Kameleoon: Análisis Completo 2026 (Funciones y Precio)

Kameleoon es una suite enterprise de experimentación y personalización que hace dos cosas poco comunes en su rango: publica un precio de entrada y documenta su propia estadística en público. Las dos hacen la evaluación más honesta que la de la mayoría de sus competidores directos, y las dos vienen con una salvedad que conviene entender antes de la llamada de demo. Este análisis cubre qué incluye la plataforma, qué limita realmente el plan publicado, qué capacidades estadísticas viven solo en el rango bajo consulta, y un ejemplo trabajado, calculado con el motor de este blog, de cuánto experimento cabe dentro del plan de entrada. Para el panorama de la categoría, mira la comparación neutral de herramientas de test A/B y, para el duelo directo, AB Tasty contra Kameleoon.

Aviso de transparencia antes de cualquier línea: Donnu es una herramienta de test A/B y compite con Kameleoon en parte de este alcance. Este texto fue escrito para ser útil incluso para quien termine eligiendo Kameleoon.

Qué es Kameleoon, una línea por pieza

Pieza	Qué hace	Plan donde vive
Experimentación web	Tests A/B, split y multivariados en páginas, client-side por snippet	Starter en adelante
Segmentación	Más de 40 criterios para definir quién ve qué, con audiencias y métricas ilimitadas	Starter en adelante
Higiene de experimento	Grupos mutuamente excluyentes, detección de SRM, corrección para tests múltiples	Starter en adelante
Feature management y rollout	Flags y liberación progresiva en la misma plataforma	Enterprise
Test server-side y en app móvil	Experimentación por SDK dentro de la lógica de la aplicación y en apps nativas	Enterprise
Personalización avanzada y segmentación por IA	Direccionamiento predictivo por visitante sobre el motor de segmentación	Enterprise
Estadística avanzada	Métodos frecuentista y bayesiano, CUPED, bandits multi-armed y contextuales	Enterprise

La lectura honesta de esa tabla: el plan de entrada es un producto de experimentación web, y la suite es el plan Enterprise. Eso no es crítica, es pregunta de calificación. Si el motivo por el que Kameleoon está en tu lista es reducción de varianza, bandits o test server-side, estás comprando en el rango bajo consulta desde la primera llamada, y los 495 dólares publicados no son el número que va a aparecer en tu contrato.

Precio: qué se publica y qué no

Números consultados en la página oficial de planes el 18 de agosto de 2026:

Plan	Precio	Experimentos	Usuarios testeados por mes	Inclusiones notables
PBX Starter, prueba gratis	Gratis por 30 días, sin tarjeta	Hasta 3	No informado en la página	Experimentación por prompt, test secuencial, más de 40 criterios de segmentación, integración con Figma
PBX Starter	Desde 495 dólares/mes	Hasta 10	50 mil	Todo lo de la prueba gratis, más grupos mutuamente excluyentes, corrección para tests múltiples, detección de SRM, métricas de razón, tratamiento de outliers, detección de efecto de interacción, métricas y audiencias ilimitadas
Enterprise	Bajo consulta	Ilimitados	Ilimitados	Feature management y rollout, test en app móvil, test server-side, personalización avanzada, editor de código dedicado, bandits contextuales y multi-armed, CUPED, holdouts, métodos frecuentista y bayesiano

Dos cosas merecen sacarse de esa tabla.

Primero, publicar un piso es una ganancia real de transparencia en una categoría donde la mayoría de los proveedores enterprise no publica nada. La comparación de precios de herramientas de test A/B muestra lo raro que es. Un comprador consigue descalificar la herramienta en cinco minutos en lugar de cinco reuniones, lo que tiene valor incluso para el proveedor.

Segundo, el piso publicado responde solo a la versión más pequeña de la pregunta. Tráfico ilimitado, personalización, feature management y la estadística avanzada son todos Enterprise, y Enterprise no tiene número público. Entonces la forma útil de leer la página de planes es como puerta de calificación, no como tabla de precios: te dice gratis si tus requisitos caben en el Starter.

