Correspondencia de Mensaje entre Anuncio y Página
Correspondencia de mensaje: por qué comparar páginas por anuncio engaña, cómo diseñar el test factorial correcto y qué medir tras el clic.
📚 Este artículo es parte de la guía Optimización de Conversión (CRO): La Guía Completa 2026.
Correspondencia de mensaje es cuánto de la promesa del anuncio reaparece en la página que recibe el clic. Casi todo equipo mide esto de la forma equivocada: mira la tasa de conversión de la página por anuncio y concluye cuál página es mejor. No se puede. El anuncio elige quién hace clic, así que cada anuncio entrega una población diferente a la página, y la comparación mezcla el efecto de la página con la diferencia de intención del público. En el ejemplo trabajado de esta guía, la lectura agregada apunta a que la página X gana por 74,5 por ciento con valor-p por debajo de 0,0001, mientras que dentro de cada anuncio, por separado, la página Y es la que va por delante. El diseño que resuelve esto es simple y casi nadie lo usa: sortear la página dentro de cada anuncio y leer el efecto dentro de cada bloque antes de agregar. Esta guía forma parte de nuestra guía completa de test A/B.
Qué es la correspondencia de mensaje y por qué importa
La idea es antigua y tiene nombre en la literatura de usabilidad: rastro de información. En la explicación de la Nielsen Norman Group sobre forrajeo de información, teoría desarrollada por Peter Pirolli y Stuart Card en el PARC a finales de los años 1990, “cada fuente de información emite un olor, una señal que le dice al forrajeador qué probabilidad hay de que contenga lo que necesita”. La persona sigue adelante mientras sienta que se está acercando, y abandona cuando estima que continuar cuesta más de lo que va a rendir. El artículo resume la decisión como una razón entre valor de la información y costo de obtenerla.
Aplicado a medios pagados, esto quiere decir lo siguiente. El anuncio crea una expectativa específica: un precio, una promesa, un problema resuelto. La página de destino o confirma esa expectativa en los primeros segundos, u obliga a la persona a buscar. Buscar es costo. Costo alto con rastro débil es salida.
Y hay un segundo canal, que casi nadie conecta con el primero: la correspondencia de mensaje mueve el precio de la subasta. En la documentación de Google Ads, el nivel de calidad tiene tres componentes, y uno de ellos es la experiencia en la página de destino, definida como “cuánto de relevante y útil es tu página de destino para quien hace clic en tu anuncio”. La documentación de Ad Rank lista, entre los factores, “la calidad de tus anuncios y de la página de destino”, y registra que “aunque tu competencia tenga pujas más altas que la tuya, aún puedes conseguir una posición mejor por un precio menor usando palabras clave y anuncios muy relevantes”. O sea, la misma decisión de página puede abaratar el clic y mejorar su conversión, algo raro en CRO.
El error de medición que casi todo el mundo comete
Aquí está el problema que da nombre a esta guía. La pregunta natural es “qué página convierte mejor”, y el dato natural es la tasa de conversión de cada página por anuncio. El problema es que, en la mayor parte de las cuentas, cada anuncio manda la mayor parte de su tráfico a una página específica. O sea, la página no fue sorteada: fue elegida junto con el anuncio.
Y como el anuncio decide quién hace clic, cada página recibe una mezcla diferente de intención. Compara las dos y estarás comparando públicos, no páginas.
Un ejemplo con números. Una cuenta tiene dos anuncios y dos páginas. El anuncio 1 es de alta intención (búsqueda de marca, la persona ya sabe lo que quiere, base de 6 por ciento). El anuncio 2 es de descubrimiento (base de 2 por ciento). Históricamente, la mayor parte del tráfico del anuncio 1 fue a la página X y la mayor parte del anuncio 2 fue a la página Y.
| recorte | página X | página Y | quién va por delante |
|---|---|---|---|
| anuncio 1 (alta intención) | 16.000 clics, 960 pedidos, 6,0000% | 4.000 clics, 252 pedidos, 6,3000% | Y, más 5,00% |
| anuncio 2 (descubrimiento) | 4.000 clics, 80 pedidos, 2,0000% | 16.000 clics, 344 pedidos, 2,1500% | Y, más 7,50% |
| agregado | 20.000 clics, 1.040 pedidos, 5,2000% | 20.000 clics, 596 pedidos, 2,9800% | X, más 74,5% |
Dentro de cada anuncio, la página Y va por delante. En el agregado, la página X gana con holgura: el test z devuelve menos 42,69 por ciento para Y, con valor-p por debajo de 0,0001 e intervalo de confianza de menos 2,6076 a menos 1,8324 puntos porcentuales, sin acercarse al cero.
