Optimización de conversión (CRO) desde UX: proceso, hipótesis y muestra
La optimización de conversión (CRO) es un ciclo de hipótesis y pruebas para mejorar una acción clave. Cómo formular la hipótesis y cuánta muestra usar.
¿Qué es el CRO desde UX?
Es la parte del trabajo de producto que se dedica a aumentar conversiones con pruebas. El diseño propone cambios en el flujo, el contenido o la jerarquía visual, y la analítica dice si esos cambios mueven la métrica.
Abmatic describe el proceso de un test como una secuencia: hipótesis, configuración, elección de métrica, tamaño de muestra, ejecución, análisis de significancia, implementación del ganador y optimización continua (Abmatic, “How to use A/B testing for CRO”). Lo importante es que la secuencia empieza antes de tocar la pantalla.
¿Por qué le importa a un diseñador?
Porque la conversión es la métrica que más discusiones genera. Un diseñador que sabe medir y formular hipótesis deja de defender pantallas por gusto y empieza a proponer cambios con un resultado esperado.
También te protege. Si un cambio “se ve mejor” pero baja la conversión, el CRO te lo dice a tiempo. Y si sube, tienes un argumento sólido para el siguiente rediseño.
¿Cómo se formula la hipótesis?
Una hipótesis útil relaciona un cambio con un resultado y una razón. Abmatic pide que sea específica, medible y basada en datos o investigación. Una forma práctica:
Si hacemos [cambio], esperamos que [métrica] suba, porque [evidencia o razón].
Por ejemplo: «Si mostramos el precio total antes del botón de pago, esperamos más pagos completados, porque en las entrevistas la gente abandonó al descubrir costes extra». La evidencia puede venir de métricas de usabilidad, de un análisis de embudos o de una prueba cualitativa. Sin evidencia, es una corazonada.
¿Cuánta muestra necesitas?
Aquí se equivocan casi todos. El tamaño depende de tres cosas: la tasa base de conversión, el efecto mínimo que quieres detectar y la potencia estadística, que suele fijarse en 80%. Evan Miller define el efecto mínimo detectable como el menor efecto que se detectará con esa probabilidad (Evan Miller, “Sample size calculator”).
La regla que se repite es simple: cuanto menor sea el efecto que quieres detectar, más muestra necesitas. Un cambio grande en una tasa baja necesita menos visitas que un cambio pequeño en una tasa alta. Por eso una cifra fija que circula en internet no sirve: el número depende de tus datos.
Calcula la muestra antes de empezar. Si tienes poco tráfico, es mejor probar cambios más grandes o medir con otros métodos.
¿Cuándo parar la prueba?
No cuando vaya ganando. Evan Miller muestra el problema con una simulación: un cambio que no hace nada (un logo nuevo), con una conversión base del 50%, y un test que se detiene en cuanto alcanza significancia al 5% o a las 150 observaciones. Si se revisa el resultado después de cada observación, el error real de falsos positivos llega a 26,1%, más de cinco veces lo que se cree. Es un peor caso, pero incluso con 2 o 3 revisiones el nivel real ya supera el 5% nominal (Evan Miller, “How not to run an A/B test”).
La recomendación es fijar el tamaño de muestra de antemano, esperar a que termine la prueba y no usar el dashboard para decidir cuándo cortar. Si necesitas mirar en continuo, existen métodos secuenciales o bayesianos, pero requieren otro diseño estadístico.
Ejemplo
Ejemplo ilustrativo: una tienda tiene un 3% de conversión en el checkout. El equipo cree que mostrar los costes de envío antes del último paso reducirá abandonos. Calcula que, para detectar una mejora de medio punto con 80% de potencia, necesita miles de visitas por variante. Decide dejar la prueba correr dos semanas completas, para cubrir fines de semana, y no mirar el resultado hasta cumplir la muestra. Al final, la variante gana por 0,4 puntos, pero el intervalo incluye cero. El equipo no declara ganador. Usa el resultado como aprendizaje y pasa a probar otra hipótesis sobre la confianza en el pago.
¿Cuándo NO conviene hacer CRO?
- Con poco tráfico. Sin volumen, las pruebas no llegan a una conclusión. Usa investigación cualitativa.
- Cuando el problema es de producto, no de pantalla. Si el servicio no cumple lo prometido, optimizar el botón no arregla nada.
- Como excusa para no investigar. Probar cien variantes sin entender el problema es caro y lento.
- Con métricas que no reflejan valor. Subir clics en un botón no significa que el cliente esté más satisfecho.
Las cifras de mejora que circulan en el sector suelen venir de vendedores. Baymard, por ejemplo, publica un benchmark de UX de checkout basado en más de 44.000 puntuaciones de usabilidad: según su artículo, el 59% de los sitios de escritorio y el 59% de los de móvil tienen un checkout “mediocre” o peor, y el 17% de los compradores encuestados abandonó una compra en los últimos tres meses por un checkout demasiado largo o complejo. Son cifras sobre el estado de los sitios, no promesas de aumento de conversión, y el propio artículo no cuantifica una mejora (Baymard, “Checkout UX”). Trátalas como orientación.
Errores comunes
- Probar sin hipótesis: “a ver qué pasa”.
- Cambiar varias cosas a la vez y no saber qué funcionó.
- Parar la prueba al ver el primer resultado favorable.
- Medir solo clics y no la acción final.
- Declarar ganador con una diferencia que cae dentro del margen de error.
Cómo empezar mañana
Elige un paso del embudo con más abandono. Escribe la hipótesis en una frase con el formato «si… esperamos… porque…». Calcula el tamaño de muestra con tu tasa base y el efecto que te importa de verdad. Anota en qué fecha vas a mirar el resultado y no antes. Si el paso es nuevo para tu equipo, empieza por la cultura de experimentación que lo hace posible. Y revisa las métricas clave para no optimizar lo que no importa.