Hora de Envío de Email: ¿de verdad sirve testearla?
Cómo hacer test A/B de la hora de envío con honestidad: por qué las aperturas mienten, qué confunde el test y la muestra que realmente necesita.
📚 Este artículo es parte de la guía Test A/B de Email Marketing: la Guía Estadística Completa.
La hora de envío es la variable de email con la mayor distancia entre cuánto se discute y cuán bien se mide. Testearla es legítimo, y pertenece a la misma disciplina que el resto del test A/B en email marketing, pero dos cosas la convierten en el test de email más fácil de equivocar: la métrica por la que casi todo el mundo la juzga, la hora de apertura, dejó de describir cuándo la gente lee el correo en 2021, y la variable en sí arrastra varios factores de confusión. Esta guía cubre qué puede responder honestamente un test de hora de envío, por qué los datos de apertura ya no pueden responderlo, cómo diseñar el test para que la comparación resista el escrutinio, la muestra que realmente exige y cómo validar las funciones automáticas de hora de envío que tu plataforma ya incluye. Incluye calculadoras en vivo y un ejemplo trabajado con números reales.
Qué significa realmente “optimización de la hora de envío”
Dos cosas distintas viajan bajo el mismo nombre, y necesitan tests distintos:
- Test de hora fija de envío. Toda la campaña sale a una hora, y comparas horas o días candidatos: 9 de la mañana contra 5 de la tarde, martes contra sábado. Es un test A/B limpio con dos variantes, y es lo que la mayoría de los equipos quiere decir.
- Optimización de la hora de envío por destinatario (STO). La plataforma escalona la entrega para que cada suscriptor reciba el mensaje a la hora en la que su historial sugiere que interactúa más. Esto no es un test de dos variantes en absoluto, es un algoritmo, y la única forma honesta de evaluarlo es contra un grupo de reserva aleatorio en una hora fija.
Las guías publicadas sobre la mejor hora para enviar son abundantes, y casi todas son un proveedor informando sobre su propia base de clientes. Vale la pena nombrar dos estudios, porque los dos son explícitos sobre el conjunto de datos que hay detrás:
- Litmus, en un análisis actualizado por última vez en octubre de 2021, revisó casi 8.000 millones de aperturas registradas a través de Litmus Email Analytics entre enero y agosto de 2021, y encontró las aperturas concentradas por la mañana, con alrededor del 21,2% de las aperturas de Estados Unidos entre las 9 de la mañana y el mediodía en hora local (Litmus, When is the best time to send an email?). Fíjate dónde termina esa ventana. Los datos se detienen el 31 de agosto de 2021, tres semanas antes de que llegara Apple Mail Privacy Protection, así que describen las aperturas tal como se medían antes de la distorsión que cubre la siguiente sección. El propio Litmus marca la pieza en la página como de más de dos años de antigüedad.
- MailerLite, en un análisis publicado en diciembre de 2025 y actualizado en junio de 2026, revisó 2.138.817 campañas enviadas a través de su propia plataforma entre diciembre de 2024 y noviembre de 2025 en Estados Unidos, Reino Unido, Australia y Canadá, y reportó que las aperturas y los clics tienen su pico a horas distintas: las aperturas se agrupan alrededor de las 8 a 11 de la mañana en días laborables mientras los clics se agrupan alrededor de las 8 a 9 de la noche (MailerLite, The Best Time to Send Email). MailerLite llega a la misma conclusión que esta guía, recomendando que la hora de envío se testee A/B por tasa de clic y no por tasa de apertura, y citando Apple Mail Privacy Protection como motivo.
Los dos son agregados de miles de remitentes, audiencias, sectores y husos horarios sin relación entre sí, y los dos describen la base de clientes de un proveedor y no una muestra aleatoria del correo. Son útiles para elegir qué testear primero. No son útiles como decisión. La bandeja de entrada promedio no es tu bandeja de entrada.
La distancia entre esos dos estudios es el hallazgo más interesante. Si la hora que maximiza las aperturas no es la hora que maximiza los clics, entonces la métrica que elijas decide el ganador antes incluso de que el test empiece.
