por lo que podemos realizar una prueba más avanzada.

Hemos desarrollado una plantilla estándar para facilitar la creación de una hipótesis, basta con rellenar los huecos:

SI mi anuncio varía .................................... PRONTO espero optimizar mis resultados POR QUÉ .....................................

He aquí un ejemplo de variación de un anuncio:

ab test: ejemplo de dos versiones de un anuncio en Google Ads

Cuando se publiquen los anuncios, habrá una frecuencia de impresión del 50% para cada una de las versiones: versión A y versión B del anuncio, y los resultados se supervisarán hasta el final del periodo de prueba.

Cuantos más datos se recopilen, más precisas serán las decisiones. Una vez que se han acumulado suficientes datos del anuncio original y de la variación, se hace una comparación y entonces determinamos cuál obtuvo mejores resultados.

La prueba A/B se puede crear con la ayuda de la herramienta Anuncios de Google que permite experimentar con los anuncios. Al final de la prueba, tendremos un nivel de confianza del 95% sobre qué anuncio ha sido el ganador. A continuación, se sugiere pausar el anuncio "perdedor" para conservar únicamente el "ganador".

Este es un ejemplo del resultado de una prueba A/B en una campaña. Podemos ver una comparación de clics, CTR, Coste, Conversiones y varias otras métricas.

prueba ab: imagen de la plataforma Google Ads que muestra los resultados de la prueba ab del anuncioEsto ahorrará dinero, ya que un anuncio más eficaz generará más clics cualificados, lo que se traducirá en una mayor tasa de conversión. Además, el índice de calidad será mejor, lo que permitirá reducir las pujas por palabras clave sin poner en peligro la posición en el ranking.

¿Cómo hacer una prueba A/B?

La prueba AB puede dividirse en cinco etapas: investigación, observación y formulación de hipótesis, creación de variaciones, ejecución y análisis de resultados.

1. Investigación

La investigación consiste en analizar datos actuales. Trata de responder a la pregunta principal: "¿Cómo estoy hoy?".

Puede parecer sencillo, pero para cada prueba tenemos una plataforma de datos con diferentes métricas que analizar. Crear una prueba A/B sin una investigación adecuada podría tener un impacto mínimo en el rendimiento.

Por tanto, aplicando el principio de Pareto (80/20) es importante para alinear la estrategia de pruebas con el objetivo que se quiere alcanzar.

Para cada prueba tenemos una plataforma de selección específica:

- Google Analytics - Prueba en el sitio en su conjunto (por ejemplo, un LP);
- Facebook Ads - Audiencia, anuncios, prueba de posicionamiento;
- Google Ads - Audiencia y prueba de anuncios;
- Firebase - Prueba de aplicación

2. Observación y formulación de hipótesis

Ésta es la etapa más crítica. Crear una prueba sin hipótesis es análogo a emprender un viaje por mar sin brújula. En otras palabras, es viajar sin rumbo y con la incertidumbre de no llegar a ninguna parte.

Antes de continuar, veamos más de cerca el concepto de hipótesis. Una hipótesis es una afirmación creada en un lenguaje sencillo que debe ser cuestionada.

Veamos un ejemplo de Hipótesis aplicada a un anuncio de Pareto:

Hipótesis: Los anuncios de la campaña Pareto Brand obtienen más clics cuando se utiliza el término Prueba gratuita en el titular 2.

3. Creación de la variación

Basándonos en la hipótesis, pongamos a prueba la afirmación creando un grupo de variación y un grupo de control (el original).

Es posible crear una prueba con múltiples variables, pero cuanto más simplificada sea la prueba, menor será su duración. Y más eficaz será para determinar la verdadera razón de la mejora del rendimiento. Consulte este otro artículo para obtener una explicación de los experimentos estadísticos de anuncios.

Siguiendo con el ejemplo de Pareto:

Grupo de control:

Grupo experimental:

4. Prueba

Una vez creada la variación, ¡hay que ponerla en práctica!

Es importante eliminar cualquier variable sesgada aplicada durante la prueba. Por ejemplo, al probar el anuncio anterior, lo ideal es asegurarse de que el número de impresiones o la inversión de cada variación sean lo más parecidos posible.

5. Análisis de los resultados

Una vez finalizada la prueba AB, es hora de analizar los principales resultados generados. Deben evaluarse métricas de rendimiento importantes, como: coste, clics, CTR, conversiones, CPA o ROAS, entre otras.

