A/B testing frente a test multivariante (y A/B/n) para B2B

La diferencia entre A/B testing y test multivariante está en lo que compara cada uno. Un test A/B compara dos versiones de una página. Un test A/B/n compara tres o más versiones completas. Un test multivariante (MVT) cambia varios elementos a la vez, como el titular, la imagen hero y el CTA, y prueba todas las combinaciones (a veces llamado A/B testing multivariante) para saber qué elementos y qué combinación impulsan las conversiones.

En las webs B2B, el tráfico suele decidir por ti. Cada variante o combinación adicional divide aún más a tus visitantes, y la muestra necesaria crece más rápido de lo que dicta la intuición. A continuación tienes los cuatro tipos de test que realmente hacen los equipos B2B (A/B, A/B/n, multivariante y tests de personalización por segmento), lo que cuesta cada uno en tráfico con un ejemplo resuelto, una tabla de decisión y ejemplos de tests adecuados para cada tipo.

Los cuatro tipos de test de un vistazo

Los números de tráfico detrás del A/B testing y las pruebas multivariante

Todas las cifras siguientes usan la fórmula estándar de tamaño de muestra para dos proporciones (varianza combinada) con un 95 % de confianza, bilateral, y un 80 % de potencia, calculadas en Node.js. El método y las tablas completas están en nuestro artículo sobre tamaño de muestra en A/B testing. Puedes calcular lo mismo para tu propia página con nuestra calculadora de tamaño de muestra para A/B testing, que aplica la corrección de Bonferroni para pruebas A/B/n.

Ejemplo (cifras ilustrativas): una página de demo convierte al 3 % y quieres detectar una mejora relativa del 20 % (del 3,0 % al 3,6 %). Un test A/B simple necesita 13.914 visitantes por variante, es decir, 27.828 en total.

A/B/n: más variantes, umbrales más estrictos

Con tres variantes desafiantes frente a un control haces tres comparaciones, y aumenta la probabilidad de al menos un falso ganador. La corrección más sencilla (Bonferroni) divide alfa entre el número de comparaciones, de modo que cada comparación se prueba a 0,05 / 3 = 0,0167. Eso eleva la muestra por brazo de 13.914 a 18.559, y el total de 27.828 a 74.236 en los cuatro brazos, aproximadamente 2,7 veces el tráfico del A/B test.

Multivariante: las combinaciones se multiplican

Ahora testea tres elementos con dos versiones cada uno (titular A o B, imagen A o B, CTA A o B). Un diseño factorial completo tiene 2 × 2 × 2 = 8 celdas. Si quieres comparar cada combinación con el control, como hacen implícitamente la mayoría de los informes de tests multivariantes, cada celda necesita una muestra completa: 8 × 13.914 = 111.312 visitantes sin ninguna corrección, u 8 × 22.112 = 176.896 visitantes con una corrección de Bonferroni para siete comparaciones.

Ese es el peor caso. En realidad, un diseño factorial es eficiente para los efectos principales. Para estimar el efecto del titular, comparas las cuatro celdas con el titular A con las cuatro del titular B, lo que aprovecha todo tu tráfico. Si los elementos no interactúan, 27.828 visitantes te informan de los tres elementos a la vez. En ese caso, en la práctica has ejecutado tres tests A/B en paralelo. Útil, pero no es la razón por la que la mayoría de los equipos eligen el test multivariante.

Los equipos suelen hacer tests multivariantes para encontrar interacciones ("este titular solo funciona con esa imagen") y la mejor combinación. Las interacciones son caras. La conocida nota de Andrew Gelman, You need 16 times the sample size to estimate an interaction than to estimate a main effect, explica por qué: la estimación de una interacción tiene el doble de error estándar que un efecto principal y, si la interacción es la mitad de grande que el efecto principal (su supuesto declarado), necesitas 16 veces la muestra para la misma potencia. Aplicado a nuestro ejemplo, son unos 445.000 visitantes.

Qué significa en meses

En una página con 20.000 visitantes mensuales, un test multivariante 2×2×2 que analice cada combinación tarda casi un año con la corrección. Con 5.000, tarda años. Nuestra opinión: el test multivariante rara vez es práctico en webs B2B, y una afirmación como "hicimos un test multivariante y ganó la combinación 6" con unos pocos miles de visitantes al mes merece revisar a fondo la muestra antes de que nadie actúe en consecuencia.

Lo que la mayoría de los equipos hacen mal

El error habitual es elegir el tipo de prueba por ambición y no por la pregunta. Los equipos eligen MVT porque tienen muchas ideas, no porque necesiten saber si las ideas interactúan. Eligen A/B/n con cinco variantes porque nadie se ponía de acuerdo en una. Ambas decisiones dividen un tráfico limitado en porciones demasiado finas para sacar conclusiones.

El segundo es probar elementos cuando la verdadera pregunta es sobre las audiencias. En una web B2B, lo que convierte suele depender más de quién mira que del titular que se muestra. Un comprador industrial y el fundador de una SaaS quieren pruebas distintas. Probar el titular A frente al B para todos promedia esas audiencias y puede ocultar una variante que gana con claridad en un segmento y pierde en otro. Ese es el argumento a favor de las pruebas de personalización dirigidas a segmentos.

Tabla de decisión: qué prueba hacer

Los umbrales de tráfico son orientativos para una tasa base del 3 %. Calcula los tuyos con la fórmula del tamaño de muestra antes de comprometerte.

Ejemplos de buenos tests para cada tipo

Tests A/B

• Formulario de demo frente a reserva instantánea en calendario en la página de demo.
• Hero centrado en funcionalidades frente a hero centrado en resultados en la home.
• Página de precios con un nivel "habla con ventas" frente a precios publicados para todos los niveles.

