Tests A/B en cadena: diagnóstico de tu conversión

Cuando se habla de test A/B, casi siempre se piensa en un experimento suelto: cambias un botón, comparas dos versiones, sale un ganador o no sale. Pero un test A/B es, sobre todo, una herramienta de diagnóstico. Y a veces, un test que "no gana" es el que te da la pista más valiosa para el siguiente.

Este post explica qué es exactamente un test A/B y, con un caso real de Viuty, cómo cuatro tests encadenados (tres de ellos sin resultado positivo en la métrica final) permitieron localizar el cuello de botella real del carrito y resolverlo con una mejora que generó +10.690 € adicionales al mes.

El error de ver cada test A/B como un experimento aislado

Un test A/B compara dos versiones de una misma página o elemento (el control y la variante) repartiendo el tráfico entre ambas para medir cuál convierte mejor. Hasta aquí, la definición de manual.

El error habitual es tratar cada test como una pregunta cerrada: ¿funcionó, sí o no? Si la respuesta es no, se cierra el test, se apunta el aprendizaje y se pasa a la siguiente idea de la lista. El problema es que esa forma de trabajar trata cada test como si no tuviera relación con el anterior, cuando en realidad cada resultado —haya ganado o no— es información sobre por dónde se mueve (o se atasca) tu usuario en el funnel.

El caso: un CTA que "funcionaba" y una conversión que no subía

Test 1 y 2 — El CTA visible aumenta el interés, pero no las ventas

El primer test de esta cadena en Viuty fue un CTA sticky que mantenía visible en todo momento el botón de añadir al carrito. El resultado en Add to Cart fue claramente positivo: +11,6%, con cerca del 99% de probabilidad de ganar. A primera vista, un éxito.

Pero al mirar el siguiente paso del funnel, el dato cambiaba de signo: la tasa de paso de Add to Cart a Initiate Checkout cayó de 58,9% a 52,3% (−11,2%). El dato clave, sin embargo, fue otro: quien llegaba al checkout compraba prácticamente igual en ambas variantes (65,5% vs 65,1%). Es decir, el CTA sticky generaba más intención, pero esa intención no se traducía en más gente llegando al checkout. El propio informe del test señaló ese tramo —carrito → checkout— como el punto a atacar en el siguiente experimento.

El segundo test confirmó la misma señal por otro camino: Add to Cart subió +4,48%, pero el Initiate Checkout volvió a caer y la compra terminó −11,37%.

Test 3 — Confirmando dónde está la fuga real

En el tercer test, una nueva landing con un atajo directo al checkout, terminó de confirmar el diagnóstico: el Initiate Checkout subió un +65%, una mejora enorme en ese paso concreto del funnel. Pero, otra vez, esa mejora tampoco se tradujo en más compras.

Tres tests, tres resultados distintos en su métrica final —uno positivo en superficie, dos sin ganador—, pero los tres apuntando exactamente al mismo sitio: el problema no estaba en generar interés ni en llevar tráfico al checkout. Estaba en lo que pasaba dentro del carrito, justo antes de que el usuario diera el paso final.

Test 4 — Atacando el punto exacto de fricción

Con ese diagnóstico ya validado por tres experimentos distintos, el último test rediseñó el carrito directamente: los métodos de pago y los sellos de confianza (entrega, devoluciones) se movieron justo encima del CTA de compra, el bloque de precio se unificó en un solo lugar y el copy del botón pasó de "Terminar pedido" a "Finalizar pedido →".

El resultado: qué cambió y cuánto impactó al negocio

En tan solo 15 días estos fueron los resultados:

<table> <thead> <tr> <th>Métrica</th> <th>Control</th> <th>Variante</th> <th>Cambio</th> </tr> </thead> <tbody> <tr> <td>Compra (objetivo principal)</td> <td>22,12%</td> <td>23,75%</td> <td>+7,37% (90,57% de probabilidad de ganar)</td> </tr> <tr> <td>Track Add Payment Info</td> <td>25,65%</td> <td>27,04%</td> <td>+5,42%</td> </tr> <tr> <td>Ingreso por visitante (RPV)</td> <td>``</td> <td>``</td> <td>+11,6%</td> </tr> </tbody> </table>

La variante cruzó el umbral bayesiano de la cuenta (90% de probabilidad, pérdida esperada del 2,58%, por debajo del máximo aceptado de 3,54%). El impacto económico estimado: +10.690 € adicionales al mes. Como en los tres tests anteriores, el efecto fue más marcado en usuarios recurrentes (+10,55% en conversión, +15,18% en ingreso por visitante), que representan el 64% del tráfico de la cuenta.

La lección metodológica: leer los tests en conjunto, no uno a uno

Si Viuty hubiese cerrado la cadena después del primer test nunca habría llegado a la última conclusión. Y si hubiese cerrado después del segundo o tercero —"sin ganador, siguiente idea de la lista"— habría perdido la pista que cada uno de esos tests, a su manera, estaba dejando: el problema vivía en el tramo carrito → checkout, no antes ni después.

Cada test individual respondía una pregunta pequeña y específica. La pregunta grande (dónde está realmente la fuga) solo se contesta leyendo la serie completa.

Cómo montar tu propia cadena de diagnóstico con tests A/B

No hace falta acertar a la primera con el test que va a "ganar". Lo que hace falta es un criterio claro para leer cada resultado, gane o no, como una pista sobre el funnel:

• Mide siempre el paso siguiente, no solo la métrica que estás testeando directamente. Un test puede mejorar un micro-objetivo (Add to Cart, clics, scroll) y empeorar el objetivo de negocio si no miras el paso de después.
• Cuando un test no gane, pregúntate qué sí confirma. Un "sin ganador" con un patrón consistente en varios cortes (como el Initiate Checkout cayendo en dos tests seguidos) es una señal, no un fracaso.
• No cambies de hipótesis en cada test. La cadena de Viuty funcionó porque cada test siguiente atacaba la misma fricción desde otro ángulo, no porque saltara a una idea completamente nueva cada vez.

Si quieres identificar en qué tramo de tu propio funnel se está produciendo una fuga similar, nuestra auditoría gratuita de CRO es un buen punto de partida.