Cómo Testear A/B el Precio de tu Producto: la Guía Completa

Testear A/B el precio de tu producto es medir, con tráfico real dividido al azar, si un valor distinto del actual cambia el comportamiento de compra lo suficiente como para valer la pena, decidiendo siempre por el ingreso generado y no solo por la tasa de conversión. Es el mismo método estadístico de cualquier test A/B, pero con una diferencia que lo cambia todo: aquí la variable testeada afecta directamente cuánto paga cada cliente, así que la métrica que decide el test, los cuidados éticos y el propio diseño del experimento tienen que ser otros. Esta guía cubre el tema de principio a fin: por qué el precio no se testea como un copy, cómo armar el diseño sin contaminar los grupos, por qué el ingreso por visitante (RPV) reemplaza a la conversión como métrica primaria, cómo calcular muestra y duración cuando el número que importa es el ingreso, y cómo tratar anclaje, paywall, descuento, upsell y el par suscripción contra pago único. Siempre cubriendo e-commerce y SaaS por separado, porque son dos juegos de precio distintos.

Por qué testear precio es diferente a testear copy o UI

Un test de botón, título o imagen intenta mejorar la conversión sin tocar el valor que el cliente entrega a cambio. Un test de precio cambia los dos lados de la ecuación al mismo tiempo: modifica cuánto entra (ingreso por venta) y cuántas ventas ocurren (conversión), y ambos efectos suelen apuntar en direcciones opuestas.

Esto crea tres diferencias prácticas que ningún test de copy necesita considerar:

• El efecto es directo en ingreso, no solo en engagement. Un botón peor cuesta clics perdidos; un precio equivocado cuesta ingreso cada santo día que el test corre, para el lado que “pierde”, incluso durante la fase experimental.
• El precio carga percepción de valor, no es solo un número. La misma oferta parece más o menos valiosa dependiendo del precio que está al lado (efecto de anclaje), así que testear el precio aislado del contexto de presentación (cuotas, comparación con otro plan, garantía) mide menos de lo que parece.
• El precio cambia QUIÉN compra, no solo CUÁNTOS compran. Un precio más alto tiende a filtrar hacia un cliente con presupuesto mayor y, en SaaS, muchas veces menor churn; un precio más bajo trae volumen, pero también puede traer al cliente equivocado, que cancela o pide reembolso más temprano. Juzgar esto solo por la conversión del día 1 esconde el efecto de mediano plazo.

Los cuidados éticos y legales antes de correr un test de precio

El precio es la única variable de test A/B en la que “dos personas pagaron valores distintos por lo mismo, al mismo tiempo” puede convertirse en un problema de confianza y, según cómo se haga, de cumplimiento. El caso más citado en la historia del e-commerce es el de la propia Amazon: en el año 2000 la empresa testeó descuentos aleatorios de entre el 20% y el 40% en 68 títulos de DVD, y cuando compradores de un foro notaron que estaban pagando más que otros usuarios, la reacción fue inmediata. Amazon reembolsó un promedio de 3,10 dólares a casi 6.900 clientes y terminó el test, con el propio Jeff Bezos afirmando públicamente que la empresa nunca testearía precios en base a datos demográficos del cliente, según una nota de la época en CNN.

El punto no es que testear precio esté prohibido, es común y legítimo. El punto es que la forma importa:

• La aleatoriedad simple y de corto plazo tiende a ser aceptada; segmentar precio por dato personal (ubicación, dispositivo, historial de navegación, perfil demográfico) de forma opaca es lo que genera reacción, y es también el tipo de práctica que la LGPD trata con más rigor cuando implica tratamiento de datos personales para una decisión automatizada que afecta económicamente al consumidor. Documenta la base legal y sé capaz de explicar el criterio, si te lo preguntan.
• La transparencia es la defensa más fuerte. Un estudio de la Comisión Europea de 2018 sobre segmentación de mercado online, que testeó 160 sitios de e-commerce en 8 países, encontró diferencia de precio en solo el 6% de los casos testeados, con una mediana de diferencia menor al 1,6%, pero identificó que la mayoría de los consumidores ve la personalización de precio con desconfianza cuando no se les avisa de ella. La práctica más segura, tanto desde el punto de vista legal como de marca, es testear precio mediante variación aleatoria de corto plazo (el diseño A/B clásico), no mediante perfilado individual permanente.
• Un cliente existente nunca debería “descubrir” que paga más que un cliente nuevo sin aviso. En SaaS esto es todavía más sensible, porque la relación es continua: subir el precio en silencio a quien ya suscribe, sin comunicación y sin período de transición, es el tipo de decisión que genera cancelación masiva y daño de reputación mucho mayor que la ganancia de ingreso testeada.

Ninguno de estos cuidados reemplaza la estadística del test. Son la regla de “puedo correr esto” que viene antes de la regla de “el resultado es confiable”.

Cómo diseñar un test de precio sin contaminar los grupos

Un test A/B de copy tiene un riesgo de contaminación relativamente bajo: si el mismo visitante ve A y después B, lo peor que pasa es ruido. Un test de precio tiene un riesgo más serio, porque el precio es algo que las personas comparan entre sí, activamente:

• Contaminación cruzada entre variantes. Si dos usuarios de la misma empresa, o del mismo grupo social, ven precios distintos para el mismo plan, uno de ellos lo va a notar y reclamar, y la percepción de injusticia contamina la decisión de compra de ambos, no solo la del que “perdió”. Aísla la asignación por cuenta/organización en B2B, no por sesión individual, cuando la compra se decide en grupo.
• Cohorte contra test simultáneo. Un diseño por cohorte cambia el precio en el tiempo (mes 1 con precio A, mes 2 con precio B) y compara los grupos; es más fácil de implementar, pero mezcla el efecto del precio con el efecto de la estacionalidad, el canal de adquisición y cualquier otra cosa que haya cambiado entre los dos períodos. El diseño simultáneo (A y B corriendo al mismo tiempo, sorteo aleatorio) aísla de verdad el efecto del precio, y es lo que esta guía recomienda como estándar, reservando el cohorte para cuando el producto realmente no permite dos precios activos al mismo tiempo (por ejemplo, una app store que solo acepta un precio público a la vez).
• Visitante nuevo contra visitante existente. Testea el precio en el funnel de adquisición (quien todavía no es cliente): landing page, checkout de primera compra, pantalla de upgrade de trial a pago. Nunca apliques la variación retroactivamente a quien ya paga el precio actual sin comunicación y sin transición, tanto por ética como porque el comportamiento de quien ya confía en el producto no es comparable al de quien está decidiendo comprar por primera vez.

RPV: por qué el ingreso por visitante decide mejor que la conversión

Aquí está la trampa estadística central de cualquier test de precio: un precio más alto casi siempre reduce la conversión, y aun así puede ser la variante correcta, porque lo que importa no es cuántas personas compran, es cuánto ingreso genera el tráfico total.

La métrica que captura esto es el ingreso por visitante (RPV): ingreso total dividido por el número de visitantes, el mismo denominador de una tasa de conversión, pero con el numerador en dinero en vez de conteo de eventos. El RPV es, en la práctica, el producto de dos cosas: RPV = tasa de conversión × ticket promedio (o ingreso promedio por cliente pagador). Un precio más alto tiende a empujar el primer término hacia abajo y el segundo hacia arriba; qué efecto gana solo lo revela la cuenta del RPV.

