Optimización de Conversión (CRO): La Guía Completa 2026
Optimización de conversión explicada desde cero: fórmula, benchmarks, proceso, hipótesis, priorización y las calculadoras para dimensionar cada test.
La optimización de conversión (CRO, de Conversion Rate Optimization) es el proceso estructurado de aumentar la proporción de visitantes de un sitio que completan una acción deseada, usando investigación, hipótesis comprobables y experimentos controlados en lugar de opinión. No se trata de cambiar el color de un botón: es un ciclo continuo de investigación, priorización, test y aprendizaje que, ejecutado con rigor, genera más ingresos con el mismo tráfico que ya tienes.
Esta guía cubre el CRO de principio a fin: qué es una conversión, cómo calcular la tasa, por qué esto importa más de lo que parece, el proceso completo paso a paso, los frameworks de priorización, los modelos de persuasión detrás de buenas hipótesis, y la estadística de test A/B explicada sin rodeos. Incluye dos calculadoras en vivo, un ejemplo numérico reproducible a mano y una comparación neutral de herramientas.
Qué es el CRO (Conversion Rate Optimization)
El CRO es la disciplina de mejorar sistemáticamente la tasa de conversión de un sitio, producto o flujo, probando cambios con datos reales antes de asumirlos como definitivos. La sigla viene del inglés, pero el concepto es simple: en vez de rediseñar una página pensando que quedó «mejor», formulas una hipótesis, mides el efecto con una muestra de visitantes reales y solo adoptas el cambio si el número lo confirma.
Qué es una conversión: macro y micro conversiones
Una conversión es cualquier acción que hayas definido como valiosa. Se divide en dos niveles:
- Macro conversión: el objetivo final del negocio. En un e-commerce, es la compra. En un SaaS, es la suscripción paga (o, en el embudo anterior, el inicio de un trial).
- Micro conversiones: pasos intermedios que señalan intención y ayudan a diagnosticar dónde se filtra el embudo. En un e-commerce: agregar al carrito, iniciar el checkout, registrar la tarjeta. En un SaaS: crear una cuenta, activar una integración, invitar a un colega de equipo.
Optimizar solo la macro conversión sin mirar las micro es como manejar mirando únicamente el destino final: no ves dónde estás perdiendo gente en el camino. Un formulario de registro con mucho abandono, por ejemplo, es una micro conversión enferma que arrastra la macro hacia abajo.
El CRO en una frase, y el mini glosario
Si necesitas resumir el CRO en una frase para alguien que nunca lo escuchó: el CRO es usar datos y experimentos para descubrir, con evidencia, qué hace realmente que más gente complete la acción que importa para tu negocio.
Términos que aparecen todo el tiempo en esta guía:
- Control: la versión actual de la página, el punto de comparación.
- Variación: la versión modificada que estás probando contra el control.
- Uplift (o lift): la ganancia porcentual de la variación sobre el control.
- Baseline: la tasa de conversión actual, antes de cualquier cambio.
Cómo calcular la tasa de conversión
La fórmula es simple, pero vale la pena fijarla porque todo en esta guía depende de ella:
Ejemplo paso a paso: una página de producto de e-commerce recibió 8.400 visitantes en un mes y generó 252 compras. La tasa de conversión es 252 dividido entre 8.400, por 100, igual a 3,0%. En un SaaS, si una landing page de registro recibió 5.000 visitantes y generó 175 cuentas creadas, la tasa es 175 dividido entre 5.000, por 100, igual a 3,5%.
Nota que la misma fórmula sirve para cualquier etapa del embudo, no solo para la conversión final. Por eso es la unidad básica de todo el resto de esta guía.