Por qué las horas de apertura ya no pueden responder esta pregunta
Aquí está la razón concreta por la que el test de hora de envío merece su propia guía en lugar de un párrafo dentro de la general. Desde septiembre de 2021, Apple Mail Privacy Protection descarga el contenido remoto, píxel de seguimiento incluido, cuando el mensaje se recibe y no cuando se visualiza. La documentación de soporte de Apple describe la función así: con ella activada, “el contenido remoto se descarga de forma privada en segundo plano cuando recibes un mensaje (en lugar de cuando lo visualizas)” (Apple, Proteger la privacidad del correo en Mail). Litmus, que mide aperturas a través de su propio producto de analítica y situó a los clientes de Apple en el 64,66% de las aperturas que midió en mayo de 2026 (Litmus, Email Client Market Share), mantiene una guía para filtrar estas aperturas de máquina de los datos de interacción precisamente porque no son eventos de lectura. Litmus lo dice sin rodeos: la precarga “no solo hará imprecisas las horas de apertura”, sino que hará parecer que casi todos los mensajes fueron abiertos (Litmus, Identifying Real Opens).
Para la mayoría de las métricas de email esa distorsión infla un número. Para el análisis de hora de envío hace algo peor: vuelve circular el análisis. Si una parte grande de las aperturas se registra a la hora de entrega, entonces un gráfico de “cuándo abren el correo nuestros suscriptores” es en buena medida un gráfico de cuándo entregó el correo tu plataforma. Optimizar la hora de envío contra ese gráfico significa optimizar hacia tu propio calendario de envíos.
La regla práctica que se deduce: un test de hora de envío debe decidirse por clics o conversiones, nunca por aperturas. En otros tests de email la tasa de apertura es simplemente frágil. Aquí está activamente sesgada hacia la variable bajo test.
Qué confunde silenciosamente un test de hora de envío
Incluso medida por clics, la hora de envío es una variable más sucia que el asunto, porque cambiar la hora cambia varias cosas a la vez:
| Factor de confusión | Qué varía de verdad | Cómo contenerlo |
|---|---|---|
| Dispersión de husos horarios | Una única hora UTC es el desayuno para un segmento y la medianoche para otro | Divide aleatoriamente dentro de cada huso, o programa en hora local del destinatario y testea horas locales |
| Día de la semana | Comparar martes a las 9h contra sábado a las 9h testea dos cosas a la vez | Cambia una dimensión por test: primero la hora, después el día |
| Competencia en la bandeja | Las horas populares son también cuando envía la competencia, lo que cambia la visibilidad, no el interés | Acéptalo como parte del efecto, pero repite el test cada cierto tiempo porque el comportamiento de la competencia cambia |
| Retraso de la cola de entrega | Los envíos grandes tardan en drenar, así que “las 9h” puede significar 9:00 para unos y 9:40 para otros | Comprueba la dispersión real de horas de entrega por variante antes de fiarte de la comparación |
| Estacionalidad y ciclo de noticias | Un evento puntual mueve una semana mucho más que la hora | Repite el test a lo largo de varios envíos en lugar de fiarte de una campaña |
| Mezcla de contenido y oferta | Cada campaña tiene una urgencia distinta, así que la hora ganadora de una venta relámpago puede no valer para una newsletter | Testea dentro de un tipo de campaña antes de generalizar a todo el programa |
El diseño que sobrevive a casi todo esto es poco glamuroso: misma lista, mismo contenido, mismo día, división aleatoria, solo cambia la hora, repetido a lo largo de varios envíos antes de creértelo. Cualquier otra cosa compara poblaciones en lugar de horas.
Tamaño de muestra: la parte que mata a la mayoría de estos tests
Como un test de hora de envío debe juzgarse por clics, la tasa base es baja, y las tasas base bajas exigen muestras grandes. La tabla siguiente usa una tasa de clic del 2,8% como ejemplo:
| Métrica y tasa base | Efecto buscado | Muestra por variante |
|---|---|---|
| Tasa de clic 2,8% | +10% relativo | 57.135 |
| Tasa de clic 2,8% | +15% relativo | 25.979 |
| Tasa de clic 2,8% | +25% relativo | 9.773 |
| Tasa de conversión 1,2% | +20% relativo | 35.498 |
Muestra por variante, aproximación normal de dos proporciones, 95% de confianza y 80% de poder.
