En resumen

Una prueba A/B en ecommerce reparte el tráfico al azar entre dos versiones de una página, un anuncio o un feed de producto, y se queda con la que vende más. Los test más rentables suelen estar antes del clic (títulos e imágenes del feed, Catalog Ads) y en la página que recibe el tráfico de pago.

Pagas cada clic de Shopping, Performance Max y Meta. Antes de cambiar un título del feed, una plantilla de Catalog Ads o la página que recibe ese tráfico, quieres saber si la nueva versión vende más. Para eso sirve una prueba A/B: comparar dos versiones con un tráfico comparable y decidir con datos.

Esta guía reúne 30 ideas de test A/B para ecommerce, ordenadas según el momento del recorrido de compra: feed y anuncios, landing page después del clic, ficha de producto, listados y checkout. Para cada una tienes la métrica que conviene mirar y la herramienta que permite lanzarla. Al final, la duración de un test y los errores que invalidan un resultado.

Qué es una prueba A/B en ecommerce

Una prueba A/B (o test A/B, split test) es un experimento controlado: el tráfico se reparte al azar entre una versión A, el control, y una versión B, la variante. Entre las dos cambia una sola cosa. En ecommerce, la versión ganadora se decide con una métrica de venta elegida antes del lanzamiento: tasa de conversión, ingreso por usuario (RPU), ticket medio o ROAS.

Existen dos variantes cercanas. El test A/B/n compara más de dos versiones de un mismo elemento. El test multivariante cruza varios elementos a la vez (título e imagen, por ejemplo) y exige mucho más tráfico, porque cada combinación se convierte en un grupo del test. Para la mayoría de catálogos, una serie de test A/B simples enseña más y antes.

Un test A/A, por último, enfrenta dos versiones idénticas. Sirve para comprobar la herramienta: si dos páginas idénticas muestran una diferencia significativa, el reparto o la medición fallan.

Por dónde empezar: el paso del recorrido que más factura

Empieza donde pasan más tráfico y más ventas, y donde puedas desplegar la versión ganadora sin un proyecto de IT. Para un ecommerce que compra tráfico de Shopping y Meta, el orden suele ser este: el feed y los anuncios (llegan a todo el tráfico de pago), la página que recibe ese tráfico, y después la ficha de producto, los listados y el checkout.

PasoA qué llegaEjemplo de testMétrica principal
Feed de producto y anunciosTodas las impresiones de Shopping, PMax y Catalog AdsTítulo enriquecido frente a título original en una categoríaCTR, CPC, ROAS
Landing page post-clicTodo el tráfico de pago que llega a la webPágina dedicada frente a ficha de producto originalRebote, conversión, RPU
Ficha de productoTráfico de pago y orgánicoEnvío y devoluciones junto al botón de compraAñadidos al carrito
Listados y navegaciónVisitantes que exploranOrden por defectoClics a producto, conversión
Carrito y checkoutVisitantes ya decididosGastos de envío visibles antesAbandono, conversión

El checkout llega a menos visitantes, pero cada punto que ganas ahí vale mucho. Según Baymard Institute, que promedia 50 estudios, la tasa media de abandono del carrito es del 70,22 %, y un gran ecommerce puede aumentar su conversión un 35,26 % corrigiendo la usabilidad del checkout (Baymard, actualizado el 28 de octubre de 2026).

Ideas de test A/B antes del clic: feed de producto, Shopping y Catalog Ads

Antes del clic, pruebas lo que Google y Meta muestran de tus productos: títulos, atributos, imágenes y plantillas de Catalog Ads. Google Ads lo permite de forma nativa con los experimentos de Demand Gen (el feed de producto es una variable que se puede probar); los test de recursos de Performance Max miden lo que textos, imágenes y vídeos añaden al feed solo. Meta lo permite con la herramienta de pruebas A/B del Administrador de anuncios. Prueba una categoría antes de generalizar a todo el catálogo.

Casi todas las listas de ideas de test A/B se quedan en la web. En un catálogo de miles de referencias, estos test previos al clic afectan a cada impresión que pagas.

