A/B testing

El A/B testing (o prueba A/B) es un método experimental que enfrenta dos variantes de un mismo elemento, la versión actual (control, A) y una versión modificada (variante, B), repartiendo el tráfico al azar entre ambas para medir cuál rinde mejor en una métrica objetivo (clics, conversiones, aperturas). En lugar de discutir qué asunto de email o qué color de botón funciona mejor, lo decides con datos reales de tu propia audiencia.

Se aplica a casi cualquier punto de contacto digital: asuntos de email, llamados a la acción, titulares de una landing, segmentos de un flujo de automatización o creatividades de un anuncio. Es una de las prácticas centrales de la optimización de marketing y de los flujos de campaña que automatiza Revio, porque convierte cada envío en una oportunidad de aprender qué le habla mejor a tu mercado.

La clave conceptual: un test A/B solo es válido si las dos audiencias son estadísticamente comparables y si cambias una sola variable por vez. Si modificas tres cosas a la vez, ganas el test pero no sabes qué fue lo que funcionó, y ese aprendizaje no se puede repetir.

Cómo funciona, paso a paso

Un test A/B bien corrido sigue una secuencia ordenada. Saltarse un paso suele ser la causa de un resultado que después no se sostiene.

1. Plantea una hipótesis concreta: no "probemos algo distinto", sino "si agrego el nombre del cliente en el asunto, la tasa de apertura sube". Una hipótesis te da una variable clara y un resultado esperado.
2. Define UNA métrica primaria: elige de antemano qué número decide el ganador (por ejemplo, tasa de conversión, no "varias cosas"). Mirar diez métricas a la vez te lleva a encontrar diferencias falsas por puro azar.
3. Cambia una sola variable: si testeas el asunto, todo lo demás (remitente, horario, contenido, segmento) queda igual. Así el resultado es atribuible a ese cambio.
4. Divide la audiencia al azar: el reparto entre A y B debe ser aleatorio y de tamaño parejo, para que las dos muestras sean comparables.
5. Calcula el tamaño de muestra antes de arrancar: define cuántos contactos por variante necesitas para detectar una diferencia real. Con audiencias chicas, casi ningún resultado será confiable.
6. Corre el test el tiempo suficiente: déjalo correr al menos un ciclo completo de comportamiento (en B2B argentino, normalmente una semana hábil entera) para no sesgar por día u horario.
7. Evalúa la significancia estadística: recién cuando el resultado supera el umbral de confianza (habitualmente 95%, p < 0.05) puedes declarar un ganador. Si no llega, el test fue inconcluso, que también es un aprendizaje válido.

Por qué importa en marketing B2B

En un mercado como el argentino, donde las listas suelen ser más chicas que las de un e-commerce masivo, cada decisión de copy pesa. El A/B testing reemplaza la opinión del que grita más fuerte en la reunión por evidencia, y construye un aprendizaje acumulativo: cada test deja una conclusión reutilizable sobre qué le habla a tu ICP. Esa es la diferencia entre "creemos que funciona" y "sabemos que funciona y por qué".

Ejemplo concreto

Una empresa de software B2B en Buenos Aires duda entre dos asuntos para su newsletter mensual a 4.000 contactos. La hipótesis: un asunto con una pregunta directa genera más aperturas que uno descriptivo. Reparte 50/50 al azar, deja una sola variable (el asunto), corre el test una semana completa y solo entonces compara la tasa de apertura. Si la diferencia supera el 95% de confianza, adopta el ganador para todos los envíos futuros y registra el aprendizaje. Si no, no toca nada y prueba otra hipótesis.

Errores comunes que invalidan un test

• Cortar el test demasiado pronto: ver a B ganando el primer día y declararlo campeón. Las primeras horas están dominadas por ruido; la ventaja casi siempre se achica al juntar más datos.
• Ignorar la significancia estadística: tomar una diferencia de "3 puntos" sin verificar si es estadísticamente real. Con muestras chicas, esa brecha puede ser puro azar.
• Cambiar más de una variable: testear asunto y horario a la vez. Si gana B, no sabes cuál de los dos cambios lo logró y no puedes replicarlo.
• Audiencias no comparables: mandar A a clientes activos y B a inactivos. Ahí mides al segmento, no a la variante.
• Mirar muchas métricas y elegir la que dio bien: si revisas suficientes números, alguno mostrará una diferencia por casualidad. La métrica primaria se elige antes, no después.

A/B testing vs test multivariado

Cuando hay más de un elemento en juego, aparece la pregunta de si conviene un A/B clásico o un test multivariado (MVT). La diferencia es práctica:

Para la mayoría de las empresas B2B en LATAM, con volúmenes acotados, el A/B testing simple es la herramienta correcta: más rápido de leer, menos tráfico necesario y aprendizajes más claros.