Lee esa tabla junto al tamaño de una newsletter típica y el problema es evidente: muchos programas no pueden detectar un efecto realista de hora de envío en una sola campaña. Y los efectos de hora de envío suelen ser modestos. Si la expectativa honesta es una subida relativa de unos pocos por ciento, la muestra necesaria se va a seis cifras por variante, lo que para la mayoría de las listas significa que el test no tiene respuesta por sí solo.
Cálculo por aproximación normal de dos proporciones, 2 variaciones (50/50). Cambia los campos y mira el impacto en vivo.
Hay dos respuestas honestas. Acumular la misma comparación fija a lo largo de varios envíos consecutivos, manteniendo a cada suscriptor siempre en el mismo brazo para que los grupos sigan siendo comparables, y leer el resultado solo cuando la muestra agrupada alcance el tamaño necesario. O aceptar una pregunta más gruesa: en lugar de cazar la mejor hora, testear si una ventana claramente distinta (mañana contra tarde-noche) gana a la otra por un margen amplio, que es un efecto mucho mayor y por tanto una muestra mucho menor.
Ejemplo trabajado: un envío, y después tres
Un retailer B2C envía la misma campaña semanal a 24.000 destinatarios, divididos aleatoriamente en 12.000 a las 9 de la mañana y 12.000 a las 5 de la tarde, hora local, el mismo día, con contenido idéntico. Resultados en clics:
- A, 9h: 336 clics de 12.000 entregados, una tasa del 2,80%.
- B, 17h: 396 clics de 12.000 entregados, una tasa del 3,30%.
El test de dos proporciones da una subida relativa del +17,9% (0,50 puntos porcentuales), una z de alrededor de 2,25 y un valor-p de alrededor de 0,0243. El intervalo de confianza de la diferencia va de +0,06 a +0,94 puntos porcentuales.
Test z bilateral de dos proporciones. "Sin significancia" casi siempre significa que falta muestra, no que las versiones sean iguales.
Ese resultado es técnicamente significativo al 95%, y aun así debería leerse con cautela. Con 12.000 por variante sobre una tasa base del 2,8%, el efecto más pequeño que este test podría detectar de forma fiable con un poder del 80% es de alrededor del +22,4% relativo (unos 0,63 puntos porcentuales). El efecto observado es menor que ese umbral, lo que significa que el test estaba subdimensionado para lo que encontró, y el intervalo de confianza casi toca el cero. En términos llanos: el envío de la tarde probablemente sea mejor, el tamaño real de esa ventaja es muy incierto, y quien cite “+17,9%” como ganancia esperada está exagerando lo que los datos sostienen.
Así que el retailer repite la división idéntica en dos envíos semanales más, manteniendo a cada suscriptor en el mismo brazo. Agrupando los tres envíos, cada brazo tiene 18.000 destinatarios: 504 clics a las 9h (2,80%) contra 576 clics a las 17h (3,20%). La lectura agrupada da una subida relativa del +14,3% (0,40 puntos porcentuales), una z de alrededor de 2,22, un p de alrededor de 0,0261, con un intervalo de confianza de +0,05 a +0,75 puntos porcentuales. La dirección se mantuvo en tres envíos independientes, y la estimación del efecto se asentó por debajo de lo que sugería la primera lectura, que es el patrón normal: un primer resultado significativo en un test subdimensionado tiende a exagerar el efecto que encontró.
Esa es la conclusión práctica del trabajo sobre hora de envío. Una sola campaña casi nunca zanja la pregunta. La repetición, con una división estable, es la forma más barata de comprar el tamaño de muestra que exige una métrica de tasa base baja.
Validar la función automática de hora de envío de tu plataforma
La mayoría de las plataformas de email incluye alguna forma de función automática de hora de envío, pero no todas hacen lo mismo, y la diferencia cambia cómo se mide. Esto es lo que dicen cuatro proveedores en su propia documentación, leída en julio de 2026:
| Plataforma y función | Qué dice la documentación del proveedor que hace |
|---|---|
| Mailchimp, Send Time Optimization | Elige una hora dentro de las 24 horas de la fecha elegida a la que cada contacto es, en palabras de Mailchimp, “más propenso a abrir tu email”, apoyándose en patrones de interacción de toda la base de clientes de Mailchimp |
| Klaviyo, Smart Send Time | No es por destinatario. Un envío exploratorio reparte la campaña a lo largo de 24 horas en hora local del destinatario, un envío enfocado la estrecha después, y el resultado es una única mejor hora para toda la audiencia. Mínimo documentado de 12.000 destinatarios |
| Klaviyo, Personalized Send Time | La versión por destinatario. Predice la mejor hora para cada perfil dentro de una ventana de entrega que tú eliges, aprendiendo de aperturas, clics y pedidos realizados |
| HubSpot, optimización de hora de envío por contacto | Usa datos recientes de interacción del destinatario para elegir una hora por contacto, documentada como beta en Marketing Hub Professional y Enterprise |
| Braze, Intelligent Timing | Entrega a la hora de mayor interacción de cada usuario, calculada a partir de horas de sesión, aperturas de push, clics de email y aperturas de email, excluyendo explícitamente las aperturas de máquina |
De esa tabla se deducen dos cosas. Primero, una evaluación diseñada para un optimizador por destinatario no encaja automáticamente en uno a nivel de audiencia, así que lee qué hace realmente tu función antes de diseñar la comparación. Segundo, solo una de las cuatro declara en su documentación que las aperturas de máquina quedan excluidas de la señal de entrenamiento.
Si la función ayuda en tu lista es una pregunta empírica, y hay una forma limpia de responderla:
- Reserva aleatoriamente una porción de la lista, lo bastante grande para satisfacer la tabla de muestra de arriba, y mantenla en una única hora fija.
- Deja que el algoritmo se ocupe del resto.
- Compara los dos grupos por clics y conversiones, no por aperturas, a lo largo de varios envíos.
- Vigila las bajas y las quejas por spam como métricas de guarda, porque un calendario de entrega repartido cambia con qué frecuencia aparece la marca en la bandeja.
La razón por la que esto importa más desde 2021 es que estos algoritmos aprenden del historial de interacción, y el historial de aperturas está compuesto en parte por precargas de proxy. Un optimizador entrenado con horas de apertura sin filtrar puede entregar con toda confianza a la hora a la que un proxy de privacidad suele hacer la precarga, que es una forma cara de optimizar nada. Algunos proveedores son explícitos sobre esto: la documentación de Braze Intelligent Timing lista “aperturas de email (excluyendo aperturas de máquina)” entre los eventos que utiliza. Otros describen la entrada solo como datos de interacción, sin decir si las precargas se filtran. La documentación te dice en cuál de los dos casos estás. Solo un grupo de reserva te dice si eso importa en tu lista.
Errores comunes en un test de hora de envío
| Error | Señal de alerta | Corrección |
|---|---|---|
| Decidir por tasa de apertura | “Las aperturas tienen su pico a las 9h, así que enviamos a las 9h” | Decide por clics o conversiones; las aperturas siguen a la entrega, no a la lectura |
| Cambiar hora y día a la vez | Martes a las 9h contra sábado a las 19h | Testea una dimensión por test |
| Concluir con un solo envío | Una única campaña declaró al ganador | Repite la división a lo largo de varios envíos antes de creértelo |
| Ignorar los husos horarios | Una hora UTC para una lista de varios países | Programa en hora local o divide dentro de cada huso |
| Rebarajar suscriptores entre brazos | Una división aleatoria distinta en cada envío | Mantén a cada suscriptor en el mismo brazo para que la lectura agrupada siga siendo válida |
| Confiar en el optimizador del proveedor sin grupo de reserva | La función está activada y nadie la midió | Mantén un grupo de reserva en hora fija y compara por clics |
Hazlo automático con Donnu
La hora de envío es el test de email con más probabilidades de producir una conclusión segura a partir de un número que nunca describió comportamiento humano. Hacerlo bien significa rechazar el atajo de la tasa de apertura, dimensionar el test contra una tasa base de clic baja, mantener la división estable entre envíos y leer un intervalo de confianza en lugar de un titular. Donnu aplica exactamente esa disciplina a los tests que corres en tu sitio y en tus landing pages: tú fijas la hipótesis y la métrica primaria, Donnu dimensiona el test contra tu tráfico real, y el resultado vuelve con el intervalo honesto en lugar de un sello verde.