La causa es la asignación: la página X recibió el 80 por ciento del tráfico de alta intención y la página Y recibió el 80 por ciento del tráfico de descubrimiento. Es la estructura clásica descrita en paradoja de Simpson en test A/B. Y fíjate en que el valor-p no protege a nadie aquí: el resultado agregado es extremadamente significativo y extremadamente engañoso, porque el problema es de identificación y no de muestra.
El diseño que lo resuelve: el anuncio pasa a ser bloque, no tratamiento
La corrección es más barata de lo que parece. En vez de elegir una página por anuncio, sortea la página dentro de cada anuncio, con peso fijo, y analiza el efecto de la página dentro de cada anuncio antes de agregar.
| diseño | qué aprendes | qué no aprendes |
|---|---|---|
| una página por anuncio, comparación entre anuncios | nada causal sobre la página | todo |
| página sorteada en todo el tráfico, análisis solo en el agregado | el efecto medio de la página en la mezcla actual de tráfico | si el efecto depende del anuncio |
| página sorteada dentro de cada anuncio, análisis por bloque y después agregado | el efecto de la página en cada anuncio y la media ponderada | nada relevante queda fuera |
El tercer diseño es un factorial simple: dos anuncios por dos páginas, cuatro celdas, con sorteo de la página dentro de cada anuncio. Tiene tres ventajas y ninguna desventaja práctica.
Primero, la comparación entre páginas queda limpia dentro de cada bloque, porque quien hizo clic en ese anuncio fue sorteado entre las dos páginas. Segundo, el agregado deja de depender de la mezcla de tráfico, porque la mezcla pasa a ser igual en los dos brazos por construcción. Tercero, y más interesante, mides si el efecto de la página depende del anuncio, que es literalmente la pregunta de correspondencia de mensaje. Eso es efecto heterogéneo declarado antes, no rebusque de segmento después, como explicamos en efecto heterogéneo por segmento.
Del lado práctico, el sorteo puede hacerse en tu sitio, en el momento en que la persona llega, con el parámetro de campaña en la URL sirviendo de bloque. Esto es mejor que hacer el sorteo en la plataforma por dos razones: controlas el peso y la unidad de sorteo, y no dependes del mecanismo de división de la plataforma, cuyos límites varían según la plataforma y el tipo de campaña.
Ejemplo trabajado: el factorial que revela el encaje
Una tienda corre dos anuncios de búsqueda pagada. El anuncio 1 promete envío gratis por encima de un valor. El anuncio 2 promete 20 por ciento de descuento en la primera compra. Dos páginas de destino:
- Página X: página de categoría genérica, con la propuesta de valor de la marca arriba.
- Página Y: la misma página con la parte de arriba reescrita para repetir la promesa de envío, incluyendo la regla del valor mínimo por encima del pliegue.
La página se sortea 50/50 dentro de cada anuncio. El anuncio 1 trae 26 mil clics en el periodo y el anuncio 2 trae 54 mil.
| bloque | página | clics | pedidos | tasa de conversión |
|---|---|---|---|---|
| anuncio 1 (envío gratis) | X | 13.000 | 780 | 6,0000% |
| anuncio 1 (envío gratis) | Y (alineada) | 13.000 | 920 | 7,0769% |
| anuncio 2 (descuento) | X | 27.000 | 540 | 2,0000% |
| anuncio 2 (descuento) | Y (desalineada) | 27.000 | 524 | 1,9407% |
Los resultados, calculados con el mismo test z de dos proporciones de la calculadora:
| comparación | lift relativo | valor-p | IC 95% de la diferencia | lectura |
|---|---|---|---|---|
| dentro del anuncio 1 | más 17,95% | 0,0004 | de 0,4761 a 1,6777 puntos porcentuales | la página alineada gana |
| dentro del anuncio 2 | menos 2,96% | 0,6203 | de menos 0,2937 a 0,1752 puntos porcentuales | empate |
| agregado (mezcla igual) | más 9,39% | 0,0164 | de 0,0569 a 0,5631 puntos porcentuales | ganancia real, pero diluida |
Test z bilateral de dos proporciones. "Sin significancia" casi siempre significa que falta muestra, no que las versiones sean iguales.