Qué es una tasa de conversión buena: benchmarks por segmento
La respuesta honesta es que no existe un número universal. Una tasa «buena» depende del sector, el ticket promedio, el dispositivo y el canal de origen del tráfico. Aun así, los rangos de referencia ayudan a calibrar expectativas, siempre tratándolos como punto de partida, nunca como meta:
| Contexto | Rango típico reportado | Observación |
|---|---|---|
| E-commerce (visitante → compra) | ~1% a 3% | Varía mucho según categoría y ticket promedio |
| SaaS (visitante → inicio de trial) | ~2% a 10% | Depende del canal y la intención de búsqueda |
| SaaS (trial → plan pago, self-service) | ~15% a 25% | El onboarding y la activación pesan mucho aquí |
| Lead gen / B2B (landing → formulario) | ~5% a 15% | Los formularios cortos tienden a convertir más |
Segmentado por dispositivo y canal, el patrón reportado por diferentes relevamientos del sector suele repetir tres tendencias: el desktop convierte más que el mobile (la fricción de escribir en una pantalla pequeña cobra un precio), el tráfico directo y de e-mail convierte más que el tráfico pago frío, y las búsquedas con intención comercial explícita convierten más que las búsquedas informacionales. Trata estos patrones como una hipótesis de partida a confirmar con tu propio embudo, no como una verdad cerrada, porque la variación entre nichos es demasiado grande para que una tabla genérica sirva como benchmark definitivo.
Por qué el CRO importa para el crecimiento
El argumento de negocio detrás del CRO es aritmética pura: si duplicas el tráfico O duplicas la tasa de conversión, el ingreso también se duplica, pero el costo de cada camino es muy diferente.
CRO frente a comprar más tráfico
Traer más visitantes cuesta dinero en cada clic (medios pagos) o tiempo en cada posición de ranking (SEO), y el costo tiende a subir a medida que agotas el público más barato de alcanzar. Mejorar la conversión, en cambio, extrae más valor del tráfico que ya pagas para traer, lo que reduce el costo de adquisición por cliente (CAC) sin aumentar la inversión en medios.
Una simulación simple: una tienda con 20.000 visitantes al mes, tasa de conversión del 2% y ticket promedio de R$ 150 factura 20.000 por 0,02 por 150, igual a R$ 60.000 al mes. Si duplica el tráfico a 40.000 visitantes manteniendo la misma tasa, factura R$ 120.000, pero el costo de medios para duplicar los clics también tiende a subir proporcionalmente (o más, si la subasta de anuncios se encarece con el volumen). Si en cambio sube la tasa de conversión del 2% al 3% manteniendo los 20.000 visitantes, factura 20.000 por 0,03 por 150, igual a R$ 90.000, una ganancia de R$ 30.000 sin gastar un real más en adquisición. Por eso el CRO suele tener el mejor retorno marginal después de que ya existe el embudo básico de tráfico.
Cuánto vale un punto de conversión más
El cálculo para descubrir el valor de un uplift es directo, y vale la pena reproducirlo para tu propio embudo: ingreso adicional = visitantes × (nueva tasa − tasa actual) × ticket promedio. En el ejemplo anterior, la ganancia del 2% al 3% en 20.000 visitantes con un ticket de R$ 150 vale 20.000 por 0,01 por 150, igual a R$ 30.000 al mes, o R$ 360.000 al año, solo con ese cambio sostenido. Para un SaaS, cambia el ticket promedio por el valor de LTV (valor del cliente a lo largo del tiempo) o por el MRR promedio generado por cada nuevo trial convertido, y la misma fórmula funciona para estimar el impacto de subir la tasa de trial a pago.
CRO frente a SEO frente a medios pagos: cuál es la diferencia
Las tres disciplinas compiten por el mismo presupuesto de crecimiento, pero resuelven problemas diferentes y funcionan mejor juntas que por separado:
| Criterio | SEO | Medios pagos | CRO |
|---|---|---|---|
| Qué hace | Trae tráfico orgánico a lo largo del tiempo | Trae tráfico inmediato, pagado por clic/impresión | Convierte mejor el tráfico que ya existe |
| Velocidad de resultado | Lenta (meses) | Rápida (días) | Media (semanas por ciclo de test) |
| Costo marginal por visitante extra | Bajo, pero exige tiempo/contenido | Sube según la demanda en la subasta | No genera visitante nuevo, genera más valor del existente |
| Riesgo si dejas de invertir | Pierde posición de a poco | El tráfico cae casi a cero | La ganancia es permanente hasta el próximo cambio de página |
| Dónde falla solo | No convierte a quien ya llega mal atendido | Se vuelve caro sin límite si la conversión no acompaña | No crea demanda ni tráfico nuevo |
En la práctica, los tres forman un ciclo: el SEO y los medios pagos traen visitantes, el CRO garantiza que cada visitante tenga la mejor oportunidad de convertir, y una mejor conversión reduce el CAC efectivo de todo lo que viene de arriba, lo que a su vez justifica invertir más en adquisición. Priorizar el CRO tiene más sentido cuando ya existe tráfico relevante y estable; priorizar la adquisición tiene más sentido cuando el embudo básico ya convierte de forma competitiva pero falta volumen.
