Tengo una confesión que hacer. Solía ejecutar pruebas A/B aleatorias simplemente para ejecutar otra prueba.
Leía artículos como 50 ideas de pruebas divididas A/B, anotaba mis favoritas y luego llegaba al trabajo al día siguiente listo para agregar una imagen de fondo o probar un nuevo CTA.
Pero el problema de ejecutar pruebas A/B de esta manera es que mientras poder lograr aumentos de conversión, por lo general son de corta duración y, por lo general, no se pueden aplicar a otras áreas de su embudo.
Todo lo que queda saber es que un fondo azul se convirtió mejor que el verde en una ventana emergente. O que “Comenzar ahora” funcionó mejor que “Comenzar”.
Ahora no digo que no sea importante probar los colores de fondo o el texto de CTA. Ciertamente lo es.
Pero aún más importante que los cambios superficiales que realiza en sus pruebas A/B es el razonamiento central detrás por qué estás ejecutando esas pruebas.
Si está cansado de realizar experimentos únicos que no le brindan los resultados generalizados en todo su embudo, siga leyendo. En este artículo, explicaré cómo realizar científicamente una prueba A/B utilizando una hipótesis para aprovechar al máximo la optimización de la tasa de conversión.
¡Empecemos!
Conviértete en un científico
La realización científica de pruebas A/B puede ser la diferencia entre ejecutar una prueba que prueba algo y ejecutar una prueba que genera un resultado aleatorio.
Eche un vistazo a cómo la mayoría de los especialistas en marketing están ejecutando pruebas A/B (o multivariadas) en estos días.
Original:
Variación:
En este ejemplo, ambos anuncios anuncian una computadora portátil Sony VAIO. Pero en la variación, están probando simultáneamente el CTA, el título, el subtítulo y el color.
Ahora imagine que está en el equipo de marketing de Sony a fin de mes.
¿Cómo puedes explicar lo que ha estado funcionando en tu estrategia de pruebas A/B? ¿A la gente le gusta cierto color? ¿Puedes usar la frase “Duplica el almacenamiento SSD gratis” en otra de tus campañas?
No. No hay pruebas reales de que una cosa haya tenido más impacto que otra. Y (y aquí está el factor decisivo) ¿qué pasaría si un elemento tuviera un gran efecto positivo pero debido al efecto negativo de otro elemento los resultados de la prueba no fueran concluyentes?
No haga pruebas como estas.
Por eso es importante desarrollar una hipótesis de prueba sólida antes de comenzar.
¿Qué es una hipótesis?
En ciencia, una hipótesis se define como “una visión tentativa del mundo natural; un concepto que aún no está verificado pero que de ser cierto explicaría ciertos hechos o fenómenos”.
Entonces, ¿qué significa eso para el marketing?
Si está ejecutando una prueba A/B que está probando una hipótesis subyacente, si se demuestra que esa hipótesis es correcta, tendrá una mejor comprensión de los principios responsables de la conversión.
Y por esto no me refiero a:
El azul le ganó al verde El botón grande convirtió mejor que el botón pequeño “12 recursos para usted” superó a “12 nuevos recursos” como línea de asunto del correo electrónico
Si bien estos podrían ser los resultados de una prueba A/B, no predicen ni prueban nada fuera de eso. específico prueba. Y por eso es importante empezar con una hipótesis bien pensada.
La fórmula de 3 pasos para crear una hipótesis de prueba A/B
Proponer una hipótesis de prueba A/B de buena calidad es bastante simple. Todo lo que necesitas es un:
Problema de conversión
Solución propuesta
Declaración de impacto
Paso 1: El problema de la conversión
El problema de conversión es una declaración sobre por qué las personas no se están convirtiendo actualmente. Requiere que eches un vistazo a tu página desde la perspectiva de tus usuarios. Esto incluye considerar el contexto de su oferta, la facilidad de uso de la página y la estética general del diseño. Con estos factores considerados, los problemas de conversión podrían incluir:
No está claro dónde está el CTA Las personas no saben lo suficiente sobre el producto para convertir El texto de la página no está resonando con nuestra audiencia El valor no se ha comunicado adecuadamente
Una vez que haya definido por qué cree que sus usuarios no se están convirtiendo (y está bien presentar una lista de estas ideas), es hora de pasar a proponer una solución.
Paso 2: una solución propuesta
Entonces, digamos que su problema de conversión es “No está claro dónde está el CTA”. En base a este problema, podría proponer una serie de soluciones, tales como:
Ampliar el botón de CTA Cambiar el color de la CTA para que contraste mejor o diferente con el fondo de la página Agregar una señal direccional Animar el botón de CTA Cambiar el color de fondo de la página
Cada uno de estos puede parecer pruebas que podría haber realizado en el pasado. La diferencia es que son soluciones propuestas para un problema específico: “No está claro dónde está el CTA”.
Una vez que tenga una solución propuesta, puede pasar al paso tres para comenzar a definir cómo su solución solucionará su problema de conversión.
Paso 3: Declaración de impacto
El paso tres se trata de articular el impacto que predices que tendrá la solución propuesta en tu problema de conversión. Recuerde que esta afirmación debe tener en cuenta qué estarás probando y cómo eso tendrá un impacto positivo en su problema de conversión.
Siguiendo con el mismo ejemplo, si el problema de conversión es que:
“No está claro dónde está la CTA”.
Y su solución propuesta es:
Entonces su declaración de impacto podría ser:
“Al ampliar la CTA, será más claro dónde está la CTA y será más probable que los usuarios se conviertan”.
En otras palabras, visualizar su declaración de impacto puede verse como:
Solución propuesta + problema de conversión = declaración de impacto
Al seguir este proceso de 3 pasos, puede llegar a una comprensión más clara de por qué su tráfico no se está convirtiendo y puede desarrollar una declaración de impacto clara para probar cómo mejorar.
¿Y qué es aún mejor? Su declaración de impacto es tu hipótesis.
Eso no fue tan difícil ahora, ¿verdad?
Terminando
Si está buscando maximizar el impacto que está obteniendo de todas sus pruebas A/B, desarrollar una hipótesis bien elaborada es el primer paso.
Ser científico con las pruebas A/B tampoco tiene por qué ser difícil. Recuerde trabajar con la fórmula de 3 pasos para generar una hipótesis efectiva:
Problema de conversión
Solución propuesta
Declaración de impacto
Con esta fórmula de tres pasos en mente, estará preparado para crear mejores pruebas, ver mejores resultados y tener una mejor comprensión general de por qué sus pruebas A/B están ganando y cómo se pueden aplicar esos principios al resto de sus campañas de marketing.
Lectura relacionada:
