--- title: Pruebas A/B: qué son y cómo diseñar tu primer experimento de CRO canonical_url: https://agenciadecro.com/cro/pruebas-ab/ last_updated: 2026-09-15T12:33:19-05:00 plugin_version: 1.2.2 --- # Pruebas A/B: qué son y cómo diseñar tu primer experimento de CRO Una prueba A/B es un experimento controlado que compara dos versiones de una misma página o elemento repartiendo el tráfico entre ambas, para medir con datos cuál convierte mejor. En lugar de decidir por opinión o por gusto, dejas que el comportamiento real de tus usuarios elija la versión ganadora. Ese método está en el centro de la optimización de la tasa de conversión (CRO). No se trata de traer más visitas, sino de aprovechar mejor las que ya tienes. Una prueba A/B bien diseñada te dice, con evidencia, qué titular, qué botón o qué formulario te trae más clientes. En esta guía verás qué es, en qué se diferencia de un test multivariante y cómo montar tu primer experimento sin cometer los errores que arruinan los resultados. ¿Qué es una prueba A/B y cómo funciona? --------------------------------------- Una prueba A/B enfrenta dos versiones de un mismo activo: la original (control, o versión A) y una variante con un solo cambio (versión B). El tráfico se divide de forma aleatoria entre las dos y cada grupo ve una sola versión durante todo el experimento. Al terminar, comparas la métrica objetivo de cada grupo. Si la variante B convierte más y la diferencia es confiable, tienes evidencia para adoptarla. La clave está en cambiar una sola cosa a la vez, porque así sabes exactamente qué provocó la diferencia. Si mueves varios elementos juntos, ganas ruido y pierdes la lectura clara del resultado. ¿En qué se diferencia una prueba A/B de un test multivariante? -------------------------------------------------------------- La prueba A/B compara versiones completas cambiando un solo elemento; el test multivariante prueba varias combinaciones de varios elementos al mismo tiempo. La primera responde "¿qué versión gana?"; el segundo responde "¿qué combinación de cambios funciona mejor y cómo interactúan entre sí?". El costo de esa profundidad es el volumen. Un test multivariante reparte el tráfico entre muchas combinaciones, así que necesita mucho más público para llegar a un resultado confiable. Por eso conviene elegir según el tamaño de tu audiencia y la pregunta que quieres responder. **Criterio****Prueba A/B****Test multivariante**Qué comparaDos versiones, un cambioVarias combinaciones de varios elementosTráfico necesarioModeradoAltoVelocidad del resultadoMás rápidaMás lentaPregunta que respondeQué versión ganaQué combinación gana y cómo interactúanCuándo usarlaSitios con tráfico medio; validar un cambio concretoAlto tráfico; afinar varios elementos de una página clave¿Cómo diseñar tu primer experimento de CRO paso a paso? ------------------------------------------------------- Un buen experimento parte de una hipótesis basada en datos y termina con un resultado estadísticamente confiable. Estos son los pasos que ordenan el trabajo y evitan que pruebes al azar. ### Formula una hipótesis basada en datos No pruebes corazonadas. Revisa tu analítica, tus mapas de calor y las grabaciones de sesión para detectar dónde se caen los usuarios. Una hipótesis útil tiene forma clara: "si cambio X, entonces la métrica Y mejorará, porque los datos muestran Z". Así defines qué esperas y por qué. ### Elige una métrica objetivo Define la métrica principal antes de arrancar. Suele ser la tasa de conversión de la acción que te importa: una compra, un registro, un formulario enviado. Una sola métrica objetivo evita que interpretes los datos a conveniencia cuando veas los resultados. ### Calcula el tamaño de muestra y el tiempo mínimo Necesitas suficientes visitantes por versión para que el resultado sea confiable. Usa una calculadora de tamaño de muestra con tu tasa de conversión actual y la mejora que esperas detectar. Deja correr el test un ciclo completo, casi siempre una o dos semanas, para cubrir la variación entre días laborales y fines de semana. ### Verifica la significancia estadística La significancia estadística es la probabilidad de que la diferencia observada entre las versiones sea real y no producto del azar. Se expresa como nivel de confianza, y el estándar del sector es 95%. Por debajo de ese umbral, el resultado no es concluyente y arriesgas adoptar una variante que en realidad no mejora nada. ¿Qué elementos conviene probar en una prueba