El ciclo de CRO paso a paso
El CRO no es un evento único, es un ciclo que se repite. Cada vuelta enseña algo, incluso cuando el test «pierde».
Etapa 1: investigación cuantitativa
Empieza por los datos que ya tienes. El analytics muestra dónde el embudo pierde más gente proporcionalmente (la etapa con mayor caída porcentual, no la de mayor número absoluto de salidas). Las herramientas de embudo segmentan por dispositivo, canal y página de entrada para encontrar dónde el problema está más concentrado. El objetivo aquí es encontrar el cuello de botella, no todavía la solución.
Etapa 2: investigación cualitativa
Los datos cuantitativos dicen «dónde»; la investigación cualitativa dice «por qué». Los mapas de calor muestran hasta dónde el visitante hace scroll en la página y dónde hace clic (o intenta hacer clic en algo que no es clicable). Las grabaciones de sesión muestran vacilación, clics repetidos de frustración (rage clicks) y abandono en medio de un formulario. Las encuestas con usuarios y el análisis de tickets de soporte revelan objeciones y dudas en palabras del propio cliente, que muchas veces se convierten en la hipótesis más fuerte del backlog.
Etapa 3: formular la hipótesis
Una hipótesis de CRO conecta una evidencia con un cambio y con un efecto medible. El formato que funciona:
Hipótesis débil: «vamos a cambiar el color del botón porque creo que queda mejor». No tiene evidencia, no tiene métrica, no tiene porqué. Hipótesis fuerte, anclada en un dato de embudo: «si mostramos el plazo de entrega ya en la página de producto, entonces la tasa de finalización del checkout va a subir, porque la grabación de sesión muestra que el 40% de los visitantes hacen scroll hasta el pie de página buscando esa información antes de salir». La segunda es comprobable, tiene una métrica clara y nació de una observación, no de una corazonada.
Etapa 4: priorizar
Ningún equipo tiene tiempo de probar todas las buenas ideas que aparecen, así que priorizar es obligatorio, no opcional. Mira los frameworks en la próxima sección.
Etapa 5: ejecutar el test
Con la hipótesis escrita y priorizada, define la métrica primaria, calcula el tamaño de muestra necesario (próxima sección de esta guía) y ejecuta el experimento con rigor: división aleatoria estable, el mismo período de tiempo para ambas versiones, y sin espiar el resultado antes de tiempo.
Etapa 6: analizar y documentar
Analiza con significancia estadística honesta, no con «parece que subió». Y documenta cada test, ganador, perdedor o inconcluso, en un repositorio de aprendizaje. Un test que «perdió» igual enseña que esa hipótesis no se sostiene, lo que evita reimplementar la misma idea dentro de un año. Ese archivo de aprendizajes es, con el tiempo, el activo más valioso de un programa de CRO maduro, incluso más que cualquier test individual.
Frameworks de priorización: ICE, PIE, PXL y RICE
Priorizar sin criterio se convierte en «probamos lo que es más fácil de implementar», que rara vez es lo que más mueve la aguja. Los cuatro frameworks más usados dan una nota objetiva a cada idea:
| Framework | Criterios (puntaje 1-10 cada uno) | Mejor para | Limitación |
|---|---|---|---|
| ICE | Impact, Confidence, Ease | Equipos pequeños, decisión rápida | Muy subjetivo, cada persona puntúa distinto |
| PIE | Potential, Importance, Ease | Equipos de marketing, foco en páginas de alto tráfico | No separa bien la confianza de la importancia |
| PXL (CXL) | Checklist binario (visible sobre el pliegue, probado antes, dato cualitativo, etc.) | Equipos maduros que quieren reducir el sesgo de opinión | Más lento de completar, exige disciplina |
| RICE | Reach, Impact, Confidence, Effort | Productos con muchas funciones/áreas compitiendo por recursos | El peso de «Reach» puede dominar decisiones de nicho |
Un ejemplo de puntaje completado con ICE, para tres hipótesis competidoras de un mismo backlog:
| Hipótesis | Impact | Confidence | Ease | Puntaje (promedio) |
|---|---|---|---|---|
| Mostrar envío gratis sobre el pliegue en la PDP | 8 | 7 | 9 | 8,0 |
| Reducir el formulario de checkout de 12 a 6 campos | 9 | 8 | 5 | 7,3 |
| Cambiar el color del CTA principal | 3 | 4 | 10 | 5,7 |
| Agregar prueba social (reseñas) en el home | 6 | 6 | 6 | 6,0 |
Con este puntaje, el orden de ejecución se vuelve obvio: envío gratis primero, después el checkout, y el cambio de color de botón queda al final de la fila, a pesar de ser el más fácil de implementar, porque el impacto esperado es bajo. Ese es exactamente el tipo de decisión que un framework de priorización evita dejar en manos de quien grita más fuerte en la reunión.