Pega 13000 y 780 en el lado A y 13000 y 920 en el lado B para reproducir la primera línea: valor-p de 0,0004 y lift de +17,9% (el valor exacto es 17,948 por ciento, que la tabla redondea a 17,95 y la pantalla a 17,9). Cambia a 27000 y 540 contra 27000 y 524 y la calculadora devuelve 0,6203, que es la segunda línea. Y 40000 con 1320 contra 40000 con 1444 devuelve 0,0164, que es el agregado.
La lectura. La ganancia de 9,39 por ciento en el agregado es real y estadísticamente significativa, pero es la media ponderada de una ganancia grande en un bloque y de nada en el otro. Si te detienes en el agregado, la decisión pasa a ser “cambia la página para todo el mundo”, y aplicas en 54 mil clics por periodo un cambio que no hace nada por ellos (y que, en el punto estimado, hace un poco menos que nada). La decisión correcta con este resultado es enrutar por anuncio: quien viene del anuncio de envío ve la página de envío; quien viene del anuncio de descuento sigue en la página genérica, o, mejor, gana su propia página alineada con descuento, que se convierte en el siguiente test.
Fíjate también en lo que no está probado. No está probado que “la correspondencia de mensaje aumenta la conversión en 18 por ciento”. Está probado que, en este par, alinear la parte de arriba de la página con la promesa de envío aumentó la conversión de ese tráfico. La correspondencia de mensaje no es un efecto, es una familia de efectos que depende de qué promesa, de qué página y de qué público.
Cuánto tráfico pide este diseño
La buena noticia es que el bloque de alta intención suele ser barato de testear, porque la tasa base es alta y el efecto esperado también. La mala noticia es que el bloque de baja intención es caro, y es justamente donde suele estar la mayor parte del tráfico.
| bloque y tasa base | más 5% rel. | más 8% rel. | más 10% rel. | más 15% rel. |
|---|---|---|---|---|
| alta intención, base 6,0% | 100.670 | 39.861 | 25.740 | 11.693 |
| baja intención, base 2,0% | 315.206 | 124.891 | 80.682 | 36.693 |
Valores por celda, 95 por ciento de confianza, 80 por ciento de poder, bilateral. Para el efecto grande que la correspondencia de mensaje suele producir en el bloque alineado, 18 por ciento relativos sobre una base de 6 por ciento, bastan 8.225 clics por celda, lo que en un anuncio de 6.500 clics por semana sale en 18 días de test con dos brazos.
Cálculo por aproximación normal de dos proporciones, 2 variaciones (50/50). Cambia los campos y mira el impacto en vivo.
De esta tabla salen tres decisiones prácticas:
- Empieza por el bloque de mayor intención. Es donde el efecto es mayor y la muestra es menor. El resultado llega en unas tres semanas.
- No intentes medir el bloque de descubrimiento con la misma precisión. En el ejemplo, las celdas del anuncio 2 con 27 mil clics cada una solo alcanzan a ver 16,88 por ciento relativos. Declarar “sin diferencia” ahí es impreciso; lo correcto es “no detectamos diferencia por encima de 17 por ciento”.
- No sumes brazos de anuncios diferentes para ganar muestra. Eso es exactamente lo que crea la reversión de la sección anterior.
Qué alinear, en orden de retorno
La correspondencia de mensaje no es copiar el anuncio en la página entera. Es repetir lo suficiente donde la persona mira primero.
| elemento de la página | cuánto pesa | qué hacer |
|---|---|---|
| titular principal (H1) | alto | repetir la promesa central del anuncio, casi con las mismas palabras |
| primera línea debajo del H1 | alto | resolver la condición de la promesa: por encima de qué valor, por cuánto tiempo, para quién |
| imagen o vídeo de la parte de arriba | medio-alto | mostrar el mismo objeto o escenario del creativo, cuando haya creativo visual |
| etiqueta del botón principal | medio | usar el verbo de la promesa, no un verbo genérico |
| precio u oferta visible sin desplazar | medio | cuando el anuncio da un número, el mismo número tiene que aparecer |
| navegación y menú | bajo, pero negativo | en página de campaña, el menú completo suele ser una salida, no una ayuda |
| prueba social | bajo | ayuda, pero no sustituye la promesa; ver prueba social en test A/B |
Dos trampas específicas merecen destacarse.
La primera es prometer en la página lo que el producto no entrega. El alineamiento no es permiso para repetir una promesa exagerada; si el anuncio promete envío gratis sin condición y la condición existe, alinear la página solo adelanta la frustración. En ese caso el problema es el anuncio, no la página.
La segunda es confundir alineamiento con clonación. Repetir literalmente el texto del anuncio en un H1 largo, con todas las palabras clave, suele empeorar la legibilidad y no mejora la conversión. Lo que la persona necesita en dos segundos es reconocer la promesa, no releer el anuncio.
