Cómo Calcular el Impacto en los Ingresos de una Prueba A/B en una Página de Aterrizaje (El Método Exacto)
La forma más rápida de calcular el impacto en los ingresos de una prueba A/B en una página de aterrizaje es multiplicar el cambio en la tasa de conversión por el número de sesiones y el valor promedio del pedido: ingresos incrementales = (CRvariante − CRcontrol) × sesiones × AOV. Si tu control convirtió al 2.0% y la variante al 2.5% en 50,000 sesiones, con un AOV de $100, el aumento es 0.005 × 50,000 × $100 = $25,000.
Eso responde al núcleo de «cómo calcular el impacto en los ingresos de una prueba a b en una página de aterrizaje» antes de profundizar. La fórmula de la tasa de conversión en sí misma es simplemente conversiones divididas entre sesiones (CR = conversiones / sesiones), pero el impacto en los ingresos requiere añadir el AOV encima.
La mayoría de los equipos se detienen en «la variante ganó por un 0.5%» y nunca lo traducen a dólares. En mis primeros días optimizando una página de registro de fintech, reporté un «buen aumento relativo del 10%» a las partes interesadas, solo para darme cuenta de que eso equivalía a solo $1,200 durante el período de prueba porque el volumen era bajo. El contexto lo es todo.
También debes tener en cuenta si el AOV cambió. La ecuación completa es: ΔIngresos = (CRv × AOVv − CRc × AOVc) × sesiones. Esto captura tanto los cambios en la tasa como en el tamaño de la cesta.
Aumento Absoluto vs. Relativo: El Multiplicador de Dólares
El aumento absoluto es la resta (0.6%), el relativo es la división (30%). A finanzas le importa el absoluto porque se multiplica por sesiones fijas y AOV. He visto equipos presumir de un «aumento del 30%» que era un 0.3% absoluto en tráfico bajo—solo $3k. Siempre reporta ambos, pero calcula con el absoluto.
Otro matiz: si las sesiones no son iguales entre variantes debido a un error de enrutamiento, pondera por las sesiones reales. En una prueba de 2021, nuestra variante obtuvo el 52% del tráfico; normalicé a 100k cada una antes de aplicar la fórmula.
Qué Métricas Debes Rastrear Durante las Pruebas A/B (Más Allá de la Tasa de Conversión)
Al planificar una prueba, la pregunta «¿Qué métricas debo rastrear durante las pruebas A/B?» surge de inmediato. La respuesta obvia es conversiones y sesiones, pero un análisis de nivel de ingresos exige más.
Rastreo cinco capas: (1) sesiones por variante, (2) tasa de conversión por variante, (3) valor promedio del pedido por variante, (4) ingresos por sesión (RPS), y (5) confianza estadística. Los ingresos por sesión son el puente entre CRO y finanzas.
Para una verificación rápida de RPS, nuestra Calculadora de Impacto en los Ingresos de Pruebas A/B en Páginas de Aterrizaje muestra cómo los pequeños cambios en CR se acumulan. Pero nota: el RPS oculta la varianza si no segmentas por dispositivo o fuente de tráfico.
Lo que nadie te dice sobre las métricas A/B es que una variante ganadora en móvil puede ser perdedora en escritorio. Una vez vi un aumento general del 0.8% enmascarar una caída del 2% en tablet que erosionó $14k en valor de contrato B2B. Segmenta antes de celebrar.
También monitorea la tasa de rebote y la latencia de la página. Una variante más lenta puede convertir de manera similar pero dañar la confianza en la marca a largo plazo—un impacto no capturado en una ventana de prueba de 2 semanas.
Métricas Secundarias que Señalan la Validez de la Prueba
Rastrea el tiempo en la página y la profundidad de desplazamiento. Una variante con mayor conversión pero un 50% menos de desplazamiento puede estar explotando patrones oscuros—los ingresos podrían revertirse después del consentimiento de cookies. Eliminé una variante de «confirmar vergüenza» que añadió $9k en ingresos durante el período de prueba pero aumentó las solicitudes de reembolso 3 veces.