Agrupar varios elementos en un mismo concepto no es problema en un A/B test. Aprendes si el concepto gana, no qué elemento lo consiguió, y normalmente esa es la decisión que realmente necesitas tomar. Nuestra guía de optimización de la tasa de conversión B2B explica cómo priorizar estas ideas.

Pruebas A/B/n

• Tres propuestas de valor en una landing page de pago con mucho tráfico: velocidad, ahorro de costes, reducción del riesgo.
• Tres ofertas de CTA: demo, evaluación de ROI, tour del producto. Consulta nuestra guía de CTA personalizados basados en datos para ver cómo cambia el tipo de oferta según la fase.

Limita los tests A/B/n a tres variantes (control más dos) salvo que el tráfico sea inusualmente alto, y haz que cada variante sea realmente distinta para que los efectos sean lo bastante grandes como para distinguirlos.

Tests multivariantes

• Titular (2 versiones) × tipo de prueba social (logos frente a una cita de un caso de éxito) en una home con muchísimo tráfico, cuando tienes un motivo concreto para esperar que ambos elementos interactúen.

Si no sabes nombrar la interacción que esperas, probablemente no necesitas una prueba multivariante.

Pruebas de personalización dirigidas a segmentos

• Hero de la página de inicio específico para visitantes de empresas de servicios financieros frente al hero por defecto.
• Pruebas orientadas a enterprise (seguridad, escala) en la página de precios para empresas de más de 1.000 empleados frente a la página estándar.
• Saludo y caso de éxito para cuentas objetivo ABM frente a la página genérica.

Cómo probar la personalización frente a un grupo de control

Una prueba de personalización es un A/B test que se realiza solo dentro de un segmento. El control es un grupo de ese segmento que ve la página por defecto. Sin ese grupo de control, no puedes separar el efecto de la personalización del hecho de que el segmento simplemente convierta de otra forma.

1. Define el segmento con precisión, por ejemplo "visitantes identificados como empresas de servicios financieros con más de 200 empleados". Solo esos visitantes entran en la prueba.
2. Mide el tráfico mensual del segmento hacia las páginas probadas. Esto, y no el tráfico total del sitio, determina la duración.
3. Elige el tamaño del grupo de control. Un reparto 50/50 es el más rápido de interpretar. Los grupos de control más pequeños evitan que más visitantes vean la experiencia por defecto, pero cuestan tiempo.
4. Elige una conversión que el segmento realmente haga, medida a lo largo de la visita o de las visitas de la cuenta, y mantén el pipeline como métrica de control.
5. Fija el tamaño de muestra y la duración antes del lanzamiento, y lee el resultado solo para ese segmento.

Ejemplo (cifras ilustrativas): un segmento aporta 3.000 visitantes al mes, convierte al 3 % y quieres detectar una mejora relativa del 30 %. Calculado con una versión de la fórmula para asignación desigual (sin agrupar), con el mismo 95 % de confianza y 80 % de potencia:

Un grupo de exclusión del 10 % tarda unas 2,5 veces más en dar una lectura que un reparto 50/50. Nuestra recomendación: haz el primer test de cada segmento al 50/50 para obtener una respuesta clara y, tras el despliegue, mantén un pequeño grupo de exclusión permanente (del 10 al 20 %) para comprobar si el efecto se mantiene con el tiempo. La hoja de ruta de tests de personalización muestra cómo secuenciar estos tests entre segmentos. Empieza por el segmento con más tráfico y la brecha de mensaje más clara, porque es el que antes da resultados. Olvídate de los tests por segmento cuando el segmento aporte solo unos cientos de visitantes al mes; con ese volumen, ni siquiera un reparto 50/50 dará una respuesta legible en un año.

Ejecutar estos tests con grupo de control requiere identificar el segmento antes de que se renderice la página y dividir solo ese segmento. El A/B testing de Markettailor lo hace por segmento, usando la segmentación a nivel de empresa para decidir quién entra en cada test, de modo que un test para fintech solo ve visitantes de fintech.

Preguntas frecuentes

¿Cuál es la diferencia entre el A/B testing y las pruebas multivariante?

El A/B testing compara dos versiones completas de una página. Las pruebas multivariante cambian varios elementos a la vez y prueban todas las combinaciones, de modo que pueden mostrar qué elementos importan y si interactúan entre sí, a costa de necesitar mucho más tráfico.

¿Qué es el A/B/n testing?

El test A/B/n compara un control con dos o más variantes completas a la vez. Es útil cuando tienes unos pocos enfoques realmente distintos, pero cada variante adicional necesita su propia muestra y un umbral de significación más estricto.

¿Cuánto tráfico necesitas para un test multivariante?

Para un test 2×2×2 en una página que convierte al 3 %, evaluar cada una de las 8 combinaciones frente al control para un incremento del 20 % requiere aproximadamente entre 111.000 y 177.000 visitantes, según la corrección por comparaciones múltiples. Detectar interacciones puede requerir varias veces más.

¿Merece la pena el test multivariante en las webs B2B?

Rara vez. La mayoría de las páginas B2B no tienen tráfico suficiente para interpretar combinaciones o interacciones en pocos meses. Los A/B tests de conceptos más amplios y las pruebas de personalización dirigidas a segmentos suelen dar respuestas más claras y más rápido.

¿Se pueden combinar el A/B testing y el test multivariante?

Sí. Una secuencia habitual es hacer primero A/B tests de conceptos y después, solo en páginas con muchísimo tráfico, un pequeño test factorial sobre dos elementos dentro del concepto ganador, si tienes una interacción concreta que comprobar.