 Pongamos un ejemplo:

Grupo de control

Coste: 4.000 reales
Clics: 3.785
CTR: 4,25%
Conversiones: 112
CPA: 35,12 reales

Variación de grupos

Coste: 4.050 reales
Clics: 4.003
CTR: 5,12%
Conversiones: 96
CPA: 42,18 reales

¿Qué es lo próximo? ¿Cuál es el mejor anuncio?

Siguiendo la hipótesis probada anteriormente, de que el término "Prueba gratuita" aumentaría el número de clics, el anuncio ganador es la Variación. Porque tanto el número de clics (+5,7%) como el CTR (+20,5%) son mayores cuando tenemos "Prueba gratuita" en el titular 2 del anuncio.

Sin embargo, cuando se analiza en términos de conversiones, se puede ver que el número de conversiones cayó de una variación a la siguiente, con un aumento del 34,6% en el CPA. 

Por tanto, en términos de clics, el ejemplo funciona mejor. Sin embargo, en términos de conversiones, la respuesta es completamente opuesta. Ahora aplique la prueba a los anuncios de su cuenta.

¿Cómo mide sus resultados con Pareto Ads?

En Pareto Ads, tenemos una tarjeta de optimización One Click específica para los anuncios de pruebas A/B.

Así, cada vez que dos anuncios se dirigen a la misma audiencia, nuestro algoritmo realiza automáticamente una prueba entre ellos y es capaz de informar de los resultados cuando encuentra un resultado estadísticamente significativo.

Para ello, es necesario disponer de un volumen de datos suficiente para que las métricas sean relevantes para esta conclusión. Recomendamos aplicar experimentos con más del 80% de confianza estadística para obtener los mejores resultados.

Vea a continuación un ejemplo de cómo aparecerá la Tarjeta de Experimento Publicitario tanto para Google como para Facebook:

El algoritmo identifica la prueba que se está aplicando a su cuenta de Google Ads, evaluando los anuncios de la cuenta en esa campaña y grupo de anuncios específicos.

En el mismo One Click, puede ver qué prueba se ha realizado y los resultados. En este caso, la variación principal es el cambio del Titular 2.

Se presentan las métricas de la prueba, con los resultados estadísticos y los anuncios ganadores y perdedores. En este caso, la métrica de evaluación es el CPA (Coste por Adquisición).

Y algo que lo hace increíblemente fácil de gestionar: Pareto Ads ejecuta la prueba con un solo clic en el botón "Ejecutar". Así, ¡el anuncio perdedor se pausa automáticamente en tu cuenta!

Veamos ahora un ejemplo de experimentación con anuncios de un clic en Facebook Ads. En este caso, el algoritmo está evaluando las creatividades que se están ejecutando para la misma audiencia. También tenemos toda la información relevante, así como la importancia estadística y las creatividades anteriores que se estaban ejecutando para la toma de decisiones.

En este artículo, ha aprendido más acerca de los pasos importantes en la creación de una prueba A / B y cómo Pareto te ayuda a aplicarlo a tus anuncios de Google y Facebook.

Una vez finalizada una prueba A/B, puede continuar con el programa de pruebas, siempre con el objetivo de seguir mejorando la calidad del anuncio (o de la variable que se ha probado). Se pueden probar sucesivamente nuevos datos. Este ciclo virtuoso es fundamental para la optimización de las campañas.

Las pruebas A/B son una excelente oportunidad para ahorrar dinero y hacer que sus campañas sean aún más eficaces. Pero recuerda que si no se configura correctamente, en lugar de aportar optimización y ahorro a tus campañas, puede provocar pérdidas al destinar dinero a pruebas improductivas.

Además, preste atención a la fiabilidad estadística de los resultados de sus pruebas A/B, fije los plazos adecuadamente para que los datos recopilados sean suficientes. De ese modo, se podrán tomar las mejores y más fiables decisiones para tus campañas.

¿Le ha gustado este artículo?

0 / 5 5 1

Su page rank:

Pareto

Autor: Pareto - Aprende más sobre el mundo de las IAs y el Marketing Digital. ¡Accede ahora a nuestra colección de contenidos!

Dejar una respuesta

Este sitio utiliza Akismet para reducir el spam. Conozca cómo se procesan los datos de sus comentarios.