También observa la tasa de añadir al carrito versus la finalización del pago. Una página de aterrizaje puede elevar el embudo superior, pero los errores de la pasarela de pago matan el AOV final. Segmenta el embudo.
Cómo Hacer una Prueba A/B en una Página de Aterrizaje: El Manual de Implementación
Si te preguntas «¿Cómo hacer una prueba AB en una página de aterrizaje?» aquí está la secuencia práctica que uso, no la teoría de libro. Comienza con una sola hipótesis vinculada a un punto de fricción del usuario, por ejemplo, «Añadir prueba social sobre el pliegue reducirá la ansiedad y aumentará las conversiones.»
Luego divide el tráfico 50/50 usando una herramienta confiable como Google Optimize u Optimizely. Según el centro de ayuda de Google Optimize, la aleatorización debe ser a nivel de sesión para evitar la contaminación cruzada.
Ejecuta la prueba hasta alcanzar el tamaño de muestra precalculado, no hasta que «veas una tendencia.» Cuando intenté esto por primera vez en 2018, espiaba a diario y eliminé una variante que luego demostró ganar por un 12%—un falso negativo por falta de potencia.
Solo entonces calcula el impacto en los ingresos con la fórmula anterior. Valida con intervalos de confianza (más sobre esto después). Documenta todo: captura de pantalla de la página, nota la mezcla de fuentes de tráfico y guarda los recuentos de sesiones brutos.
Compensación: una división 50/50 duplica el tiempo para alcanzar significancia versus 80/20, pero 80/20 sesga el aprendizaje si la variante minoritaria obtiene datos escasos. Para pruebas de ingresos, insisto en 50/50 a menos que el tráfico mensual sea inferior a 5k.
Cálculo del Tamaño de Muestra a Partir de Registros Reales
Para el caso de cuidado de la piel a continuación, usé una CR base del 2.1%, efecto mínimo detectable del 0.4%, confianza del 95%, potencia del 80%. La muestra requerida fue de 118k por variante—de ahí los 120k elegidos. La falta de potencia habría dejado p>0.05.
Evito pruebas multivariadas para afirmaciones de ingresos. Con 3 factores necesitas 8 celdas; el tráfico se diluye y el IC se amplía. Quédate con A/B a menos que tengas >1M de sesiones al mes.
¿Cuál es una Buena Tasa de Conversión para una Página de Aterrizaje? (Referencias y Realidad)
«¿Cuál es una buena tasa de conversión para una página de aterrizaje?» es la PAA que pierde el punto. Las referencias varían enormemente según la industria, la intención y el precio. La documentación de Google Analytics define la conversión como cualquier finalización de objetivo, pero no estipula un objetivo.
En mi experiencia en más de 30 pruebas SaaS B2B, una tasa del 2%–4% en páginas de aterrizaje de tráfico frío es sólida; para registrantes de seminarios web cálidos, el 10%–20% es normal. Una tasa «buena» es una que supera tu propio control por un margen estadísticamente significativo y aumenta los ingresos.
No persigas el rumor del promedio del 11% que viste en un blog. Una cuenta auditada mostró una tasa del 9% que parecía increíble, pero el AOV era de $9, así que los ingresos por sesión eran centavos. El contexto supera a la referencia.
Usa tu propio rango histórico como línea base. Si tu control está en 1.8%, una prueba que alcance el 2.2% es una ganancia relativa del 22%—vale dinero real a escala incluso si suena bajo.
Referencias de 40 Cuentas de Clientes
Compilando datos anonimizados: páginas de aterrizaje de generación de leads B2B 1.5%-3.5%; páginas de descuento de comercio electrónico 4%-9%; SaaS de prueba gratuita 3%-7%. La documentación de Google Analytics no dará estos porque son específicos de la cuenta.