  1. Título enriquecido frente a título original. «Marca + modelo» frente a «marca + modelo + el atributo que importa al comprador» (material, uso, compatibilidad). Métricas: CTR y CPC.
  2. Atributos completados. Color real, material, talla o product_type reconstruido en un segmento, frente al feed de origen. Métricas: impresiones y CTR.
  3. Imagen principal. Packshot sobre fondo blanco frente a imagen de ambiente, dentro de las normas de Merchant Center. Métrica: CTR.
  4. Plantilla de Catalog Ads. Catálogo sin diseño frente a una plantilla que muestra el precio y la promoción en grande. Métricas: CTR, CPC, ROI.
  5. Recursos de Performance Max. Un grupo de recursos solo con el feed frente al mismo grupo con textos, imágenes y vídeos añadidos. Métricas: conversiones y valor de conversión.
  6. Shopping estándar frente a Performance Max. Útil antes de migrar una campaña de Shopping que funciona. Métricas: ROAS y coste por conversión.
  7. Vídeo de producto en los anuncios. Recursos estáticos frente a vídeos generados a partir del catálogo, en Meta o Demand Gen. Métricas: CTR y coste por resultado.
TestHerramienta nativaCómo funcionaMétrica
Feed A frente a feed B (títulos, imágenes)Google Ads, experimento de Demand GenVariable «feed de producto», de 2 a 10 grupos, reparto recomendado del 50 %Conversiones, CPA
Recursos enriquecidos frente a solo feedGoogle Ads, test de recursos de Performance MaxUn grupo de recursos «solo feed» como control frente al mismo grupo enriquecidoConversiones, valor
Shopping frente a PMaxGoogle Ads, experimento de Performance MaxUna campaña de Shopping existente comparada con una campaña PMaxROAS, coste por conversión
Plantilla de Catalog AdsAdministrador de anuncios de Meta, prueba A/BAudiencias repartidas sin solapamiento, una variable por testCTR, coste por resultado

Antes de las rebajas, Faguo comparó su catálogo de Meta habitual con una plantilla de Smart Creative con el precio y la promoción como titular. El algoritmo de Meta asignó el 66 % del presupuesto a esa variante, que obtuvo un 86 % más de impresiones, un 7 % más de CTR, un 5 % menos de CPC y un 6,4 % más de ROI (caso Faguo Smart Creative). En Castorama, la optimización del feed con Feed Enrich, nuestra herramienta de optimización de feeds de producto, se probó primero en la categoría Jardín y Exterior y después se desplegó en los 63 000 productos del catálogo: un 4 % menos de CPC y un 10 % más de CTR (caso Castorama). Feu Vert España consiguió un 32 % más de ROAS en Google Shopping con Feed Enrich, medido en un test A/B 50/50 del catálogo (caso Feu Vert).

Para producir las variantes de imagen y vídeo que quieres probar, Smart Asset genera versiones a partir de tus imágenes de producto, que tu equipo valida antes de publicarlas.

Ideas de test A/B para la landing page del tráfico de Shopping y Meta

El tráfico de pago suele llegar a una ficha de producto pensada para un visitante que ya ha decidido. Prueba esa ficha, como control, frente a una página pensada para el tráfico de pago, como variante: el mismo producto arriba y más opciones alrededor. Reparte el tráfico entre las dos, mide la diferencia de rebote, conversión e ingreso por usuario, y pasa todo el tráfico a la ganadora.

  1. Ficha de producto original frente a landing dedicada. El producto en el que se hizo clic arriba, seguido de productos similares, variantes y filtros. Métricas: rebote y RPU.
  2. La promesa del anuncio, repetida en la página. Mismo precio, misma promoción, mismas palabras que el anuncio. Métrica: rebote.
  3. Merchandising. Productos similares frente a los más vendidos de la categoría. Métricas: clics a producto y ticket medio.
  4. Versión móvil. Plantilla móvil más ligera frente a plantilla de escritorio adaptada. Métricas: conversión en móvil y velocidad percibida.
  5. Página para Meta frente a página para Shopping. Quien llega desde un Catalog Ad está descubriendo la marca; quien llega desde Shopping está comparando. Prueba una página distinta por canal. Métrica: RPU por canal.

Este test necesita una infraestructura que sirva las dos versiones sin ocupar al equipo de IT. En Smart Landing Page, el tráfico se reparte entre un control y un challenger, se mide el incremento de ROAS y después el 100 % del tráfico pasa a la versión ganadora. Norauto España redujo un 50 % su tasa de rebote y aumentó un 18 % su conversión en Google Shopping, con un catálogo de más de 100 000 productos (caso Norauto). En Fnac, las Smart Landing Pages probadas frente a las fichas de producto de la categoría Fotografía aumentaron un 23,5 % el ingreso por usuario, un 16,9 % la tasa de conversión y un 9,2 % los añadidos al carrito (caso Fnac). Faguo validó la solución con un test A/B progresivo antes de generalizarla, con 6 plantillas para móvil y escritorio: un 17 % menos de rebote y un 10,8 % más de ingreso por usuario (caso Faguo).

