Test A/B de Carrito Abandonado: qué Recupera Venta
Test a/b carrito abandonado en el propio sitio: las palancas que recuperan venta, la métrica correcta, cómo dimensionar y el error de doble conteo.
📚 Este artículo es parte de la guía Optimización de Checkout: el Playbook de Test A/B.
El test A/B de carrito abandonado en el propio sitio es el experimento que intenta impedir el abandono antes de que ocurra, y la métrica que decide ese test es siempre el pedido completado sobre todos los carritos creados, nunca el clic en un botón de finalizar. Este artículo forma parte del playbook completo de optimización de checkout y cubre la mitad que casi todo el mundo ignora: qué se puede cambiar en el carrito y al inicio del checkout para que menos gente se vaya, en vez de gastar todo el esfuerzo en el email que intenta traer de vuelta a quien ya salió.
Dos experimentos diferentes, dos momentos diferentes
La confusión más cara en esta área es tratar “test de carrito abandonado” como sinónimo de “test del email de recuperación”. Son cosas separadas, con públicos, métricas y plazos diferentes.
Si tu foco es el mensaje de recuperación (horario del envío, asunto, secuencia), el artículo dedicado al test A/B de email de carrito abandonado cubre exactamente eso, con la cuenta de ingreso incremental del canal.
La dimensión del problema, y por qué engaña
Según el Baymard Institute, el promedio de abandono de carrito en ecommerce es de 70,22%, calculado a partir de 50 estudios distintos. Siete de cada diez personas que ponen algo en el carrito no completan el pedido.
Ese número es útil como escala y pésimo como meta, por un motivo simple: una parte relevante de ese 70% nunca tuvo intención de comprar en esa sesión. Carrito usado como lista de deseos, comparación de precio entre tiendas, cálculo de envío antes de decidir. Ningún test A/B recupera esa fracción, porque no existe fricción que remover: la persona hizo exactamente lo que quería hacer.
Lo que queda, y es la parte que un test consigue mover, son los abandonos con intención interrumpida. El Baymard Institute mide justamente esa fracción, excluyendo a quien solo estaba navegando, y la distribución de motivos apunta dónde el test tiene una chance real de ganar:
| Motivo del abandono en el checkout | Menciones | Qué se puede testear en el sitio |
|---|---|---|
| Costos extras demasiado altos (envío, tasas) | 40% | Mostrar el envío estimado ya en el carrito; umbral de envío gratis visible; total sin sorpresa en la primera etapa |
| Entrega demasiado lenta | 20% | Plazo por código postal exhibido en el carrito; opción exprés presentada antes del pago |
| Desconfianza al ingresar la tarjeta | 19% | Sello y señal de seguridad cerca del campo de tarjeta; política de reembolso visible |
| Exigencia de crear cuenta | 18% | Compra como invitado como opción por defecto |
| Checkout largo o complicado | 17% | Reducción de campos; etapas agrupadas; indicador de progreso |
| Errores o bloqueos en el sitio | 17% | Eso es un bug, corrígelo sin testear |
| No ver el costo total antes | 12% | Resumen del pedido fijo y completo en todas las etapas |
Dos lecturas importan aquí. La primera: la causa líder es de transparencia de precio, no de diseño de formulario, y sumando “costos extras altos” (40%) con “no ver el costo total antes” (12%) el tema precio aparece en 52% de las respuestas. La segunda: un error técnico no es una hipótesis. Si 17% menciona bloqueos, la prioridad es arreglar, no montar un experimento para confirmar que bloquearse es malo.
Las palancas que realmente recuperan venta, por orden de apuesta
No todo cambio en el carrito tiene la misma chance de mover el número. Este es el orden que suele rendir más, cruzando el peso de la causa con el costo de implementar:
| Palanca | Ataca qué causa | Costo de implementar | Riesgo escondido |
|---|---|---|---|
| Envío estimado visible en el carrito | Costos extras (40%) y costo total (12%) | Bajo a medio | Mostrar un envío alto temprano puede bajar la tasa de inicio de checkout y mejorar la de conclusión; lee las dos |
| Compra como invitado | Exigencia de cuenta (18%) | Bajo | Pierdes registro para email marketing; compénsalo ofreciendo la creación de cuenta después de la compra |
| Resumen de pedido fijo y completo | Costo total (12%) y checkout confuso (17%) | Bajo | Casi ninguno, es el cambio más seguro de la lista |
| Umbral de envío gratis con progreso | Costos extras (40%) | Medio | Cambia el margen; mide ingreso neto, no solo conversión |
| Reducción de campos del formulario | Checkout largo (17%) | Medio | Cortar un campo que la operación usa genera problemas después de la venta |
| Señal de seguridad en el pago | Desconfianza (19%) | Bajo | El exceso de sellos puede tener efecto contrario y parecer defensivo |
| Popup de salida con descuento | Costos extras (40%) | Bajo | El más riesgoso de la lista, ver la sección abajo |
| Guardar el carrito y retomarlo después | Compra dividida en sesiones | Medio a alto | Crea superposición de atribución con el email de recuperación |
El caso específico del popup de salida
El popup de salida con descuento es la intervención más testeada y la peor medida del ecommerce. Casi siempre eleva la conversión inmediata, porque ofrece dinero a quien ya se iba. El problema aparece en dos lugares que el panel de test no muestra por sí solo.