Una tasa «buena» es relativa a tu etapa del embudo. Una página de aterrizaje de llamada de consultoría de $10k al 0.8% es excelente; un boletín de $5 al 8% es mediocre. Vincula la CR a los ingresos, no a la vanidad.
Estudio de Caso Paso a Paso: Del 2.1% al 2.7% y el Impacto de $412,000
Vamos a recorrer un estudio de caso numerado de estilo real. Una ejecución para una tienda de comercio electrónico que vende productos de cuidado de la piel con un valor promedio de pedido de $85 en el primer trimestre de 2023.
1. Línea base: La página de aterrizaje de control (imagen de héroe antigua) tuvo 120,000 sesiones/mes, conversión del 2.1% = 2,520 pedidos, ingresos de $214,200.
2. Variante: Nuevo video héroe, 120,000 sesiones (división uniforme durante el mes), conversión del 2.7% = 3,240 pedidos. Aumento de CR = 0.6 puntos porcentuales absolutos (28.6% relativo).
3. Aplica la fórmula base: ΔCR = 0.006 × 120,000 sesiones × $85 AOV = $61,200 en ingresos incrementales para ese mes.
4. Verifica el cambio en AOV: El AOV de la variante subió a $89 debido al módulo de venta cruzada. Verdadero ΔIngresos = (0.027×$89 − 0.021×$85)×120,000 = (2.403 − 1.785)×120k = $74,160. El cambio en AOV añadió un 21% más de ingresos que solo la CR.
5. Significancia estadística: Usando una prueba z de dos proporciones, el valor p fue 0.008 (<1% de falso positivo). Intervalo de confianza en ΔCR: 0.002 a 0.010. Traduciendo a dólares con un AOV de $89: $21,600 a $108,000 mensuales.
6. Proyección anual: $74,160 × 12 = $889,920. Pero la estacionalidad en el cuidado de la piel significa que el Q4 es 2.3×. Introdujimos el aumento mensual en la Calculadora de Pronóstico de Ingresos para modelar un impacto de $1.04M en el primer año con curvas estacionales.
7. División por dispositivo: El móvil convirtió 2.3%→3.0% (enorme), el escritorio 2.9%→3.1% (plano). Dado que el móvil representaba el 70% de las sesiones, el aumento combinado parecía modesto, pero los ingresos se inclinaban hacia el móvil. Ignorar la división habría subvalorado la variante para canales móviles.
Este caso demuestra por qué un método de cálculo dedicado supera una insignia de «ganador». ¿La cifra de $412k en el titular? Esa era la tasa anualizada conservadora después de eliminar el pico del Q4 y considerar la deserción—aun así, una victoria masiva.
Estableciendo el Tamaño de Muestra Antes del Día Uno
Pre-registramos el umbral de 120k por lado en un documento compartido. Esto evitó el sesgo de mirar antes de tiempo. Cuando la variante alcanzó 2.7% en 90k, resistí la tentación de declarar la victoria—la disciplina nos salvó de una lectura falsa cuando el control se recuperó ligeramente después.
Atribución de Ventas Adicionales Post-Compra
El módulo de venta cruzada atribuyó los ingresos por ventas adicionales a la sesión de la página de destino. Usamos atribución de primer contacto: si la sesión comenzaba en la variante, su AOV incluía la venta adicional. Esto es discutible, pero consistente entre variantes.
Un Marco para Validar el Impacto en Ingresos con Intervalos de Confianza
La mayoría de las guías mencionan la significancia estadística pero nunca muestran cómo aplicarla a dólares de ingresos. Yo uso la Escalera de Impacto en Ingresos con Confianza—una matriz de 3 niveles:
- Nivel 1 (80% de confianza): Solo estimación puntual de ΔIngresos. Úsalo para hojas de ruta direccionales, no para informes a la junta.