Anuncio dinámico e inserción de palabra clave: el alineamiento automático tiene costo
Existe el atajo de hacer que la página cambie el titular según el parámetro de la URL, espejando la palabra clave o el texto del anuncio. Funciona y tiene tres costos que hay que declarar antes de encenderlo.
- Crea muchas versiones de contenido poco controladas. Una página que cambia el H1 por parámetro es, en la práctica, N páginas. Si son indexables, se vuelven un problema de contenido duplicado; lo mínimo es bloquear la variación por parámetro en la indexación y mantener una canónica.
- Introduce una ventana en la que el titular cambia después de que la página aparece. Eso es el efecto flicker, y no es cosmético: dificulta la lectura y puede sesgar la medición. El tratamiento está en efecto flicker en test A/B.
- Mezcla tratamiento y contenido a la hora de analizar. Si el texto inyectado varía por consulta, cada visitante recibió un tratamiento ligeramente diferente, y el “brazo” deja de ser homogéneo. Para el test, congela el conjunto de variaciones posibles y registra cuál fue servida.
Si el objetivo es solo validar la hipótesis de correspondencia, prefiere dos páginas estáticas bien escritas en el primer test. La inyección dinámica es optimización de escala, no instrumento de medición.
Cómo leer el resultado sin engañarte
- ¿La página fue sorteada, o elegida junto con el anuncio? Si fue elegida, no tienes un test, tienes una observación.
- ¿El efecto se leyó dentro de cada anuncio antes de agregar? Sin eso, la mezcla de público puede invertir la señal.
- ¿La mezcla de tráfico entre los brazos es la misma? En el factorial correcto lo es, por construcción. Compruébalo de todos modos.
- ¿Cuál era el efecto mínimo detectable de cada bloque? “Sin diferencia” en un bloque que solo alcanza a ver 17 por ciento no es la misma frase que “sin diferencia” en un bloque que alcanza a ver 5.
- ¿La métrica es conversión o ingreso por clic? Si el anuncio de descuento trae pedidos menores, la conversión sola engaña; usa ingreso por visitante.
- ¿El costo por clic cambió durante el test? Si sí, la comparación entre periodos queda contaminada por la subasta, además del efecto de la página.
- ¿Cambiaste solo la parte de arriba, o la página entera? Cambiar la página entera responde “esta página es mejor”, no “alinear la promesa ayuda”.
- ¿El resultado sobrevive a una segunda promesa? Un efecto de correspondencia que solo aparece en un par de anuncio y página es un hallazgo pequeño y útil, no una ley.
Checklist antes de encender el test
- Lista los anuncios que valen como bloque, con volumen de clics y tasa base de cada uno.
- Elige la promesa a alinear, una sola, y escribe la hipótesis: si el H1 repite la promesa X, la conversión del tráfico del anuncio X sube porque el rastro de información se mantiene.
- Monta el factorial: página sorteada 50/50 dentro de cada anuncio, con el parámetro de campaña definiendo el bloque.
- Congela el anuncio durante todo el periodo. Si el creativo cambia, cambia quién hace clic, y el bloque deja de ser el mismo.
- Calcula el efecto mínimo detectable de cada bloque antes de encender, y acepta desde ya que el bloque pequeño puede no concluir.
- Declara la métrica primaria, con denominador en clics del bloque, y la de guardia (ingreso por clic, tasa de devolución).
- Garantiza que la página alineada no promete nada falso.
- Corre en semanas enteras, como en ciclo semanal y duración.
- Planea el enrutamiento, no solo el ganador: el resultado probable es “depende del anuncio”, y eso es una decisión de arquitectura de campaña, no de página única.
Hazlo automático en Donnu
El dolor específico de testear correspondencia de mensaje es que la variable está de un lado del clic y la medición está del otro, y la forma fácil de mirar el dato es justamente la que invierte la señal.
En Donnu, el experimento puede restringirse por origen de tráfico, lo que permite correr el test de la página solo para quien llegó de una campaña específica, que es exactamente el bloque de esta guía. El sorteo es por visitante, con peso fijo que tú defines, y la meta de conversión puede confirmarla tu servidor, con valor del pedido, lo que permite leer ingreso por clic en vez de solo tasa de conversión. El informe es bayesiano, avisa cuando la división de visitantes se aleja de lo configurado y solo declara ganadora con al menos 200 visitantes por variación y 7 días de test.