Modelos y principios para generar buenas hipótesis
El modelo LIFT
El modelo LIFT enumera seis factores que, positivos o negativos, mueven la conversión de una página: Valor (¿la propuesta es clara y atractiva?), Claridad (¿la persona entiende qué hacer sin esfuerzo?), Relevancia (¿la página coincide con la expectativa de quien llegó ahí?), Distracción (¿hay algo que quita el foco de la acción principal?), Urgencia (¿existe un motivo para actuar ahora, no después?) y Ansiedad (¿el visitante confía lo suficiente para dar el próximo paso?). Al auditar una página débil, recorrer estos seis puntos suele revelar más problemas que una lista genérica de «buenas prácticas».
Los principios de persuasión de Cialdini aplicados a la conversión
El psicólogo Robert Cialdini describió seis principios de influencia que, décadas después, siguen apareciendo (con nombres distintos) en toda página que convierte bien: reciprocidad (ofrecer algo de valor antes de pedir algo, como un contenido gratuito antes del registro), prueba social (mostrar que otras personas parecidas ya confiaron, como reseñas y número de clientes), escasez (comunicar un límite real de tiempo o stock, nunca falso, que rompe la confianza cuando se descubre), autoridad (sellos, certificaciones, menciones en medios), compromiso y coherencia (pequeños «síes» que preparan para el «sí» mayor, como un formulario en etapas) y afinidad (diseño y copy que generan identificación con la marca). Usar estos principios no es manipular: es eliminar la fricción de decisión de quien ya quiere comprar pero está inseguro. La línea roja es la escasez falsa o la prueba social inventada, que Donnu nunca recomienda y esta guía no respalda.
Qué es un test A/B (y los otros tipos)
El test A/B es el método más común para validar una hipótesis de CRO: divides el tráfico aleatoriamente entre la versión actual (control) y el cambio propuesto (variación), mides la conversión de ambos lados al mismo tiempo, y usas estadística para decidir si la diferencia observada es real o coincidencia.
| Tipo | Qué es | Cuándo usar |
|---|---|---|
| A/B | Control contra una variación, misma URL | El caso estándar: un cambio aislado y claro |
| A/B/n | Control contra varias variaciones | Varias buenas ideas y tráfico de sobra para todas |
| Split URL | Cada versión en una URL propia, dividida por redirección | Rediseños grandes o variación que ya existe en otra página |
| Multivariado (MVT) | Prueba combinaciones de varios elementos al mismo tiempo | Encontrar la mejor combinación, solo con tráfico alto |
| Test secuencial | Analiza continuamente con corrección estadística para permitir detenerse antes sin inflar el falso positivo | Equipos que quieren decidir rápido sin renunciar al rigor |
Si quieres la guía completa sobre cómo funciona un test A/B en la práctica (el paso a paso, los errores más comunes, la estadística detallada), consulta la guía completa de test A/B, que es el próximo nivel de profundidad después de este artículo.
Estadística de test A/B sin dolor de cabeza
Esta es la parte que decide si el «ganador» de tu test es real o suerte. No necesitas convertirte en estadístico, pero sí entender cuatro conceptos.
Significancia (95%) y poder (80%)
La significancia estadística (generalmente fijada en 95% de confianza) responde: «si las dos versiones fueran de hecho iguales, ¿qué probabilidad hay de ver una diferencia de este tamaño solo por azar?». Un resultado significativo al 95% significa que esa probabilidad es del 5% o menos. El poder estadístico (generalmente fijado en 80%) es la probabilidad de que el test detecte un efecto real cuando existe: con 80% de poder, aceptas un 20% de riesgo de dejar pasar una mejora verdadera por falta de muestra.