Para profundizar en el diseño de estas páginas, lee nuestra guía para optimizar una landing page de ecommerce.

Ideas de test A/B en la ficha de producto

En la ficha de producto, prueba lo que ayuda al visitante a decidir: el orden y el tipo de imágenes, el título, la posición de las opiniones, cómo se muestra el precio y la información de envío junto al botón de compra. La métrica principal es la tasa de añadidos al carrito; revisa también la conversión para no quedarte con una variante que solo llena carritos abandonados.

  1. Orden de las imágenes. Packshot primero frente a foto con modelo o de ambiente primero. Métrica: añadidos al carrito.
  2. Vídeo de producto. Galería con un vídeo corto frente a galería solo de fotos. Métricas: tiempo en página y añadidos al carrito.
  3. Título orientado al uso. Título técnico frente a un título que dice para qué sirve el producto. Métrica: añadidos al carrito.
  4. Opiniones de clientes. Nota y número de opiniones bajo el título frente a un bloque de opiniones al final. Métrica: conversión.
  5. Precio tachado y ahorro. Precio tachado solo frente a precio tachado más el importe ahorrado. Métrica: conversión, vigilando el margen.
  6. Envío y devoluciones junto al botón. Plazo, coste y condiciones de devolución al lado del botón frente a la misma información en una pestaña. Métrica: añadidos al carrito.
  7. Selector de variantes. Muestras de color y talla visibles frente a un desplegable. Métrica: añadidos al carrito, sobre todo en móvil.

Ideas de test A/B en listados y navegación

En las páginas de categoría y los resultados del buscador interno, prueba el orden de los productos, los filtros y la densidad de la cuadrícula. Estas páginas sirven al visitante que compara. La métrica principal es la tasa de clic hacia una ficha de producto y, después, la conversión de las sesiones que pasan por el listado.

  1. Orden por defecto. Relevancia frente a más vendidos frente a novedades. Métricas: clics a producto y conversión.
  2. Filtros. Filtros principales en botones sobre la cuadrícula frente a panel lateral. Métrica: uso de filtros y después conversión.
  3. Densidad de la cuadrícula en móvil. Dos productos por fila frente a uno. Métricas: clics a producto y profundidad de scroll.
  4. Etiquetas. «Oferta», «Novedad» o valoración media en la miniatura frente a una miniatura limpia. Métrica: clics a producto.
  5. Segunda imagen al pasar el ratón. Vista trasera o foto con modelo al pasar el ratón frente a una sola imagen. Métrica: clics a producto en escritorio.

Ideas de test A/B en el carrito y el checkout

En el carrito y el checkout, prueba todo lo que elimina un motivo para abandonar: costes visibles pronto, compra como invitado, confianza en el pago y número de pasos. Según Baymard, los costes adicionales demasiado altos (envío, impuestos, gastos) son el primer motivo de abandono (el 40 % de quienes abandonan por algo distinto a solo estar mirando), por delante de la entrega lenta y la obligación de crear una cuenta.

  1. Gastos de envío visibles en la ficha o en el carrito. Frente a gastos que aparecen en el último paso. Métrica: tasa de abandono.
  2. Compra como invitado. Opción de invitado destacada frente a creación de cuenta propuesta primero. Métrica: conversión del checkout.
  3. Número de pasos. Checkout en una página frente a checkout en varios pasos. Métrica: conversión del checkout.
  4. Métodos de pago. Pago aplazado, Bizum o carteras digitales (Apple Pay, Google Pay) visibles desde el carrito frente a solo al final. Métricas: conversión y ticket medio.
  5. Umbral de envío gratuito. Barra de progreso hacia el umbral frente a una simple mención. Métrica: ticket medio.
  6. Confianza. Logos de pago, garantía y política de devoluciones junto al botón de pago frente a en el pie de página. Métrica: conversión del checkout.

