En un mundo en el que las pruebas A/B son realizadas por más del 70% de los negocios online, elegir no seguir una metodología basada en datos para tomar decisiones informadas sobre cambios en el sitio web podría parecer poco razonable.
¿Pero qué pasa si tu sitio web no tiene suficiente tráfico? ¿O si tu dirección se niega a justificar los costos de las pruebas A/B?
Puedes jugar a las adivinanzas y esperar que tus esfuerzos de optimización tengan éxito, o puedes utilizar métodos más cualitativos (y a menudo de bajo presupuesto) para convertir esas adivinanzas en una apuesta más segura.
Contenido del artículo
Para ser honestos, los siguientes métodos no proporcionarán una validez estadística de las pruebas A/B bien ejecutadas. Pero te ayudarán a evitar hacer cambios basados únicamente en el instinto o porque algo funcionó bien para tu competencia.
El enfoque de la apuesta más segura es una forma de eliminar tantas conjeturas como sea posible del proceso de optimización del sitio web. Se basa en la recopilación de comentarios de calidad de los usuarios que impulsan cambios en el diseño, el texto y los embudos.
Esto es lo que puedes probar con este enfoque:
Ahora, analicemos las alternativas específicas a las pruebas A/B tradicionales: cómo utilizarlas, qué herramientas elegir y qué hay que tener en cuenta.
Las pruebas de usuario son uno de los métodos de investigación cualitativa más utilizados. Desde hace casi 20 años, los profesionales del marketing afirman que solo 5 pruebas de usuario pueden revelar el 80% de los problemas de usabilidad.
Y, en su mayor parte, es cierto. Se recomienda realizar estudios más pequeños cada cierto mes. El problema, sin embargo, es que cuando se hacen cambios basados en las ideas de las pruebas de usuarios y el tráfico del sitio web es bajo, pueden pasar meses antes de ver los resultados.
Las pruebas A/B son una gran manera de optimizar la experiencia del usuario y la conversión entre dos o más variantes de diseño. Pero si necesitas entender el por qué, no solo el qué, como parte de tu proceso de diseño, o si se trata de un sitio web o una aplicación con poco tráfico, nada mejor que un proceso iterativo de pruebas cualitativas de experiencia de usuario.
Para sacar el máximo provecho de las pruebas, puedes añadir más calidad y velocidad:
Más usuarios = más puntos de datos
Piensa en esto: Te compras una playera nueva que no se parece en nada a lo que sueles usar . Le preguntas a una amiga si le gusta. Ella dice que no. Decides preguntar a tres personas más para verificar la opinión.
Dos de ellos dicen que sí, pero el último dice que no. Es un empate.
¿Qué haces? Sigues tu instinto y te quedas con la playera porque has invertido tiempo y dinero en comprarla.
¿Pero qué pasa si le preguntas a 20 personas que no te conocen? ¿Y a 50? Desde un punto de vista científico, ese número de datos no se acercaría a la significación estadística, pero sí podría hacer que te replantearas tu instinto.
Con 50 "usuarios", puedes acabar esencialmente con tres escenarios:
En este caso, no hay que limitarse a preguntar si el usuario prefiere el nuevo estilo, sino que hay que ir más allá y preguntarle por qué. La combinación de sus razonamientos y otros métodos de investigación te ayudarán a tomar una decisión más informada.
Información escrita = profundidad y rapidez
Esto puede ser un poco controvertido. Nos encantan los vídeos de pruebas de usuarios porque nos muestran a personas interactuando con nuestro sitio web (en un entorno controlado). En los últimos ocho años, he visto más de 1.000 grabaciones de este tipo, y lo que me llama la atención es que cuando se pide a los participantes que "digan lo que piensan en voz alta" o que "compartan su opinión verbalmente", esa opinión suele ser superficial.
Para (casi) obligar a tus usuarios a pensar realmente en lo que les gusta/no les gusta/no entienden del contenido/diseño/oferta que están revisando, pídeles que escriban su respuesta después de darles un feedback verbal.
Aquí te dejo un ejemplo (basado en pruebas reales no moderadas):
Tarea: Díganos qué no le ha gustado de la página del carrito.
Respuesta verbal: No hubo nada que me disgustara, tal vez las imágenes podrían ser mejores. (Respuesta genérica: no se puede hacer mucho con ella)
Tarea escrita: Describe, en una o dos frases, una cosa que no te haya gustado de la página del carrito (y por qué). [El usuario se ve obligado a utilizar muchas palabras y, por tanto, a dar una respuesta más detallada].
Respuesta escrita: Las imágenes de los productos que añadí al carrito eran pequeñas y no podía verificar inmediatamente si estaba comprando los productos correctos. [El usuario tuvo que pensar un poco más en el problema y proporcionó una respuesta procesable].
A menudo escucharás a los usuarios decir palabras como "mejor", "bueno", "malo", "confuso", lo que en última instancia no es útil para crear nuevos diseños o redactar textos. Poner los pensamientos por escrito da como resultado una retroalimentación de mayor calidad.
Con poco tráfico, tu proceso de pruebas debe incluir las siguientes etapas:
Si tienes una propuesta de valor convincente para tu producto/servicio, es probable que ya hayas identificado a tu público objetivo: quiénes son, qué necesitan, por qué deberían comprarte.
Cuando se realizan pruebas de usuarios, normalmente sólo se dispone de una o dos preguntas de selección para peinar a miles de usuarios registrados y obtener el perfil ideal.
Esto es lo que debe evitar en su proceso de selección:
Comparando las variaciones una al lado de la otra es donde se encuentra el aprendizaje de tus pruebas. Si tanto el control como la(s) variación(es) están en vivo y tienen URLs individuales, eso es genial. Pero si no es así, puedes hacer lo siguiente:
Una vez que tengas listos los usuarios y las URLs, necesitas un guion para que los usuarios lo sigan durante la prueba. Para las pruebas de usuarios, debes cubrir las siguientes áreas:
Si pides a tus usuarios que miren primero el Control y luego la Variación, su opinión sobre esta última estará sesgada (tendrán un nuevo punto de referencia en mente), por lo que es importante dividir a sus participantes en dos grupos.
Este enfoque ayudaría a revelar:
Si utilizas un guion de prueba similar al anterior, acabarás con respuestas escritas a 10 preguntas. Puede que tengas tu propio enfoque interno para analizar los datos escritos, pero si no lo tienes, hay plantillas de hojas de cálculo que puedes utilizar para estructurar y entender las respuestas de tu prueba.
Ahora hablemos de los mapas de calor. Hay muchos tipos que ofrecen información sobre lo que hacen los usuarios en sus páginas, cuánto se desplazan, en qué hacen clic, etc. Pero es fácil pasar por alto el hecho de que estos datos pueden utilizarse también para imitar las pruebas A/B.
El objetivo de una página de producto como esta debería ser:
Los mapas de calor muestran claramente donde se concentra la atención de los usuarios, por ejemplo, en la parte superior de la página. Y que los puntos de acción (clics) estén donde deben estar: alrededor de los CTA.
Sin embargo, también puede haber alguna actividad significativa, donde muchos visitantes hacen clic en algún desplegable, lo que sugiere que están buscando más información.
Esto nos llevaría a una hipótesis de prueba: Si movemos la sección despegable justo debajo de la sección con mayor atención, veremos menos desplazamiento. Como resultado, los usuarios encontrarán la información que buscan más fácilmente, lo que podría llevar a mayores conversiones.
Por supuesto, la hipótesis puede ser probada mediante A/B. Pero si no tienes suficiente tráfico, puede probar mediante A/B un mapa de calor con nueva idea de diseño.
Siguiendo estos pasos, puedes hacerte una mejor idea de si tu nuevo diseño es más eficaz que el anterior:
Este método tiene algunas limitaciones reales. Por un lado, estás optimizando las micro conversiones, es decir, las métricas de participación de los usuarios que, supones, se traducirán en mejoras a nivel macro (es decir, ventas). Esto no siempre resulta.
Además, estás comparando el rendimiento de una página en dos períodos de tiempo diferentes. La estacionalidad y otras campañas de marketing afectarán tus resultados. Y, con una página de bajo tráfico, puedes esperar meses para saber. Por ejemplo, si los usuarios que se desplazan menos para encontrar la información del curso realmente conducen a más conversiones.
Por supuesto, eliges este método por necesidad. Pero reporta los "resultados" con cautela y prueba los grandes cambios, no los pequeños retoques, para que la diferencia en el comportamiento de los usuarios sea clara.
Las pruebas de mapas no son algo que todo el mundo pueda hacer.
Si tu página objetivo atrae 2.000 visitas al mes, tardará unos 30 días en reunir esas 2.000 páginas vistas, que es un tiempo similar al que suelen durar las pruebas A/B.
Sin embargo, ten en cuenta que no se pueden rastrear todas las visitas a la página (por ejemplo, si un usuario no acepta su política de privacidad). Por lo que debe observar cuántos puntos de datos se generan cada día para estimar con precisión la fecha prevista de finalización de tu experimento.
Si el tráfico que llega a su página objetivo es tan bajo que le llevaría meses crear mapas de calor generados por los usuarios, las herramientas de retroalimentación instantánea que utilizan tecnología de seguimiento ocular podrían ser la mejor opción.
Mientras que los mapas de calor tradicionales se basan en datos reales de los visitantes del sitio web, el seguimiento ocular aprovecha las redes neuronales artificiales apoyadas por algoritmos de aprendizaje automático. En lugar de esperar semanas, puedes generar mapas de atención y clics en cuestión de segundos. Esto con una precisión de hasta el 85% en comparación con los datos reales de los visitantes.
La principal desventaja es que no se pueden crear mapas de desplazamiento, por lo que sólo funcionan bien para pruebas de una sola pantalla.
También hay herramientas de seguimiento ocular que pueden reclutar a usuarios reales y seguir sus ojos para generar mapas de calor.
El bajo tráfico y/o el bajo presupuesto de marketing no debería ser una excusa para que los equipos de marketing abandonen la optimización basada en datos.
Aunque las empresas con sitios de poco tráfico no pueden realizar pruebas A/B de la forma tradicional, sí pueden (y deben) utilizar otros métodos para determinar si sus esfuerzos de optimización harán que sus ventas se disparen o dejarán a los visitantes de su sitio web frustrados y confundidos.
