Test A/B o personalización: en qué se diferencian y cuándo usar cada uno
Un test busca una decisión permanente; la personalización busca la mejor versión para cada segmento. Cómo combinarlos sin duplicar trabajo ni ensuciar las métricas.
Ambas técnicas muestran versiones distintas de la página, pero responden a preguntas opuestas. Confundirlas es la razón por la que muchas webs acumulan experimentos que nunca aplican.
La diferencia en una frase
- Test A/B: ¿qué versión funciona mejor para todos? El resultado se aplica al 100 % del tráfico.
- Personalización: ¿qué versión funciona mejor para este segmento? El resultado se queda como regla condicional.
Comparación
| Dimensión | Test A/B | Personalización |
|---|---|---|
| Pregunta | Qué versión gana | Qué versión conviene a cada visitante |
| Alcance | Todos los visitantes (o una fracción) | Segmentos: canal, país, dispositivo, cliente nuevo/recurrente |
| Duración | Semanas, con criterio de parada | Permanente, con revisión periódica |
| Métrica | Conversión con significación estadística | Métricas por segmento, a menudo sin muestra suficiente |
| Riesgo | Falso positivo si se para pronto | Sobreajuste: reglas que solo funcionaban en su momento |
| Resultado | Una decisión que se aplica | Un conjunto de reglas que se mantiene |
Cuándo usar test A/B
- Tienes una hipótesis concreta sobre un cambio y quieres saber si mejora la conversión global.
- Hay suficiente tráfico para detectar el efecto (revisa la calculadora de tamaño muestral).
- El cambio puede quedar fijo en la web si gana.
- Necesitas una decisión defendible: “el titular B sube el add_to_cart un 12 % con 97 % de probabilidad”.
Cuándo usar personalización
- El comportamiento difiere mucho por segmento y tienes datos para sostenerlo: móvil frente a escritorio, tráfico pagado frente a orgánico, primera visita frente a recurrente.
- El efecto depende del contexto: un mensaje de “envío gratis desde 30 €” funciona en carrito, no en la home.
- No hay forma de que una sola versión sirva a todos sin empeorar alguna parte.
El error clásico: personalizar con muestra de test
Segmentar un test en cinco grupos multiplica por cinco la muestra necesaria para cada uno. Si tenías 3.000 visitas para una comparación, ahora tienes 600 por segmento y cualquier diferencia será ruido.
Regla práctica: primero el test global, y solo cuando tengas un ganador claro, revisa si en algún segmento grande se comporta distinto. Si el efecto se invierte en un segmento con muestra suficiente (no en uno con 80 visitas), ahí tienes una candidata a regla de personalización.
Los informes por segmento (dispositivo, navegador, país) del detalle del experimento sirven exactamente para esto. El embudo por pasos añade la dimensión de dónde se cae cada variante.
Cómo se combinan en la práctica
- Investiga: mapas de calor y analítica para encontrar los puntos de fricción.
- Testea global: una hipótesis, una variable, duración fijada.
- Decide: aplica el ganador o descarta con el aprendizaje escrito.
- Personaliza solo lo demostrado: convierte en regla únicamente lo que tenga muestra suficiente.
- Revisa: una regla de personalización caduca; agenda una revisión por trimestre.
Ejemplo
Una tienda detecta que el test global del bloque de envíos sale plano: +1 %, sin significación. Al mirar segmentos, el efecto es +14 % en carrito y −6 % en home.
- Decisión correcta: no aplicar el cambio en home, aplicarlo fijo en carrito (sin test adicional, porque el segmento carrito tenía muestra suficiente).
- Decisión incorrecta: dejar el experimento corriendo para “ver si se aclara” o convertirlo en una regla personalizada para todos los segmentos a la vez.
Resumen
- Test A/B = decisión; personalización = regla.
- No segmentes para compensar falta de muestra.
- Personaliza solo efectos demostrados con datos suficientes.
- Documenta y revisa las reglas: envejecen.
¿Quieres aplicar esto con datos reales?
El plan gratuito de fluxAB incluye editor visual, mapas de calor y 5.000 visitantes al mes, sin tarjeta.
Crear cuenta gratis