Los dos trabajan juntos: una confianza demasiado baja te hace declarar ganadores que no existen (falso positivo, error Tipo I); un poder demasiado bajo te hace descartar buenos cambios por falta de datos (falso negativo, error Tipo II). Una muestra pequeña empeora ambos riesgos al mismo tiempo.
Efecto mínimo detectable (MDE) y el costo de detectar poco
El MDE es la menor ganancia que quieres poder ver en el test. Cuanto más pequeño sea el efecto que intentas detectar, mayor la muestra necesaria, y la relación no es lineal: reducir el MDE a la mitad suele multiplicar la muestra por cerca de cuatro. Por eso probar un cambio minúsculo («cambié una palabra del título») en un sitio de tráfico medio casi siempre termina inconcluso: el efecto real, si existe, es demasiado pequeño para que la muestra disponible lo demuestre.
Por qué no detener el test apenas «se logra significancia» (peeking)
Mirar el panel todos los días y cerrar el test la primera vez que aparece «significativo» es el error más común y más destructivo del CRO amateur. Cada vistazo es una nueva oportunidad de que el azar cruce la línea de significancia antes de revertir. Un test diseñado para un 5% de falso positivo puede acercarse al 26% de falso positivo real si la regla es «miro todos los días y paro en la primera señal verde», según el análisis clásico de Evan Miller sobre el problema. La corrección es simple: define el tamaño de muestra y la duración antes de empezar, y decide recién al final, o usa un método diseñado para permitir mirar continuamente (test secuencial con corrección estadística incorporada).
Cuántos visitantes necesitas para el test
El tamaño de muestra depende de tres factores que ya viste en esta guía: la tasa de conversión actual (baseline), el efecto mínimo que quieres detectar (MDE) y el rigor deseado (confianza y poder). En vez de memorizar una tabla, calcula para tu propio caso, ajustando la tasa base, el efecto esperado y el tráfico semanal disponible:
Cálculo por aproximación normal de dos proporciones, 2 variaciones (50/50). Cambia los campos y mira el impacto en vivo.
Esta misma calculadora también vive de forma independiente en la calculadora de tamaño de muestra, si solo necesitas la herramienta sin el resto de la guía.
Declara al ganador con la calculadora de significancia
Después de ejecutar el test con la muestra correcta, pega los visitantes y conversiones de cada versión para obtener la tasa, el uplift, el valor p, el intervalo de confianza y un veredicto honesto:
Test z bilateral de dos proporciones. "Sin significancia" casi siempre significa que falta muestra, no que las versiones sean iguales.
Ejemplo numérico resuelto, de punta a punta
Vamos a reproducir a mano un caso de e-commerce, con los mismos números que ya están precargados en la calculadora de arriba. El control (A) tuvo 210 conversiones en 4.200 visitantes; la variación (B), 273 conversiones en 4.200 visitantes.
- Tasa de A: 210 ÷ 4.200 = 5,00%.
- Tasa de B: 273 ÷ 4.200 = 6,50%.
- Mejora relativa: (6,5 − 5,0) ÷ 5,0 = +30%.
- Tasa combinada (p̄): (210 + 273) ÷ 8.400 = 5,75%.
- Error estándar: raíz cuadrada de [0,0575 × 0,9425 × (1÷4.200 + 1÷4.200)] ≈ 0,00508.
- Puntaje z: (0,065 − 0,050) ÷ 0,00508 ≈ 2,95.
- Valor p (bilateral) ≈ 0,003.
Con un valor p de 0,003, muy por debajo del límite convencional de 0,05, el resultado es estadísticamente significativo: B ganó con confianza. Antes de celebrar, agrega el paso que la mayoría se salta: esa muestra de 4.200 por variación fue suficiente porque el efecto observado (+30% relativo) es grande; si la ganancia real fuera de apenas +5%, la misma muestra habría quedado muy por debajo de lo necesario y el test probablemente habría salido inconcluso, no porque el cambio no funcione, sino porque faltó gente para demostrarlo.