La tabla de abajo resume qué métrica primaria tiene sentido para cada tipo común de test de precio:

Tipo de test de precio	Métrica primaria recomendada	Por qué no usar solo la conversión
Precio completo (plan o producto)	Ingreso por visitante (RPV)	El precio afecta ticket y conversión en direcciones opuestas
Descuento o cupón	Ingreso por visitante, neto del descuento	La conversión sube con el descuento casi siempre; la pregunta es si el ingreso neto también sube
Paywall / límite del freemium	Tasa de conversión a pago + RPV de largo plazo	Aflojar el paywall aumenta la activación pero puede reducir la urgencia de pagar
Upsell / cross-sell	Ingreso incremental por visitante (ticket adicional)	La conversión del ítem principal ya ocurrió; lo que cambia es el valor adicional
Suscripción x pago único	Ingreso proyectado por cliente (LTV), no solo el ingreso del primer mes	El pago único parece mayor el día 1 y puede perder frente a la suscripción en 6 a 12 meses

Los guardrails siguen siendo obligatorios en un test de precio, quizás más que en cualquier otro tipo: monitorea reembolso, contracargo, cancelación en los primeros 30 días y, en SaaS, el churn en los primeros dos o tres ciclos de cobro. Un precio que aumenta el RPV en el corto plazo pero dispara la cancelación en el segundo mes no es un ganador, es un problema aplazado. Si el tema de fondo aquí es la estadística de significancia en general (valor p, intervalo de confianza, error Tipo I y Tipo II), la guía de significancia estadística cubre la base que este artículo asume conocida.

Tamaño de muestra y duración cuando la métrica es el ingreso

El cálculo de muestra de un test A/B común asume una métrica binaria: convirtió o no convirtió. El ingreso no es binario, es un número continuo con un detalle incómodo: la distribución de ingreso por visitante es fuertemente asimétrica, porque la mayoría de los visitantes genera cero (no compra), y una minoría genera valores altos, a veces muy por encima del promedio. Ron Kohavi y coautores, en el libro de referencia Trustworthy Online Controlled Experiments, llaman la atención justamente sobre este tipo de métrica: las métricas de ingreso tienden a tener varianza inflada por unos pocos valores extremos, y la práctica recomendada es capar (limitar) los valores más altos o usar tests menos sensibles a outliers antes de calcular significancia, bajo riesgo de que un solo cliente de ticket muy alto decida el test por sí solo.

En la práctica, para el diseño de la mayoría de los equipos, conviven dos enfoques:

1. Aproximación por proporción, cuando la decisión de precio afecta principalmente la conversión (el caso más común de testear “el precio A convierte X%, el precio B convierte Y%” mirando primero si la diferencia de conversión es real, y solo después multiplicando por el ticket de cada lado para llegar al ingreso). La calculadora de tamaño de muestra de abajo, basada en el test de dos proporciones, sirve bien como piso mínimo para este escenario; informa cuántos visitantes por variación y cuántos días necesitas dado el tráfico semanal.
2. Test directo sobre el ingreso, cuando el ticket varía mucho entre clientes (planes con upsell, e-commerce con carrito de tamaño variable): en este caso la muestra necesaria tiende a ser mayor que la de una métrica binaria equivalente, porque la varianza del ingreso por visitante es mayor que la varianza de una tasa de conversión con el mismo promedio, y el efecto muchas veces es sutil (pocos puntos porcentuales de RPV). Trata el resultado de cualquier calculadora de proporción como piso, no como techo, cuando el ticket sea muy variable, y prefiere correr más tiempo que el mínimo calculado.

Ajusta los campos de abajo con tu tasa de conversión actual, el efecto mínimo que valdría la pena detectar y tu tráfico semanal:

Tasa de conversión actual%Efecto mínimo detectablerelativo (%)absoluto (pp)Confianza909599%Poder8090%Visitantes por semana (total)Testbilateralunilateral

-Visitantes por variación

-Total (2 variaciones)

-Duración estimada

Cálculo por aproximación normal de dos proporciones, 2 variaciones (50/50). Cambia los campos y mira el impacto en vivo.