La estadística, y por qué la documentación importa

La documentación pública de Kameleoon lista tres métodos seleccionables para analizar un experimento, cada uno con un trade-off declarado:

• Frecuentista de muestra fija. Exige hipótesis y tamaño de muestra definidos antes del lanzamiento. La documentación plantea el intercambio de forma directa: poder estadístico máximo, al costo de muestra y duración rígidas, definidas de antemano. Es el enfoque clásico que recorre nuestra guía de significancia estadística.
• Bayesiano. Incorpora conocimiento previo por medio de priors. La documentación es franca al decir que eso puede llevarte en la dirección equivocada si el dato previo está mal, un encuadre más honesto que el que ofrece la mayor parte del material de proveedor.
• Secuencial. Decide de forma dinámica conforme llega el dato, sin estimar muestra de antemano, y entrega un intervalo de confianza válido en cualquier momento de la ejecución. El costo declarado es un poder estadístico menor que el de los métodos de muestra fija, lo que coincide con el tratamiento de nuestra guía de test secuencial.

Junto a los tres métodos, la misma documentación describe técnicas complementarias, que se suman al método elegido en lugar de reemplazarlo: corrección para tests múltiples, el cuidado necesario cuando varias variaciones o métricas se leen al mismo tiempo, y CUPED, que reduce la muestra necesaria aprovechando dato pre-experimento, y que la documentación dice que funciona mejor con visitantes recurrentes, historial sustancial en la plataforma y conversiones pre-experimento correlacionadas con la métrica del experimento en curso.

Vale explicitarlo porque invierte una suposición común. Quien lee “test secuencial incluido en el plan de entrada” como si fuera la opción más avanzada lo entendió al revés: el secuencial es lo que permite mirar temprano sin mentirse a uno mismo, y paga por eso con menor poder, o sea más tráfico para el mismo efecto detectable, lo que interactúa directamente con el tope de usuarios testeados de la próxima sección.

Ejemplo trabajado: cuánto test cabe en 50 mil usuarios

La restricción que aprieta en el plan Starter no es el límite de 10 experimentos, es el tope de 50 mil usuarios testeados por mes. La cuenta de abajo salió de la misma función sampleSizePerVariant que corre la calculadora aquí abajo.

El escenario: una página de producto de ecommerce convirtiendo al 4,5%, con 30 mil visitantes elegibles por semana disponibles para el test. Pon tu propia tasa base en la calculadora:

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.

Ambición (mejora relativa)	Usuarios por variación	Total en un test de 2 brazos	Días a 30 mil/semana	¿Cabe en 50 mil usuarios/mes?
20% (4,5% a 5,4%)	9.118	18.236	5	Sí, con espacio para un segundo test
15% (4,5% a 5,175%)	15.860	31.720	8	Sí, y consume la mayor parte del mes
10% (4,5% a 4,95%)	34.897	69.794	17	No, revienta el tope por sí solo

Los cuatro números salen de la fórmula congelada al 95% de confianza y 80% de poder, bilateral. La lección no es que el tope sea mezquino, 50 mil usuarios testeados por 495 dólares es un paquete de entrada razonable. La lección es que el plan define en silencio tu efecto mínimo detectable. Con esa tasa base, el plan de entrada sostiene perseguir mejoras de 15% relativos hacia arriba. Perseguir 10%, que es exactamente el rango donde vive la mayor parte de las mejoras reales a nivel de página, exige plan mayor, página de más tráfico, o dos meses seguidos con un único test, y la versión de dos meses trae sus propios problemas de estacionalidad.

Nota también cómo esto se suma a la posición de los métodos: el secuencial, que es el método incluido en el Starter, entrega poder menor que el de muestra fija según la documentación del propio proveedor, así que los requisitos de muestra de esa tabla son la versión optimista del cuadro para quien lee un test secuencialmente en el Starter.

