Anclaje de Precio en Test A/B: ¿Funciona?
Test A/B de anclaje de precio: qué es, cómo probarlo y por qué la métrica correcta es el ingreso del conjunto, no solo la conversión del plan ancla.
📚 Este artículo es parte de la guía Cómo Testear A/B el Precio de tu Producto: la Guía Completa.
El anclaje de precio es medible con un test, y la guía completa de test A/B de precio ya cubre por qué probar precio es distinto de probar un botón: aquí el efecto no viene de cambiar el precio de verdad, viene de cambiar el orden en que aparecen los planes. Mostrar primero la opción más cara, en la parte superior de una tabla de planes, cambia la forma en que el cerebro del visitante juzga el valor de los planes siguientes, y eso es medible con el mismo rigor estadístico que cualquier otro test A/B. Este artículo cubre qué es este sesgo, cómo diseñar el test, qué medir (que no es lo obvio) y los riesgos de hacerlo mal.
Qué es el anclaje de precio, sin rodeos
El anclaje es un sesgo cognitivo bien documentado: la primera información numérica que una persona ve se convierte en un punto de referencia, y todo juicio posterior se apoya (o “ancla”) en ese número, incluso cuando es irrelevante para la decisión real. El experimento clásico es de Amos Tversky y Daniel Kahneman, publicado en Science en 1974: pidieron a los participantes girar una ruleta trucada que solo se detenía en 10 o 65, y luego estimar el porcentaje de países africanos en la ONU. Quienes vieron el número 10 estimaron una mediana de 25%; quienes vieron 65 estimaron una mediana de 45%. El número de la ruleta no tenía ninguna relación con la pregunta, y aun así movió la respuesta veinte puntos.
En una tabla de planes, el mecanismo es el mismo: el primer precio que ve el visitante se convierte en la regla con la que va a medir todos los demás. Un plan de $499/mes parece caro si es lo primero que ves. Ese mismo plan de $499/mes parece un detalle secundario si, un segundo antes, ya habías visto un plan de $1.990/mes. El precio del plan del medio nunca cambió. La percepción sobre él, sí.
Un efecto cercano y bien establecido refuerza esto: el decoy effect (efecto señuelo), descrito por Huber, Payne y Puto en 1982 en Journal of Consumer Research. Mostraron que agregar una tercera opción, inferior a una de las dos principales pero no a la otra, puede aumentar la probabilidad de elegir la opción que domina a ese señuelo, incluso sin ningún cambio en las dos opciones originales. Dan Ariely populariza una versión de mercado de esto en Predictably Irrational: en una suscripción de revista con tres opciones (solo digital, solo impresa, e impresa+digital al mismo precio que la impresa), la opción “solo impresa” existe únicamente para hacer que la combinada parezca un regalo, empujando a la mayoría hacia el plan más caro.
En una tabla de planes SaaS, el principio se traduce así: un plan “Enterprise” caro en la parte superior no necesita convertir por sí solo para ser útil. Puede estar ahí solo para hacer que el plan “Pro” del medio parezca razonable por comparación.
Cómo diseñar el test A/B de anclaje
El diseño es directo, lo que exige cuidado es la implementación y la métrica de lectura:
- Control (A): la tabla de planes tal como está hoy, en el orden actual (típicamente creciente: Basic, Pro, Enterprise).
- Variación (B): los mismos tres planes, mismos precios, mismas funcionalidades, solo el ORDEN cambia: Enterprise (el ancla) aparece primero, seguido de Pro y Basic.
- Aislamiento de la variable: cambia solo el orden. Si además tocas el destacado visual (“más popular”), el precio o las funcionalidades al mismo tiempo, no vas a saber qué causó el efecto.
- Aleatorización estable: el mismo visitante siempre ve el mismo orden, desde el inicio hasta el final de la decisión, incluso en visitas de retorno antes de la conversión (importante en B2B, donde la decisión no ocurre en la primera visita).
- Duración: cubre al menos un ciclo de decisión completo de tu producto, no solo unos días. Ver la sección sobre B2B más abajo.
Qué medir (y por qué la métrica obvia engaña)
Aquí está el error más común, y el motivo por el cual la mayoría de los tests de anclaje que ves por ahí son inconclusos por diseño, incluso cuando el efecto psicológico es real. Medir solo “cuánta gente eligió el plan ancla” o “cuánta gente eligió el plan del medio” no es la métrica primaria correcta. El anclaje puede redistribuir la elección entre planes sin alterar cuánta gente convierte en total, e incluso puede reducir la conversión general (algunos visitantes encuentran la tabla más cara a primera vista y se van) mientras aun así aumenta el ingreso promedio debido al mix de planes más caro.