Un ejemplo concreto de cómo esto se aplica al precio: imagina un SaaS testeando la pantalla de upgrade de trial a pago con el precio actual (que convierte el 5% del tráfico) contra un precio 10% más barato, apostando a que la baja de precio aumente la conversión lo suficiente como para compensar. Con una tasa base del 5%, un efecto mínimo detectable del 10% relativo, 95% de confianza y 80% de poder, se necesitan cerca de 31.234 visitantes por variación; con 10.000 visitantes por semana en el funnel de trial, el test tarda cerca de 44 días en acumular muestra, unas seis semanas, bastante más que los “vamos a testear una semana y vemos” que suelen aparecer en un test de precio mal hecho.

Declarando al ganador: ejemplo trabajado de punta a punta

Usa los mismos números ya cargados en la calculadora de significancia de abajo para reproducir el cálculo: control (A) con 210 conversiones en 4.200 visitantes y variación (B) con 273 en 4.200.

Control (A)

VisitantesConversiones

Variación (B)

VisitantesConversiones

Confianza90%95%99%

Control (A) · Tasa-

Variación (B) · Tasa-

Mejora relativa-

valor-p-

IC 95% de la diferencia-

Test z bilateral de dos proporciones. "Sin significancia" casi siempre significa que falta muestra, no que las versiones sean iguales.

Paso a paso, tratando esto como un test de conversión a trial pago:

• Tasa de A: 210 ÷ 4.200 = 5,00%. Tasa de B: 273 ÷ 4.200 = 6,50%. Mejora relativa de conversión: +30%.
• Valor p bilateral ≈ 0,003, bien por debajo de 0,05: la diferencia de conversión es estadísticamente significativa, B convierte más.

Ahora la etapa que un test de precio exige y un test de copy no: multiplica por el precio de cada variación antes de declarar al ganador. Si A cobra R$ 99/mes y B cobra R$ 79/mes (un descuento para intentar elevar la conversión), el ingreso del período sería: A = 210 × R$ 99 = R$ 20.790; B = 273 × R$ 79 = R$ 21.567. En este escenario, B sigue ganando también en ingreso total (RPV de A = R$ 4,95; RPV de B = R$ 5,14), así que el descuento valió la pena. Pero nota que la diferencia de RPV (cerca de 3,7%) es bastante más estrecha que la diferencia de conversión (30%): si el descuento de B fuera mayor, por ejemplo R$ 65/mes, el ingreso de B caería a R$ 17.745, por debajo de A, y la misma victoria “estadísticamente significativa” en conversión se convertiría en una derrota en ingreso. Es exactamente este tipo de inversión lo que la métrica de RPV existe para detectar, y que mirar solo el valor p de la conversión nunca mostraría por sí solo.

Anclaje de precio: la percepción decide antes que el número

Antes de cualquier estadística, el precio ya fue juzgado por comparación. El anclaje de precio es el efecto por el cual la misma cantidad parece más barata o más cara dependiendo de lo que esté a su lado: un plan de R$ 199 parece caro solo, y parece una ganga al lado de un plan de R$ 499 presentado como referencia. Esto significa que testear un número aislado, sin testear también la presentación (orden de los planes, plan “ancla” más caro mostrado primero, comparación lado a lado), mide solo parte del efecto real de un cambio de precio. Testear precio y anclaje juntos, o al menos saber cuál de los dos está cambiando cuando aparece el resultado, evita atribuirle a un número un efecto que en realidad vino del arreglo visual a su alrededor. Para el diseño completo de cómo estructurar ese test (orden de planes, anclas señuelo, aislamiento de variable), consulta la guía completa: anclaje de precio en test A/B.

Paywall y freemium: el test de precio más delicado del SaaS

Testear el paywall de un modelo freemium (dónde queda el límite entre lo que es gratis y lo que exige pago) es un test de precio disfrazado de test de producto. Apretar el límite (menos uso gratis) tiende a aumentar la conversión a pago, pero también aumenta el abandono de quien nunca llegaría a pagar; aflojar el límite hace lo contrario. La métrica primaria correcta aquí tampoco es la conversión aislada de un único punto del funnel, es la combinación de activación, conversión a pago y retención de mediano plazo, porque un paywall más apretado puede “empujar” a la gente a pagar demasiado pronto, antes de sentir suficiente valor, y generar cancelación en el primer ciclo. El diseño del test, los límites que tiene sentido testear primero y cómo medir esto sin confundir activación con ingreso están en la guía completa: test A/B de paywall y freemium.