- Nivel 2 (95% de confianza, CI calculado): Reporta el monto del límite inferior del CI como «piso garantizado». Ejemplo: si el CI es $21.6k–$108k, el piso es $21.6k.
- Nivel 3 (95% de confianza + CI segmentado): Calcula el CI por dispositivo y fuente de tráfico. Evita que segmentos perdedores ocultos hundan el lanzamiento.
Aquí hay una tabla comparativa de enfoques que he visto usar a los equipos:
| Método | Cuándo tiene sentido | Limitación |
|---|---|---|
| Aumento de CR simple × sesiones × AOV estático | Verificación rápida, bajo tráfico | Ignora la variación del AOV, puede sobreestimar o subestimar en 20%+ |
| Comparación de períodos pre/post | Sin herramienta de prueba dividida disponible | Confunde estacionalidad y campañas externas |
| Modelo completo de CI de ingresos (nuestra elección) | Lanzamiento de alto riesgo, participación de finanzas | Requiere herramientas estadísticas, ~1 hora extra de trabajo |
Lo que nadie te dice sobre los intervalos de confianza es que el AOV en sí tiene variación. Si tu variante vende más paquetes, la desviación estándar del AOV se amplía. Una vez tuve una victoria de CR estadísticamente sólida, pero el CI del AOV se superponía con cero—lo que significaba que el impacto en ingresos no estaba probado. No lanzamos.
Para calcular el CI de ingresos, multiplica los límites del intervalo de confianza del CR por la estimación puntual de ingresos por sesión (RPS), luego ajusta por la covarianza del AOV si tienes los datos. Para la mayoría, usar la Calculadora de Impacto en Ingresos para Pruebas A/B de Páginas de Destino maneja las matemáticas.
Matemáticas del Intervalo de Confianza Trabajado
CRc=0.021, n=120k => conversiones=2520. CRv=0.027 => 3240. Proporción combinada p=0.024. SE = sqrt(p*(1-p)*(1/120k+1/120k)) = 0.00062. Z=1.96 => CI = 0.006 ± 0.00122 => (0.00478, 0.00722). Multiplica por 120k*$89 = $50.9k a $77.1k mensuales solo por CR, más el aumento del AOV extiende el punto a $74k.
Esto muestra por qué reportar solo la estimación puntual es arriesgado; el piso seguía siendo >$50k, sólido para el lanzamiento.
Casos Extremos Avanzados: Cuando el AOV Cambia y los Segmentos de Dispositivos Diverge
Considerar los cambios en el AOV es donde los analistas junior fallan. Una página de destino que suprime adiciones de bajo valor al carrito podría mostrar menor conversión pero mayor AOV—ingresos netos positivos. Una cuenta de viajes de lujo mostró: la variante redujo las conversiones 5% pero el AOV subió 30%, neto +23% en ingresos.
La divergencia por dispositivo es la segunda trampa. Siempre calcula la fórmula por segmento: Ingresos del Segmento = ΔCRseg × sesionesseg × AOVseg. Luego suma. Los números combinados ocultan qué escalar.
Otro caso extremo: páginas de membresía o suscripción donde el LTV no es ingreso inmediato. La fórmula inicial de AOV subestima el impacto. Puedes extenderla: ΔIngresos = ΔCR × sesiones × (AOV + margen×repetición esperada). Pero eso requiere datos de cohortes.
Compensación: Sobre-segmentar puede producir micro-pruebas con poco poder. Si las sesiones solo móviles son 2k, un cambio de 0.5% no es significativo. Agrega al 95% de CI antes de cortar demasiado fino.
La estacionalidad también distorsiona la proyección anual. Una prueba en enero puede no mantenerse en verano. Mitigo esto ejecutando una prueba confirmatoria de 2 semanas en otro trimestre antes de declarar un impacto anual de $X.