Para un ejemplo equivalente en SaaS: un test de reformulación de la página de precios con 1.800 visitantes por variación, control convirtiendo 8,0% en inicio de trial (144 trials) y variación convirtiendo 9,8% (176 trials), sigue la misma cuenta y llega a un valor p cercano a 0,06, es decir, una señal positiva pero todavía por encima del límite de 0,05 (95% de confianza), un resultado honesto de «prometedor, pero necesita más muestra antes de decidir», que es exactamente el tipo de lectura que la estadística existe para evitar que ignores.
Métricas más allá de la tasa de conversión
Mirar solo la tasa de conversión puede, paradójicamente, reducir el ingreso. Dos métricas de guardia ayudan a evitar esa trampa:
- AOV (ticket promedio, Average Order Value): el valor promedio de cada pedido. Una variación puede aumentar la tasa de conversión atrayendo compradores de artículos más baratos y, al mismo tiempo, hacer caer el AOV, resultando en un ingreso total menor a pesar de la «victoria» en conversión.
- RPV (ingreso por visitante, Revenue Per Visitor): tasa de conversión multiplicada por el ticket promedio. Es la métrica que de hecho captura el efecto combinado, y por eso suele ser una métrica de guardia mejor que la tasa de conversión aislada, sobre todo en tests que tocan precio, oferta o mix de producto.
La regla práctica: siempre que el test involucre precio, envío, oferta o mix de producto exhibido, define RPV (o ingreso total) como métrica de guardia junto a la tasa de conversión, nunca solo la tasa sola.
Estrategia de CRO por vertical
La diferenciación importa porque las palancas correctas cambian de un negocio a otro.
E-commerce: la página de producto (PDP) concentra la mayor parte del trabajo, con foco en imágenes, prueba social, disponibilidad y claridad del envío. El checkout suele ser el punto de mayor pérdida proporcional de todo el embudo, y reducir campos, mostrar el costo total más temprano y ofrecer múltiples formas de pago tienden a ser las hipótesis de mayor retorno. El envío y el plazo de entrega aparecen, en investigaciones cualitativas de e-commerce, entre las principales causas de abandono de carrito.
SaaS: el embudo crítico es signup, activación (el usuario llegó al «momento aha» del producto) y conversión de trial a pago. La página de precios merece atención redoblada: claridad de los planes, anclaje de valor y prueba social específica por segmento de cliente suelen mover más la aguja que cualquier ajuste cosmético. Un onboarding mal diseñado es la razón más común de que un trial nunca se convierta en pagante, incluso cuando el producto en sí resuelve el problema del cliente.
B2B / generación de leads y servicios: el formulario es el punto de fricción central. Reducir los campos al mínimo necesario, dejar claro qué pasa después del envío (¿recibirá una llamada? ¿un e-mail? ¿en cuánto tiempo?) y usar prueba social específica del sector del visitante suelen ser las hipótesis más fuertes.
Herramientas de CRO por categoría (visión neutral)
No existe «la mejor herramienta de CRO», existe la correcta para tu volumen de tráfico, stack técnico y madurez de equipo. Compara por capacidad, no por marca:
| Categoría | Qué resuelve | Qué considerar al elegir |
|---|---|---|
| Plataformas de test A/B / experimentación | Ejecutar y analizar tests A/B, A/B/n y multivariados | Client-side frente a server-side, modelo estadístico (frecuentista frente a bayesiano), impacto en el rendimiento de la página |
| Heatmap y grabación de sesión | Investigación cualitativa: dónde el visitante hace clic, hace scroll y duda | Volumen de sesiones incluido en el plan, anonimización de datos sensibles (protección de datos) |
| Analytics de embudo | Investigación cuantitativa: dónde el embudo pierde gente | Granularidad de segmentación, facilidad para armar embudos personalizados |
| Investigación con usuarios / VoC | Entender el «por qué» detrás del dato | Facilidad para reclutar encuestados, integración con el resto del stack |
| Personalización | Adaptar contenido por segmento después de validar la hipótesis mediante un test | Solo vale la pena después de tener hipótesis probadas, no como atajo para saltarse el test |
Donnu A/B encaja en la primera categoría, como una opción de plataforma de test A/B client-side, con estadística bayesiana y un snippet liviano que evita trabar la carga de la página. Es una opción entre varias en el cuadro anterior, y la elección correcta depende de tu criterio de decisión, no del nuestro.