Descuentos y promociones: testea el descuento, no solo el precio

Un descuento es, estadísticamente, un test de precio con fecha de vencimiento y un ancla incorporada (el precio “de lista” tachado al lado del precio con descuento). Los cuidados específicos:

• Mide el ingreso neto del descuento, nunca solo el volumen de ventas. Un cupón del 30% que duplica el volumen puede aun así generar menos ingreso neto que el precio completo, dependiendo del margen y de cuánto del aumento de ventas vino de gente que iba a comprar de todas formas (efecto conocido como cannibalization, canibalización de ventas que ya iban a ocurrir).
• Cuidado con el efecto ancla del descuento en tests futuros. Un público que vio el producto con 30% de descuento tiende a anclarse en ese valor como “el precio justo”, dificultando testear el precio completo de nuevo con el mismo público más adelante.
• En e-commerce, testea el tipo de descuento (porcentual x monto fijo x envío gratis) además de su tamaño: la percepción de valor de “R$ 30 de descuento” y “10% de descuento” en el mismo carrito puede generar conversión distinta aun cuando el valor final es idéntico.
• En SaaS, el descuento de adquisición (primer ciclo más barato) necesita testearse junto con la métrica de renovación al precio completo, porque un descuento agresivo de entrada puede traer al cliente que nunca pensó pagar el valor íntegro, inflando la conversión inicial y el churn de renovación al mismo tiempo.

Upsell y cross-sell: testeando el precio de lo que viene después

El upsell (ofrecer una versión mayor o más completa) y el cross-sell (ofrecer un ítem complementario) son tests de precio que ocurren después de que la decisión de compra principal ya fue tomada, lo que cambia la métrica de interés: ya no es la conversión del ítem principal, es el ingreso incremental por visitante que ya compró (o ya está comprando). Puntos de atención:

• Testea el momento de la oferta, no solo su precio: un upsell antes del pago (en el carrito) y un upsell después de la confirmación (posventa) tienen tasas de aceptación y sensibilidad al precio bien distintas, porque el estado de decisión del cliente cambia en medio del flujo.
• Guardrail obligatorio: tasa de conclusión del pedido principal. Un upsell agresivo puede aumentar el ingreso de quien lo acepta, pero asustar a parte de quien no lo aceptaría y hacer que esa parte abandone el pedido entero; si esto pasa, el ingreso incremental del upsell no compensa el ingreso perdido del pedido principal.
• En SaaS, el cross-sell de un módulo o add-on debería medirse también por la retención de quien lo agregó, no solo por la adhesión inicial: un add-on que nadie usa de verdad tiende a convertirse en motivo de cancelación en el ciclo siguiente, cuando el cliente revisa la factura.

Suscripción o pago único: la decisión que cambia la curva de ingreso

Testear “suscripción contra pago único” para el mismo producto no es un test de precio simple, es un test del formato del ingreso a lo largo del tiempo, y juzgarlo por el ingreso del primer mes suele engañar. Un pago único de R$ 500 parece mayor, el día 1, que una suscripción de R$ 50/mes; pero si la suscripción mediana dura 12 meses, genera R$ 600, más que el pago único, y todavía deja margen para upsell a lo largo de la relación. La métrica primaria correcta para este tipo de test es el ingreso proyectado por cliente (una aproximación de LTV), calculado con la duración promedio observada o estimada, nunca el ingreso del primer ciclo aislado. Esto exige correr el test el tiempo suficiente para observar al menos uno o dos ciclos de renovación (o modelar la curva de retención con datos históricos), porque decidir con una semana de datos de pago único contra suscripción es comparar cosas en etapas de maduración completamente distintas.