La métrica primaria correcta es el ingreso promedio por visitante (ARPU) del embudo completo: suma el ingreso de todos los planes vendidos y divídelo entre el total de visitantes que vieron la tabla, en ambos lados del test. Trata como métricas de apoyo:
- Conversión general (guardrail): no puede caer de forma relevante. Si cayó, el ancla está alejando gente, no solo redistribuyendo la elección.
- Mix de planes: cuánto representa cada plan del total de conversiones, útil para entender el mecanismo, pero no para decidir el test por sí solo.
- Ticket promedio inicial: señal rápida de que el mix cambió, pero aún no es lo mismo que el ARPU (una conversión general más baja con un ticket más alto puede o no compensar).
Un ejemplo trabajado, con los números de la calculadora
Vamos a simular un test real de anclaje en una tabla de tres planes (Basic $49, Pro $99, Enterprise $199), con 5.000 visitantes por variación.
Guardrail: la conversión general no cambia. En ambos lados, 400 visitantes convirtieron en algún plan, una tasa del 8,0% en los dos lados:
Test z bilateral de dos proporciones. "Sin significancia" casi siempre significa que falta muestra, no que las versiones sean iguales.
Pega 5.000 visitantes y 400 conversiones en los dos lados de la calculadora de arriba: el resultado es p = 1,0, sin diferencia alguna. Esto es esperado, y es justamente el punto: mirando solo la conversión general, este test parecería “sin efecto”.
Ahora mira lo que pasó con el mix de esos mismos 400 convertidos:
| Plan | A · sin ancla | B · con ancla (Enterprise primero) |
|---|---|---|
| Basic ($49) | 240 (60%) | 160 (40%) |
| Pro ($99) | 120 (30%) | 180 (45%) |
| Enterprise ($199) | 40 (10%) | 60 (15%) |
| Ingreso del grupo | $31.600 | $37.600 |
| ARPU (ingreso ÷ 5.000 visitantes) | $6,32 | $7,52 |
El ingreso por visitante subió de $6,32 a $7,52, una ganancia relativa de +18,99%, sin cambiar la conversión general ni un solo precio. Y si, en vez de mirar el ARPU, hubieras medido solo “quién migró a Pro o Enterprise” (la métrica de upgrade, 160 de 5.000 = 3,2% en A contra 240 de 5.000 = 4,8% en B), el test también aparece claramente significativo: pega esos números en la calculadora de arriba (visitantes 5.000/5.000, conversiones 160/240) y el resultado es p ≈ 0,0000446, un efecto muy por debajo del umbral de 0,05, con B ganando. Nota que las dos lecturas cuentan la misma historia desde ángulos distintos: la conversión general (guardrail) se mantiene firme, y tanto el upgrade de mix como el ARPU agregado suben de forma estadísticamente sólida.
Anclaje en distintos contextos: ecommerce, SaaS B2C y SaaS B2B
El mecanismo psicológico es el mismo en cualquier sector, pero el diseño del test cambia según el ciclo de decisión y el tipo de compra:
| Contexto | Dónde aparece el ancla | Cuidado principal |
|---|---|---|
| Ecommerce (producto físico) | Artículo “premium” en la parte superior de la categoría, antes de las opciones más baratas | Ciclo de decisión corto, el test puede correr pocos días, pero el guardrail de conversión general necesita atención porque el visitante compara con la competencia abierta en otra pestaña |
| SaaS B2C self-serve | Plan anual o “Pro” en la parte superior de la tabla de suscripción | Ciclo corto también, pero cuidado con el churn: si el ancla empuja a la gente hacia un plan por encima de lo que realmente usa, la cancelación en el primer ciclo de cobro sube y enmascara la ganancia de ARPU de corto plazo |
| SaaS B2B (venta consultiva) | Plan Enterprise en la parte superior de la página de precios, antes de la demostración comercial | La decisión rara vez ocurre en la primera visita; el test necesita correr semanas para cubrir el ciclo real, y la métrica de ARPU debe mirar contratos cerrados, no solo clics en “solicitar demostración” |
El punto común a los tres: el ancla nunca debería evaluarse por el clic inmediato, sino por el ingreso que efectivamente entra, en la ventana de tiempo que tiene sentido para ese ciclo de venta.
El riesgo ético: cuando el anclaje se vuelve una práctica engañosa
El anclaje honesto usa un plan REAL, que alguna fracción genuina de clientes elige y que entrega el valor prometido. El problema empieza cuando el ancla es fabricada solo para parecer cara: un plan “Enterprise” con funcionalidades infladas que nadie compra jamás, o un precio “de lista” que nunca se le cobró a nadie, existiendo solo para que el resto parezca barato. Esto ya no es un test de percepción de valor, es manipulación sin contrapartida, y tiende a salir mal de dos formas: los clientes que descubren el truco (por comparación de mercado, o reseñas públicas) asocian la marca con la deshonestidad, y los equipos de ventas B2B enterprise terminan recibiendo leads de un plan que la empresa nunca tuvo intención real de vender a ese precio, lo que rompe la confianza en la primera conversación comercial.