Cuánto debe durar una prueba A/B en ecommerce

Una prueba A/B en ecommerce debe durar al menos una semana completa, para cubrir las diferencias entre días laborables y fin de semana, y a menudo dos. Fija la duración y el volumen de conversiones necesario antes del lanzamiento, y no leas el resultado antes de tiempo. Meta recomienda al menos 7 días, y Google pide al menos 50 conversiones por grupo en un experimento de Demand Gen optimizado para conversiones.

Las plataformas publicitarias publican referencias útiles:

  • Meta: una prueba A/B se programa de 1 a 30 días, y un test de menos de 7 días puede no ser concluyente. Si tus clientes tardan más de 7 días en convertir después de ver un anuncio, Meta aconseja alargar el test (Meta, prácticas recomendadas para pruebas A/B).
  • Google Ads, Demand Gen: al menos 50 conversiones por grupo para estrategias de CPA o de conversiones, y un umbral de confianza del 70 % (por defecto), 80 % o 95 % (ayuda de Google Ads).
  • Google Ads, todos los experimentos: una hipótesis, una variable, una o dos métricas de éxito elegidas antes del lanzamiento y ningún cambio en la campaña base durante el test, salvo si la sincronización está activada (ayuda de Google Ads).

Evita lanzar un test en rebajas o en Black Friday si quieres aplicar el resultado al resto del año: los compradores se comportan de otra forma. Si tienes poco tráfico, prueba un cambio más grande (una página distinta en lugar del color de un botón) o agrupa varias categorías en el mismo test.

Errores que invalidan una prueba A/B

Una prueba A/B suele fallar por tres motivos: lees el resultado demasiado pronto, el reparto del tráfico no coincide con lo previsto o cambias varias cosas a la vez. Revisa los tres antes de dar un ganador. Cuenta también con que la mayoría de las ideas pierde: según Microsoft, menos de un tercio de las ideas evaluadas en experimentos controlados mejoran la métrica buscada, y la proporción es aún menor en Bing (blog de Bing, 2013).

  • Parar en cuanto el resultado parece bueno (peeking). Si miras los datos cada día, acabarás viendo una diferencia «significativa» debida al azar. Fija la duración y la regla de parada antes del lanzamiento.
  • Ignorar un SRM. El sample ratio mismatch es una diferencia entre el reparto observado y el previsto, por ejemplo 54/46 en lugar de 50/50. Los investigadores de Microsoft lo describen como una de las señales más útiles de un problema de calidad de datos (Fabijan et al., KDD 2019). Si aparece, busca la causa (medición, redirecciones, bots) antes de interpretar nada.
  • Cambiar varias cosas a la vez. Si la variante cambia el título, la imagen y el precio, no sabrás cuál ha influido.
  • Tocar la campaña durante el test. Un cambio de presupuesto, de puja o de recursos a mitad de test invalida la comparación.
  • Encender y apagar campañas a mano. Meta lo desaconseja: las audiencias se solapan y la entrega pierde eficacia (ayuda de Meta). Usa la herramienta de pruebas A/B.
  • Optimizar el clic en lugar de la venta. Un CTR más alto no garantiza un mejor ROAS. Mira también la conversión y los ingresos.
  • Falta de sensibilidad. Con poco tráfico, el método CUPED reduce la varianza usando los datos previos al test, lo que permite detectar una diferencia menor con la misma muestra (Deng et al., WSDM 2013).

Antes de lanzar un test, repasa esta lista:

  1. Una hipótesis escrita y una métrica principal.
  2. Un solo cambio entre A y B.
  3. Duración, volumen de conversiones y regla de parada fijados de antemano.
  4. Un test A/A o una comprobación del SRM durante los primeros días.
  5. Ningún cambio en la campaña ni en la página durante el test.
  6. El resultado y la siguiente hipótesis anotados en un registro compartido.

Herramientas: qué sustituye a Google Optimize

Google Optimize y Optimize 360 dejaron de estar disponibles el 30 de septiembre de 2023 (ayuda de Google Analytics). Para probar un ecommerce en 2026 conviven tres familias de herramientas: las plataformas de experimentación para la web, los módulos nativos de las plataformas publicitarias y las soluciones especializadas en el feed de producto y la landing page post-clic.