Empieza una prueba gratuita de 14 días y exige ese estándar a tu próximo test. Para el resto del canal, mira la guía completa de test A/B en email marketing, y para saber cómo afecta la misma distorsión al trabajo con asuntos, mira test A/B de asuntos de email.
Referencias
- Apple. Proteger la privacidad del correo en Mail en el Mac. Soporte de Apple. support.apple.com/guide/mail/protect-email-privacy-mlhlp1205/mac.
- Litmus. Identifying Real Opens to Adapt to Mail Privacy Protection. litmus.com/blog/identifying-real-opens-mail-privacy-protection.
- Litmus. Email Client Market Share. Datos de mayo de 2026. litmus.com/email-client-market-share.
- Litmus. When is the best time to send an email? Analysis of billions of email opens. litmus.com/blog/whats-the-best-time-to-send-email-we-analyzed-billions-of-email-opens-to-find-out.
- Salesforce. The Best Time To Send Marketing Emails. salesforce.com/marketing/email/best-time-to-send-emails.
Lee también:
Preguntas frecuentes
- ¿La optimización de la hora de envío funciona de verdad?
- La hora de envío puede mover resultados, pero mucho menos de forma fiable de lo que afirman la mayoría de las guías, y el efecto suele ser menor que el de la oferta o el del asunto. Las tablas publicadas de "mejor hora para enviar" agregan miles de remitentes sin relación entre sí dentro de una misma plataforma, así que describen una bandeja de entrada promedio y no tu lista. La postura honesta es que la hora de envío merece testearse en tu propia audiencia, no copiarse de un gráfico del sector.
- ¿Por qué ya no puedo fiarme de la hora de apertura para encontrar la mejor hora de envío?
- Porque Apple Mail Privacy Protection precarga el contenido remoto, incluido el píxel de seguimiento, cuando el mensaje se entrega y no cuando se lee. Eso significa que la marca de tiempo registrada para una parte grande de las aperturas es la hora de entrega, no la de lectura. Cualquier análisis de hora de envío construido sobre horas de apertura está midiendo en parte cuándo envió tu propia plataforma el correo, lo cual es circular. Usa las marcas de tiempo de clic, porque un clic exige una acción humana real.
- ¿Qué métrica debe decidir un test de hora de envío?
- La tasa de clic sobre mensajes entregados, o la tasa de conversión cuando el volumen lo permite. La tasa de apertura es la peor elección para este test concreto, porque la distorsión de la precarga está directamente ligada a la hora de entrega, que es exactamente la variable que se está testeando. Los clics y las conversiones exigen una acción humana y no arrastran ese sesgo.
- ¿Cuántos destinatarios necesito para un test de hora de envío?
- Más de lo que la mayoría de los equipos espera, porque las tasas de clic son bajas. Detectar un efecto relativo del 15% sobre una tasa de clic del 2,8% exige aproximadamente 25.979 destinatarios por variante. Un único envío de 12.000 por variante solo puede detectar efectos de alrededor del 22% relativo o mayores, así que las listas más pequeñas suelen tener que acumular el mismo test a lo largo de varios envíos antes de que el resultado signifique algo.
- ¿Debo usar la función automática de hora de envío que trae mi plataforma?
- Es razonable usarla, siempre que la valides en lugar de confiar en ella. Estas funciones no son todas lo mismo: Mailchimp Send Time Optimization y Klaviyo Personalized Send Time predicen una hora para cada destinatario individual, Klaviyo Smart Send Time en cambio converge en una única hora para toda la audiencia, y Braze Intelligent Timing documenta que excluye las aperturas de máquina de los eventos de interacción con los que aprende. Cualquier optimizador que aprenda de horas de apertura sin filtrar está aprendiendo en parte de precargas de proxy. Reserva una porción aleatoria de la lista en una hora fija, compárala con la porción del algoritmo usando clics y conversiones, y mantén la función activada solo si gana esa comparación con tus datos.