Leyendo el resultado

Digamos que el test de 15% corrió un poco más y cerró con 25.000 usuarios por variación, con 1.125 conversiones en el control (4,50%) contra 1.290 en la variación (5,16%).

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.

Pasando esos cuatro números por el motor de significancia de este blog: z = 3,44, valor-p ≈ 0,00058, intervalo de confianza del 95% sobre la diferencia de +0,28 a +1,04 puntos porcentuales, y mejora relativa observada de +14,7%. Es un resultado limpio y bien dimensionado, y llena exactamente la franquicia mensual de usuarios testeados. Que es el punto práctico: en el plan de entrada, un test decisivo por mes es más o menos la forma de la operación, y un programa que quiere velocidad semanal de test es una conversación de Enterprise.

¿Y si tu tasa base es menor que 4,5%?

Esa es la pregunta que cambia la evaluación para buena parte del ecommerce latinoamericano, donde tasas de conversión de 1,5% a 2% son comunes en tiendas de ticket promedio alto o en categorías de compra considerada. El ejemplo de arriba usó 4,5% porque es una base cómoda; cuanto menor es la base, más cara sale la misma ambición, y el tope de 50 mil aprieta rápido.

Tasa base	Detectar 20% relativos	Detectar 15% relativos	Detectar 10% relativos
1,5%	56.608 en total	98.386 en total	216.306 en total
2,0%	42.218 en total	73.386 en total	161.364 en total
3,0%	27.828 en total	48.386 en total	106.422 en total
4,5%	18.236 en total	31.720 en total	69.794 en total

Leída en la dirección contraria, la misma tabla dice cuál es el efecto más sutil que cabe entero en la franquicia mensual (50 mil usuarios, o 25 mil por variación): cerca de 21,3% relativos con una base de 1,5%, 18,3% con una base de 2%, 14,7% con una base de 3% y 11,9% con una base de 4,5%.

O sea: en una tienda convirtiendo al 1,5%, el plan de entrada solo consigue resolver cambios que mejoren la conversión en más de un quinto. Eso no descalifica la herramienta, descalifica la combinación plan más página. Las salidas honestas son las de siempre: testear cambios mayores, medir más temprano en el embudo donde la tasa base es mayor, agrupar páginas del mismo template en el mismo test, o subir de plan. Lo que no es salida es correrlo igual y leer el resultado como si fuera concluyente, por el motivo detallado en nuestra guía de CRO para sitios de bajo tráfico.

Puntos fuertes reales

• Precio de entrada publicado en una categoría de presupuesto bajo consulta. Raro, y genuinamente útil para descalificar rápido.
• Estadística documentada con los trade-offs. Tres métodos nombrados, cada uno con un costo declarado, más las condiciones explícitas en que CUPED ayuda. Es un nivel de franqueza que hace posible una evaluación independiente.
• Higiene de experimento ya en la entrada. Grupos mutuamente excluyentes y detección de SRM en el plan de entrada son las funciones sin glamour que mantienen honesto a un programa, y suelen ser upsell en otros lugares.
• Un proveedor cubriendo experimentación, personalización y feature management. Para equipos que de verdad necesitan los tres, la consolidación tiene valor operativo real.
• Prueba de 30 días sin tarjeta. Plazo suficiente para instrumentar una página real y ver el flujo de trabajo antes de cualquier conversación de compra.

Limitaciones y puntos de atención

• La estadística interesante es Enterprise. CUPED, análisis frecuentista y bayesiano y bandits quedan por encima del plan publicado. Confirma qué incluye realmente tu propuesta.
• El tope de usuarios testeados define tu efecto detectable. Como muestra el ejemplo, 50 mil usuarios por mes con una base de un dígito limitan la ambición a algo en torno a 15% relativos, y el límite se endurece conforme la base cae.
• El precio del Enterprise no es público. El piso dice dónde empieza la regla, no dónde termina tu contrato. Trata cualquier comparación de precio de terceros como estimación fechada, no como cotización actual.
• La amplitud de la suite es costo para el equipo equivocado. Si la necesidad real es testear algunas páginas con honestidad, la mayor parte de lo que pagarías queda apagado.
• La estructura societaria es una variable viva en esta categoría. Kameleoon estaba independiente a la fecha de esta consulta, mientras que la competidora francesa más cercana pasó a integrar un grupo mayor en enero de 2026. Un cambio de estructura reprecia el paquete, así que confirma la situación actual antes de un compromiso plurianual.