El primero es el margen: un cupón de 10% sobre un pedido con margen de 25% consume 40% de la ganancia de ese pedido. Si la variación aumentó la conversión en menos de lo que consumió de margen, perdió, aunque aparezca como ganadora en la pantalla de conversión.
El segundo es el aprendizaje del cliente recurrente. Quien compra con frecuencia y descubre que abandonar el carrito genera cupón pasa a abandonar a propósito. Ese efecto no cabe en la ventana de dos semanas del test, y es exactamente el tipo de daño que solo aparece meses después, en el margen medio del canal.
Si vas a testear un popup, testea las dos versiones: una con descuento y otra que resuelva una duda real (plazo de entrega por código postal, política de cambio, garantía). La segunda raramente se testea y no tiene costo de margen.
La métrica primaria, y el error de contar dos veces
La métrica que decide el test es pedido completado dividido por carritos creados en el período, con todo carrito en el denominador, incluido el de quien nunca volvió. Nada de “carritos recuperados” como número principal: esa métrica mezcla el efecto de tu cambio con el efecto del email, del remarketing y de la propia intención del comprador de volver por su cuenta.
El error de doble conteo funciona así: la persona abandona el carrito, recibe el email de recuperación, vuelve y compra. Si el test de sitio cuenta ese pedido como victoria de la variación de carrito, y la campaña de email cuenta el mismo pedido como recuperación suya, la misma venta fue sumada en los dos informes. A fin de mes, la suma de las ganancias declaradas es mayor que el ingreso real de la tienda.
La regla práctica: fija una ventana de atribución para el test de sitio (la sesión en que se creó el carrito, o 24 horas, lo que tenga sentido para tu ciclo de compra) y manda todo pedido fuera de esa ventana al informe del flujo de recuperación. Documenta eso antes de correr, no después de ver el resultado.
Métricas de guarda de un test de carrito abandonado
| Guarda | Por qué monitorear | Señal de alerta |
|---|---|---|
| Ticket medio | El envío gratis por umbral y el cupón cambian el comportamiento de compra, no solo la conversión | La conversión sube y el ticket medio cae lo suficiente para anular la ganancia |
| Margen por pedido | Todo test que involucra descuento o envío es un test de margen disfrazado | El ingreso bruto sube y el ingreso neto queda igual o cae |
| Tasa de cancelación y devolución | Empujar la compra con prisa aumenta el arrepentimiento | La devolución sube en la variación ganadora en las semanas siguientes |
| Tasa de rechazo de pago | Un cambio en el formulario de tarjeta puede romper la validación o el antifraude | El rechazo sube en una sola variación |
El primero y el segundo son los que más derriban victorias declaradas demasiado pronto. Un test de carrito que no mira el margen no es un test de negocio, es un test de interfaz.
Dimensionando el test de carrito abandonado
Ajusta la tasa actual de carrito a pedido, la ganancia mínima que justifica el cambio y el volumen semanal real de carritos creados:
Cálculo por aproximación normal de dos proporciones, 2 variaciones (50/50). Cambia los campos y mira el impacto en vivo.
Un ejemplo trabajado, del test al ingreso
Una tienda convierte 30% de los carritos en pedidos y quiere detectar una mejora relativa de 8% proveniente de mostrar el envío estimado ya en el carrito. Al 95% de confianza y 80% de poder, la matemática de tamaño de muestra devuelve 5.849 carritos por variación. Con 5.000 carritos creados por semana, el test lleva 17 días para cerrar las dos variaciones.
Si la tienda acepta apuntar a un efecto mayor, de 12% relativo (un cambio más audaz, como envío estimado sumado a resumen de pedido fijo), el requisito cae a 2.626 carritos por variación, y el mismo volumen semanal cierra el test en 8 días. Ese es el trade-off real de todo test de bajo volumen: o testeas cambios mayores, o esperas más.