FamiliaEjemplosQué pruebaLímite
Plataformas de experimentación webAB Tasty, Kameleoon, Optimizely, VWO, apps de ShopifyPáginas de la web, recorridos, personalizaciónNo llega a los anuncios ni al feed
Módulos de las plataformas publicitariasExperimentos de Google Ads, pruebas A/B de MetaCampañas, pujas, audiencias, recursos, feed (Demand Gen)Miden en la plataforma, no la experiencia en la web
Feed y post-clicDataïads (Feed Enrich, Smart Creative, Smart Landing Page)Títulos y atributos del feed, Catalog Ads, landing page del tráfico de pagoCentrado en el tráfico de Shopping y Meta

La elección depende del paso que quieras probar. Muchos equipos combinan una plataforma web para el checkout con los módulos de las plataformas publicitarias para las campañas. Dataïads cubre lo que queda entre ambos: el feed que alimenta tus anuncios y la página que recibe el clic.

Preguntas frecuentes

¿Qué es una prueba A/B?

Una prueba A/B compara dos versiones de un mismo elemento (una página, un anuncio, un título del feed) repartiendo el tráfico al azar entre ellas. Entre la versión A y la versión B cambia una sola cosa. Se despliega la versión que gana en la métrica fijada antes del test, por ejemplo la tasa de conversión o el ingreso por usuario.

¿Cómo hacer una prueba A/B en un ecommerce?

Elige el paso del recorrido que más factura, escribe una hipótesis y una métrica principal, y crea una sola variante. Reparte el tráfico al 50/50 con una herramienta dedicada, deja correr el test al menos una semana completa y hasta el volumen de conversiones previsto, comprueba el reparto, despliega la ganadora y anota lo aprendido.

¿Qué ejemplo concreto de prueba A/B hay en ecommerce?

Fnac comparó sus fichas de producto habituales con Smart Landing Pages en el tráfico de Google Shopping y Performance Max de su categoría Fotografía. Las landing pages aumentaron un 23,5 % el ingreso por usuario y un 16,9 % la tasa de conversión. Otro ejemplo: Faguo probó dos plantillas de Catalog Ads en Meta, y la que mostraba precio y promoción como titular obtuvo un 7 % más de CTR.

¿Se puede hacer un test A/B en Google Ads y Performance Max?

Sí. Google Ads ofrece experimentos de Performance Max: medir el incremento de añadir PMax a tus campañas actuales, comparar una campaña de Shopping estándar con PMax o probar una optimización. Los test de recursos comparan un grupo solo con el feed frente al mismo grupo enriquecido. Los experimentos de Demand Gen prueban creatividades, audiencias, pujas y el feed de producto.

¿Cómo hacer un test A/B de títulos e imágenes del feed de producto?

Crea dos versiones del feed para un mismo segmento de productos, por ejemplo una categoría: títulos e imágenes originales como control y títulos enriquecidos o nuevas imágenes como variante. Pruébalas con un experimento de Demand Gen (variable «feed de producto») o comparando dos categorías equivalentes. Mira el CTR y el CPC, después la conversión, y generaliza solo tras el test.

¿Cuánto tiempo debe durar una prueba A/B?

Al menos una semana completa, a menudo dos, y hasta alcanzar el volumen de conversiones fijado al principio. Meta recomienda al menos 7 días y limita un test a 30 días. Google pide al menos 50 conversiones por grupo en un experimento de Demand Gen optimizado para conversiones. Alarga el test si tus clientes tardan varios días en comprar.

¿Qué errores hay que evitar en una prueba A/B?

Parar el test en cuanto aparece una diferencia, probar varios cambios a la vez, tocar la campaña durante el test y sacar conclusiones con un reparto del tráfico distinto del previsto (SRM). Tampoco juzgues un test solo por el CTR: un clic más solo cuenta si termina en una venta.

¿Qué herramienta usar desde el cierre de Google Optimize?

Google Optimize cerró el 30 de septiembre de 2023. Para la web, los equipos usan plataformas como AB Tasty, Kameleoon, Optimizely o VWO. Para las campañas, los experimentos de Google Ads y las pruebas A/B del Administrador de anuncios de Meta son gratuitos e integrados. Para el feed de producto y la landing page del tráfico de pago, Dataïads integra el test A/B en Feed Enrich y Smart Landing Page.

Prueba la página que recibe tu tráfico de pago

Si hoy tu tráfico de Shopping y Meta llega a fichas de producto estándar, ese suele ser el test que antes se rentabiliza. Descubre cómo Smart Landing Page reparte el tráfico entre tu página actual y una landing dedicada, y después lo pasa a la versión que más vende.

← Blog Auditoría de feed gratis