Lo que sigue siendo tuyo: elegir qué promesa alinear, congelar el anuncio durante el test y decidir el enrutamiento al final. Para las cuentas, la calculadora de tamaño de muestra, la calculadora de significancia y el evaluador de landing page trabajan con tus números, gratis.
Referencias
- Budiu, Raluca. Information Foraging: A Theory of How People Navigate on the Web. Nielsen Norman Group, 10 de noviembre de 2019. Artículo leído íntegramente. Fuente del concepto de rastro de información, de la atribución de la teoría a Peter Pirolli y Stuart Card en el PARC a finales de los años 1990, de la regla de costo y beneficio expresada como tasa de ganancia igual a valor de la información dividido por el costo de obtenerla, y de la explicación de que el usuario abandona cuando estima que continuar rendiría menos de lo que cuesta. Consultado el 22/09/2026. nngroup.com.
- Google. Acerca del nivel de calidad. Centro de Ayuda de Google Ads. Página leída íntegramente. Fuente de los tres componentes del nivel de calidad y de la definición de experiencia en la página de destino como cuánto de relevante y útil es tu página para quien hace clic en tu anuncio. Consultado el 22/09/2026. support.google.com.
- Google. Acerca del Ad Rank. Centro de Ayuda de Google Ads. Página leída íntegramente. Fuente de la lista de factores del Ad Rank, que incluye la calidad de tus anuncios y de la página de destino, y de la afirmación de que incluso con competidores pujando más alto es posible conseguir una posición mejor por un precio menor usando palabras clave y anuncios muy relevantes. Consultado el 22/09/2026. support.google.com.
Lee también: Test A/B de creatividad publicitaria · Paradoja de Simpson · Efecto heterogéneo por segmento · Efecto flicker · Prueba social en test A/B · Test de incrementalidad de medios pagados · Leia em português
Preguntas frecuentes
- ¿Qué es la correspondencia de mensaje entre anuncio y página?
- Es el grado en que la promesa del anuncio reaparece en la página de destino, en el texto, en la oferta y en la imagen. El concepto detrás de ella es el rastro de información de la teoría del forrajeo de información: según la Nielsen Norman Group, cada fuente emite una señal que le dice al usuario qué probabilidad hay de que contenga lo que busca, y la persona sigue adelante mientras sienta que se está acercando. Cuando el anuncio promete envío gratis y la página habla de calidad, el rastro se pierde.
- ¿Puedo comparar la tasa de conversión de la página por anuncio?
- No como evidencia causal. El anuncio decide quién hace clic, así que cada anuncio entrega una población diferente a la página. Comparar páginas entre anuncios mezcla el efecto de la página con la diferencia de intención del público. En el ejemplo de esta guía, la comparación agregada apunta a que la página X gana por 74,5 por ciento con valor-p por debajo de 0,0001, mientras que dentro de cada anuncio la página Y es la que va por delante. Es una reversión de Simpson clásica.
- ¿Cuál es el diseño correcto?
- Sortear la página dentro de cada anuncio, 50/50, y analizar el efecto dentro de cada anuncio antes de agregar. El anuncio pasa a ser bloque, no tratamiento. Así la comparación entre páginas queda limpia y además descubres si el efecto de la página depende del anuncio, que es justamente la pregunta de correspondencia de mensaje.
- ¿La correspondencia de mensaje afecta solo a la conversión?
- No. También entra en el precio de la subasta en búsqueda pagada. Según Google Ads, el nivel de calidad tiene tres componentes, y uno de ellos es la experiencia en la página de destino, definida como cuánto de relevante y útil es tu página para quien hace clic en el anuncio. La propia documentación de Ad Rank registra que, incluso con competidores pujando más alto, es posible conseguir una posición mejor por un precio menor usando palabras clave y anuncios muy relevantes.
- ¿El efecto de la correspondencia de mensaje es igual para todos los anuncios?
- No, y ese es el punto. En el ejemplo trabajado de esta guía, la página alineada con la promesa de envío gana 17,95 por ciento dentro del anuncio de envío, con valor-p de 0,0004, y pierde 2,96 por ciento dentro del anuncio de descuento, con valor-p de 0,6203. No existe una página universalmente mejor: existe un par de anuncio y página que encaja.
- ¿Cuánto tráfico necesito para testear esto?
- Menos de lo que parece, si testeas la correspondencia donde debería importar más. Para detectar 18 por ciento relativos sobre una base de 6 por ciento bastan 8.225 clics por celda. Lo que cuesta caro es el brazo de baja intención: detectar 10 por ciento relativos sobre una base de 2 por ciento pide 80.682 clics por celda.