La regla simple: si retiraras el ancla mañana, ¿todavía tendría sentido como producto vendible, al precio mostrado, para algún segmento real de cliente? Si sí, es anclaje honesto. Si no, es un señuelo vacío.
Errores comunes en el test de anclaje de precio
- Ancla demasiado obvia. Un salto de precio absurdo ($49 al lado de $4.990) señala manipulación en vez de establecer una referencia, y los visitantes atentos notan la táctica, lo que puede generar una reacción contraria a la intencionada. El ancla funciona mejor cuando el salto es grande pero plausible dentro de la categoría.
- Medir solo el plan ancla o el plan del medio. Como ya se vio, esto ignora el efecto en el ingreso agregado y puede declarar “sin efecto” un test que en realidad movió el ingreso de forma relevante, o lo contrario.
- Probar sin tiempo suficiente para el ciclo de decisión B2B. Los precios B2B rara vez convierten en la primera visita. Si el test corre solo unos días, estás midiendo únicamente a quien decide rápido, un recorte de audiencia sesgado, y la muestra necesaria en tu volumen real de tráfico puede no haberse alcanzado todavía. Calcula la muestra con tu conversión real en la calculadora de tamaño de muestra antes de declarar cualquier ganador, y corre al menos un ciclo completo de decisión de tu base (pídele esa referencia al equipo de ventas si no la sabes de memoria).
- Cambiar el precio junto con el orden. Si repreicificas los planes en el mismo test que reordena la tabla, perdiste la capacidad de aislar el efecto del anclaje en sí mismo.
Hazlo automático con Donnu
El error que más invalida un test de anclaje de precio no es estadístico, es de métrica: mirar solo la conversión del plan ancla e ignorar lo que pasó con el ingreso del conjunto entero. Donnu A/B mide el test con la métrica que realmente decide si el anclaje funcionó, el ingreso agregado por visitante, con el mismo motor de significancia bayesiana usado en cualquier otro experimento tuyo, así que no necesitas armar esa cuenta a mano cada vez que pruebes el orden de los planes.
Empieza una prueba gratis de 14 días y corre tu próximo test de precios midiendo lo que realmente mueve el resultado. Mira también la guía completa de test A/B de precio y el test A/B de paywall freemium, el próximo experimento natural de precios después del anclaje.
Lee también: Test A/B de precio: la guía completa · Test A/B de paywall freemium · Calculadora de significancia estadística
Referencias
- Tversky, A. & Kahneman, D. Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1974. cs.tufts.edu/comp/150AIH/pdf/TverskyKa74.pdf.
- Huber, J., Payne, J.W. & Puto, C. Adding Asymmetrically Dominated Alternatives: Violations of Regularity and the Similarity Hypothesis. Journal of Consumer Research, 9(1), 1982. Resumen en thedecisionlab.com/biases/decoy-effect.
- Ariely, D. Predictably Irrational: The Hidden Forces That Shape Our Decisions. HarperCollins, 2008. danariely.com/books/predictably-irrational.
Preguntas frecuentes
- ¿Qué es el anclaje de precio?
- Es el sesgo cognitivo por el cual la primera información numérica que vemos (el ancla) distorsiona todo juicio posterior sobre el valor. En una tabla de planes, mostrar primero un plan caro hace que los planes siguientes parezcan más baratos por comparación, aunque su precio no haya cambiado en nada.
- ¿El anclaje de precio es antiético o es manipulación?
- Depende de cómo se use. Anclar con un plan real, que entrega valor de verdad y que algún cliente elige genuinamente, es presentación honesta de opciones. Crear un ancla "falsa", inflada solo para parecer cara y que nadie compra jamás, es una práctica engañosa, y el tipo de test que suele salir mal cuando el cliente lo percibe.
- ¿Qué métrica debo mirar en un test de anclaje?
- Nunca solo la conversión hacia el plan ancla o hacia el plan del medio de forma aislada. La métrica primaria correcta es el ingreso promedio por visitante (ARPU) del embudo completo, porque el anclaje puede mover la elección entre planes sin cambiar (o incluso empeorando) la conversión general, y un test que solo mira una porción del embudo puede declarar una victoria en un efecto que, en el ingreso agregado, es neutro o negativo.
- ¿Cuánto tráfico necesito para probar anclaje de precio en un B2B?
- Más de lo que parece. Las páginas de precios en B2B suelen tener volumen bajo y un ciclo de decisión largo (días o semanas entre la primera visita y la suscripción), así que el test necesita correr el tiempo suficiente para capturar ese ciclo completo, no solo los clics inmediatos. Calcula la muestra con tu tasa de conversión real en la calculadora de este artículo antes de correr el test.