A/B? ------------------------------------------------- Conviene probar los elementos que tocan directamente la decisión del usuario y que reciben suficiente tráfico para dar un resultado en un plazo razonable. Empieza por lo que está cerca de la conversión, no por detalles cosméticos. Estos son los candidatos con mayor impacto: - Titular: el mensaje principal define si el usuario sigue leyendo o se va. - Llamada a la acción: el texto, el color y la ubicación del botón cambian la tasa de clic. - Formulario: cada campo que quitas o simplificas reduce la fricción para completarlo. - Precio: la forma de presentar el valor, las cuotas o las garantías afecta la percepción. Prioriza según el potencial de cada elemento y el volumen de tráfico que recibe. Un titular en tu página de mayor tráfico rinde más aprendizaje que un ajuste menor en una sección que casi nadie visita. ¿Cuáles son los errores más comunes al hacer pruebas A/B? --------------------------------------------------------- El error que más resultados arruina es detener el test antes de tiempo. Cuando ves que una versión "va ganando" al segundo día y la declaras vencedora, decides sobre ruido, porque todavía no hay muestra ni tiempo suficiente para confiar en el dato. Otro error frecuente es probar muchas cosas a la vez en una prueba A/B. Si cambias el titular, el botón y la imagen en la misma variante, obtienes un resultado, pero no sabes cuál de los tres lo causó. Para eso existe el test multivariante, que está diseñado para medir combinaciones. El tercer error es ignorar la significancia estadística. Una diferencia del 3% puede parecer una victoria, pero si el nivel de confianza no llega al umbral acordado, ese número puede desaparecer al repetir el experimento. Sin confianza estadística, tomas decisiones sobre espejismos. Cierra el círculo documentando cada experimento: la hipótesis, el resultado y el aprendizaje. Los tests que "pierden" también enseñan, porque descartan un camino y afinan la siguiente hipótesis. Preguntas frecuentes sobre las pruebas A/B ------------------------------------------ ### ¿Cuánto tiempo debe durar una prueba A/B? Lo suficiente para alcanzar el tamaño de muestra calculado y cubrir al menos un ciclo semanal completo. En la práctica suele ser entre una y dos semanas, para incluir la diferencia de comportamiento entre días laborales y fines de semana. Nunca la cortes solo porque una versión va adelante. ### ¿Cuánto tráfico necesito para hacer un test A/B? Depende de tu tasa de conversión actual y de la mejora que quieras detectar. Sitios con conversiones bajas o pocos visitantes necesitan más tiempo para acumular datos confiables. Una calculadora de tamaño de muestra te da la cifra exacta antes de arrancar, y así evitas sacar conclusiones prematuras. ### ¿Qué diferencia hay entre una prueba A/B y un test multivariante? La prueba A/B compara dos versiones cambiando un solo elemento y necesita menos tráfico. El test multivariante prueba varias combinaciones de varios elementos a la vez, mide cómo interactúan y exige mucho más volumen de público. Elige A/B para validar un cambio concreto y multivariante para afinar una página con mucho tráfico. ### ¿Qué es la significancia estadística en un experimento de conversión? Es la probabilidad de que la diferencia entre las versiones sea real y no fruto del azar. Se mide como nivel de confianza y el estándar habitual es 95%. Si tu resultado no llega a ese umbral, no puedes tratarlo como concluyente ni adoptar la variante con seguridad. ### ¿Puedo hacer pruebas A/B si tengo poco tráfico? Sí, con ajustes. Prueba cambios grandes y visibles, que producen diferencias más fáciles de detectar con menos muestra, y concéntrate en tus páginas de mayor tráfico. Con volumen bajo, cada test tarda más, así que prioriza los experimentos con mayor potencial de impacto en la conversión. Convertir mejor empieza por un experimento bien diseñado -------------------------------------------------------- Las pruebas A/B convierten el "yo creo" en "los datos muestran". Con una hipótesis clara, una métrica objetivo, el tamaño de muestra correcto y la disciplina de esperar la significancia estadística, cada experimento te acerca a una web que trabaja mejor con el mismo tráfico. En agenciacro dirigimos ese proceso con criterio estratégico senior y experimentación escalada por IA. Solicita un diagnóstico de conversión de tu sitio y descubre qué probar primero para empezar a convertir más de lo que ya visita tu página.