Cómo evaluarla en un piloto

1. Haz la cuenta del tope primero. Pon tu tasa base y tu tráfico reales en la calculadora de arriba y mira qué efecto te deja perseguir el plan. Si la respuesta es “solo los grandes”, lo equivocado es el rango de la herramienta, no la herramienta.
2. Pide por escrito a qué plan pertenece cada función estadística. Específicamente CUPED, los métodos de análisis y los bandits.
3. Corre un test A/A durante el trial. Confirma que la división coincide con la configuración y que la plataforma reporta el no efecto con honestidad.
4. Prueba el flujo secuencial a propósito. Si tu equipo va a mirar resultados todos los días, decide de antemano que el método es el secuencial y acepta el costo en poder, en lugar de descubrirlo después.
5. Confirma todo número en las páginas del propio proveedor. Planes e inclusiones cambian; el valor de este análisis es la fecha de la consulta, no una garantía permanente.

Análisis final: para quién tiene sentido Kameleoon

Encaja en equipos medianos y enterprise que necesitan experimentación, personalización y feature management de un solo proveedor, que tienen tráfico bien por encima del tope de entrada, y que valoran la documentación pública de la estadística por encima de un veredicto de caja negra. Para un equipo con visitantes recurrentes e historial real de analítica, el soporte de CUPED en el rango Enterprise es motivo legítimo para pagar precio de enterprise, porque la reducción de varianza se convierte directamente en un test más corto.

Encaja menos en equipos pequeños cuya necesidad es testear media docena de páginas con honestidad, donde un piso de 495 dólares al mes compra mucha plataforma que va a quedar apagada, y en equipos cuyo único requisito innegociable termina viviendo solo en el rango bajo consulta. Para la comparación con el rival directo, mira AB Tasty contra Kameleoon; para la cuestión client-side contra server-side, que decide buena parte del alcance Enterprise, mira test A/B client-side contra server-side.

Si tu lista de requisitos está más cerca de “testear bien y confiar en el resultado” que de “correr un programa de personalización”, Donnu es una opción más liviana, enfocada en test A/B web con lectura conservadora del resultado. No reemplaza la profundidad de personalización, el feature management ni los servicios enterprise de Kameleoon, y decir lo contrario sería deshonesto. Si el caso más liviano es el tuyo, empieza una prueba gratis de 14 días.

---

Lee también: Herramientas de Test A/B Comparadas · AB Tasty contra Kameleoon · Precios de Herramientas de Test A/B · Qué es CUPED

Referencias

• Kameleoon. Plans. Página oficial de planes: PBX Starter desde 495 dólares al mes con hasta 10 experimentos y 50 mil usuarios testeados por mes, la prueba de 30 días sin tarjeta limitada a 3 experimentos, y las inclusiones del Enterprise (feature management, server-side, móvil, personalización avanzada, bandits, CUPED, métodos frecuentista y bayesiano, segmentación por IA, SSO). Consultado el 18 de agosto de 2026. kameleoon.com/plans.
• Kameleoon. Choosing the right statistical method for A/B testing. Documentación de los tres métodos seleccionables y sus trade-offs, más corrección para tests múltiples y CUPED como técnicas complementarias. docs.kameleoon.com.
• Deng, A., Xu, Y., Kohavi, R. y Walker, T. Improving the Sensitivity of Online Controlled Experiments by Utilizing Pre-Experiment Data. WSDM 2013, el artículo original de CUPED. exp-platform.com.
• Kohavi, R., Tang, D. y Xu, Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press, 2020. Capítulos sobre elección de plataforma, SRM y reducción de varianza. Material de apoyo en experimentguide.com.