Haz esto automático en Donnu
Esta guía mostró el trabajo real detrás de un programa de CRO honesto: investigar antes de suponer, formular hipótesis con evidencia, priorizar con criterio, calcular la muestra correcta antes de ejecutar el test, resistir la tentación de espiar y detenerse antes de tiempo, y leer la significancia sin engañarte. La etapa que más traba a los equipos, históricamente, es la ejecución técnica del test en sí: instrumentar la división de tráfico sin trabar la página, calcular la muestra correcta y declarar al ganador sin sesgo estadístico.
Donnu existe para esa etapa. Tú defines la hipótesis que ya aprendiste a escribir en esta guía; la plataforma dimensiona el test, distribuye el tráfico con un snippet liviano que nunca bloquea la carga de la página, y devuelve un veredicto estadístico bayesiano sin exigir que te conviertas en estadístico para confiar en el resultado.
Empieza una prueba gratuita de 14 días y transforma la próxima hipótesis de tu backlog en un experimento de verdad. Si quieres profundizar en la estadística detrás de cada test, consulta la guía completa de test A/B y la guía de significancia estadística.
Referencias
- Kohavi, R., Tang, D. y Xu, Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press, 2020. Material de apoyo en experimentguide.com.
- Cialdini, R. Influence: The Psychology of Persuasion. Harper Business, edición revisada de 2021.
- Nielsen Norman Group. Conversion Rate: definición y uso en UX y web analytics. nngroup.com/articles/conversion-rates.
- Baymard Institute. Cart & Checkout Abandonment Research. baymard.com/lists/cart-abandonment-rate.
- Miller, E. How Not To Run an A/B Test (el problema del peeking), 2010. evanmiller.org.
- CXL. PXL: A Better Way to Prioritize Your A/B Tests. cxl.com/blog/better-way-prioritize-ab-tests.
Lee también: ¿Qué es un test A/B? La guía completa · Significancia estadística en tests A/B · Calculadora de tamaño de muestra · Calculadora de significancia estadística
Leer en inglés: Conversion Rate Optimization: The Complete Guide
Preguntas frecuentes
- ¿Qué significa CRO?
- CRO es la sigla de Conversion Rate Optimization, es decir, optimización de la tasa de conversión. Es el proceso estructurado de aumentar la proporción de visitantes que completan una acción deseada (compra, registro, lead), usando investigación, hipótesis comprobables y experimentos controlados en lugar de suposiciones.
- ¿Cuál es la diferencia entre CRO y test A/B?
- El test A/B es una herramienta dentro del CRO, no el proceso entero. El CRO incluye investigación cuantitativa y cualitativa, formulación de hipótesis y priorización antes de cualquier test, además del análisis y la documentación después. El test A/B es la etapa de ejecución: cómo validas si la hipótesis es correcta.
- ¿Cuál es una tasa de conversión considerada buena?
- No existe un número universal. Como referencia aproximada reportada por relevamientos del sector, el e-commerce suele convertir entre el 1% y el 3% de los visitantes en compradores, y el SaaS entre el 2% y el 10% de visitante en trial, variando mucho según la categoría, el ticket promedio y el canal de adquisición. El benchmark más confiable es tu propio historial, no el promedio del mercado.
- ¿Cuánto tiempo se tarda en ver resultados con el CRO?
- Un ciclo completo (investigación, hipótesis, test, análisis) suele tardar de dos a seis semanas por experimento, según el tráfico del sitio. El CRO es un proceso continuo, no un proyecto con final: cada test alimenta el aprendizaje del siguiente, así que la ganancia compuesta aparece a lo largo de meses, no en un solo test.
- ¿El CRO sustituye la inversión en tráfico pago o SEO?
- No, son complementarios. El tráfico (SEO y medios pagos) trae visitantes; el CRO convierte una porción mayor de los visitantes que ya llegan. Optimizar la conversión reduce el costo de adquisición por cliente sin gastar más en publicidad, pero si el sitio no tiene tráfico alguno, no hay nada que optimizar primero.
- ¿Necesito mucho tráfico para hacer CRO?
- Para investigación cualitativa (mapa de calor, grabación de sesión, entrevista) no. Para tests A/B con significancia estadística, sí: los sitios de bajo tráfico tardan semanas o meses en acumular una muestra suficiente. En esos casos, cambios de alta confianza sin test formal (heurísticas conocidas, corrección de fricciones obvias) suelen valer más la pena que insistir en un test A/B que nunca va a cerrar.