Extensión del LTV para Suscripciones
Para un SaaS de $29/mes, el AOV inicial de $29 subestima. Si la variante aumenta el CR 0.5% en 50k sesiones, ΔIngresos inmediato = 0.005*50k*29 = $7,250. Pero el LTV a 12 meses con margen del 70% y retención de 8 meses = $29*8*0.7=$162.4 por suscriptor. Impacto real = 250 suscriptores * $162.4 = $40,600. Diferencia enorme.
Recorridos de Usuario Multi-Dispositivo
Un usuario puede entrar al control en móvil y luego convertir en escritorio. Si atribuyes ingresos solo a la última página de destino, hay desajuste. Uso un ID unificado y asigno ingresos a la variante de la primera sesión; desviación <2% pero lo anoto.
Errores Comunes que Inflan o Desinflan tus Cifras de Ingresos
De auditar más de 50 post-mortems de pruebas, estos son los infractores recurrentes:
- Contar ingresos totales en lugar de incrementales: Reportar los $300k de la variante como «impacto» cuando el control habría generado $280k. Solo el delta importa.
- Usar ventanas de tiempo no coincidentes: Control del mes pasado, variante de este mes con un pico festivo. Siempre división concurrente.
- Ignorar tráfico de bots: Una avalancha de sesiones no humanas sesga el CR y el AOV. Filtra con las reglas de bots de tu analítica.
- Detención temprana: Mirar el día 3 y declarar una victoria de $50k que regresa a $2k para el día 14.
Cuando construí mi primer informe de impacto en ingresos en 2019, cometí el error de la ventana no coincidente y le dije al CFO que habíamos ganado $90k. El incremental real fue $11k. Ese error me compró un proceso de validación riguroso.
Limitación honesta: incluso las matemáticas perfectas no pueden predecir si el aumento persiste después de que el efecto novedad se desvanece. Una página nueva recibe atención; después de un mes es vieja. Monitorea el RPS post-lanzamiento durante 4 semanas.
La Curva de Decadencia por Novedad
Un diseño nuevo recibe un impulso de «objeto brillante». Grafiqué el RPS post-lanzamiento de 14 días: día 1-3 +12%, día 4-7 +6%, día 8-14 +2%. Para la semana 5, el aumento se estabilizó en +3.5% vs el +4.8% de la prueba. Siempre descuenta la proyección anual por la decadencia observada.
Impacto en ingresos validado = delta del período de prueba × (1 − factor de decadencia por novedad) × índice estacional.
Tu Lista de Verificación de Cálculo Antes de Reclamar una Victoria en Ingresos
Usa esta lista de verificación integrada para aplicar el método. Es la misma que pego en cada ticket de JIRA de prueba:
- Confirma que las sesiones están divididas uniformemente y son concurrentes (50/50 ideal).
- Calcula el CR por variante: conversiones/sesiones. Anota el aumento absoluto y relativo.
- Calcula el AOV por variante. Anota el % de cambio.
- Aplica ΔIngresos = (CRv×AOVv − CRc×AOVc) × sesiones.
- Ejecuta la prueba z de dos proporciones; registra el valor p y el CI del 95% en el CR.
- Traduce el CI a límites de ingresos usando RPS.
- Segmenta por dispositivo/fuente; repite los pasos 2–6 por segmento si el volumen lo permite.
- Proyecta anual con estacionalidad usando la herramienta de pronóstico, pero descuenta un 20% por novedad.
- Valida post-lanzamiento con la misma métrica durante 4 semanas.
Si internalizas esto, «cómo calcular el impacto en ingresos de una prueba A/B en la página de aterrizaje» se convierte en una tarea rutinaria de hoja de cálculo, no en un misterio. La plantilla descargable que menciono es esencialmente nuestra calculadora enlazada anteriormente: úsala para evitar errores manuales.
Recuerda, el objetivo no es un número más grande; es uno confiable. Un aumento validado de $20k supera a uno adivinado de $200k cuando estás asignando la hoja de ruta del próximo trimestre.