E-commerce x SaaS: dos juegos de precio diferentes

Los principios estadísticos son los mismos, pero qué testear y el riesgo de cada error cambian bastante entre los dos modelos:

Dimensión	E-commerce	SaaS
Qué se suele testear	Precio del ítem, envío, descuento, cuotas	Precio del plan, límite del paywall, período de cobro (mensual x anual)
Métrica primaria	Ingreso por visitante (RPV) de la sesión de compra	Ingreso por visitante del funnel de trial/registro, y después LTV proyectado
Ventana de decisión	Corta, la compra ocurre en una sesión o pocos días	Larga, la decisión real solo aparece en los primeros ciclos de cobro/churn
Mayor riesgo del test mal hecho	Canibalizar margen con un descuento que no necesitaba existir	Cliente equivocado entrando por precio bajo y cancelando pronto, inflando el churn
Dónde pesa más el anclaje	Página de producto y carrito (comparación con la competencia)	Pantalla de planes (comparación entre los propios planes de la empresa)

Errores comunes que arruinan un test de precio

Error	Por qué distorsiona el resultado	Corrección
Juzgar solo por la conversión	Ignora que un precio mayor puede generar más ingreso con menos ventas	Trata el RPV como métrica primaria, la conversión como secundaria
Ignorar el LTV y mirar solo el ingreso del primer ciclo	Un precio más bajo puede parecer ganador en el mes 1 y perder feo en el mes 6 por el churn	Mide retención e ingreso proyectado, no solo el ingreso inmediato
Muestra demasiado pequeña para una diferencia sutil	Las diferencias de RPV suelen ser menores, en puntos porcentuales, que las diferencias de conversión	Calcula la muestra con la calculadora de esta guía y trata el número como piso, no como techo
Mezclar precio con anclaje sin darse cuenta	Le atribuye al número un efecto que vino de la presentación a su alrededor	Aísla la variable o documenta que ambas se están testeando juntas
Aplicar precio nuevo a un cliente existente sin aviso	Genera cancelación y daño de reputación desproporcionado a la ganancia testeada	Testea solo en el funnel de adquisición; migra la base con comunicación y transición
Correr pocos días porque “la diferencia de ingreso ya apareció”	El ingreso por visitante suele tener mayor varianza; un pico aislado de ticket alto engaña temprano	Respeta la duración calculada y corre ciclos completos, nunca solo los “días buenos”

Haz esto automático en Donnu

El trabajo que describió esta guía (calcular el impacto de ingreso de un cambio de precio, no solo la conversión, y garantizar una muestra estadísticamente válida antes de decidir) es manual, tedioso de repetir en cada test, y es exactamente donde la mayoría de los tests de precio falla: decide demasiado pronto, en base al número equivocado. Donnu dimensiona la muestra antes de que corras el test, mide el test con estadística bayesiana honesta y muestra el resultado sin esconder que el RPV y la conversión pueden apuntar en direcciones distintas, para que decidas por el ingreso real, no por la métrica que “ganó” primero.

Empieza una prueba gratis de 14 días y corre tu primer test de precio con el diseño correcto desde el inicio. Para profundizar en la base estadística usada aquí, consulta la guía de significancia estadística, la guía completa de optimización de conversión (CRO) y la guía completa de test A/B. Mantente también atento a las guías dedicadas de anclaje de precio y paywall freemium, que profundizan en los dos puntos más delicados citados aquí. ¿Prefieres calcular directo? Calculadora de tamaño de muestra y calculadora de significancia estadística.

Referencias

• Marn, M. V. & Rosiello, R. L. Managing Price, Gaining Profit. Harvard Business Review, sept./oct. 1992. hbr.org/1992/09/managing-price-gaining-profit.
• CNN. Amazon apologizes for random DVD price test. 28 sept. 2000. cnn.com.
• European Commission. Consumer market study on online market segmentation through personalised pricing/offers in the European Union. 2018. commission.europa.eu.
• Kohavi, R., Tang, D. & Xu, Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press, 2020. Material de apoyo en experimentguide.com.