Supón que el test corrió hasta 5.000 carritos por variación y terminó con 1.500 pedidos en el control (30,0%) contra 1.650 en la variación (33,0%). Corriendo esos números en el mismo motor de significancia usado en todo el blog: z = 3,23, valor p ≈ 0,0012, con intervalo de confianza de la diferencia de +1,18 a +4,82 puntos porcentuales. El intervalo no cruza el cero, así que la variación convierte realmente mejor.
Ahora la parte que decide si vale implementar. Con 20.000 carritos por mes y un ticket medio de R$ 280, pasar de 30% a 33% de conversión de carrito representa R$ 168.000 de ingreso adicional por mes. Fíjate en que esa cuenta usa el punto central del intervalo; usando el límite inferior (+1,18 punto, es decir, 31,18%), la ganancia cae a cerca de R$ 66.000 mensuales. Las dos lecturas son honestas, y la segunda es la que deberías llevar a una decisión de inversión, no la primera.
Si quieres el paso a paso genérico de montar, correr y leer un test de estos, la guía de cómo hacer un test A/B paso a paso cubre el proceso completo, y la guía de significancia estadística explica lo que el valor p y el intervalo realmente dicen.
Los errores que más aparecen en este test
- Decidir por el clic en finalizar. Una variación puede empujar a más gente hacia el checkout y convertir menos al final, porque la fricción real estaba en el pago. El clic es diagnóstico, el pedido es veredicto.
- Correr menos de siete días. El carrito de ecommerce tiene un ciclo semanal fuerte, con un comportamiento de fin de semana bien diferente al de día hábil. Cerrar en tres días captura una fracción sesgada de la base.
- Testear durante una campaña o fecha comercial. El Black Friday, el día de la madre y las liquidaciones cambian la intención de compra de todo el público. Un resultado obtenido en esa ventana no se generaliza al resto del año.
- Sumar la ganancia del sitio con la ganancia del email. Ya cubierto arriba, y es el error que más infla los informes de CRO.
- Ignorar mobile y desktop por separado. La conversión de carrito suele ser bien diferente en los dos, y una victoria en el agregado puede esconder una pérdida en uno de los dos dispositivos.
- Detener el test el primer día en que quedó significativo. Mirar el panel todos los días y cerrar cuando el número agrada es el problema del peeking, y él infla la tasa de falso positivo de forma previsible. El artículo sobre el problema del peeking lo cuantifica.
Hazlo automático con Donnu
Un test de carrito abandonado solo vale por la decisión que sostiene, y eso exige tres cosas que casi ninguna herramienta entrega junta: muestra dimensionada antes de encender, denominador lleno con todos los carritos creados, y un intervalo de confianza honesto en vez de un “ganador” declarado temprano.
Donnu A/B hace exactamente eso en tu sitio: snippet liviano que no traba la carga del carrito, dimensionamiento automático de la muestra y estadística bayesiana sin suposiciones. Comienza una prueba gratis de 14 días y testea la causa número uno de abandono, la transparencia de costo, antes de gastar el próximo mes escribiendo un email de recuperación más.
Lee también: Optimización de Checkout: el Playbook de Test A/B · Test A/B de Email de Carrito Abandonado · ¿Cuál es una Buena Tasa de Conversión? Benchmarks 2026
Referencias
- Baymard Institute. Cart Abandonment Rate Statistics. Media de 50 estudios sobre abandono de carrito y distribución de los motivos de abandono en el checkout. baymard.com/lists/cart-abandonment-rate.
- Baymard Institute. Checkout Usability Research. Base de problemas de usabilidad documentados en investigación de checkout a gran escala. baymard.com/research/checkout-usability.
- Klaviyo. Abandoned Cart Benchmark Report: Rates & Statistics. Referencia de tasa de recuperación por email de carrito abandonado. klaviyo.com/blog/abandoned-cart-benchmarks.
- Omnisend. Reduce Shopping Cart Abandonment: Reasons & Solutions. omnisend.com/blog/shopping-cart-abandonment.
Preguntas frecuentes
- ¿Cuál es la diferencia entre testear el carrito abandonado en el sitio y testear el email de recuperación?
- Son dos experimentos diferentes, en momentos diferentes del funnel. El test en el sitio ocurre antes del abandono: cambias el carrito o el checkout para que menos gente se vaya, y mides la tasa de carrito a pedido completado. El test de email ocurre después del abandono: la persona ya se fue, y comparas mensajes que intentan traerla de vuelta. El primero amplía la base de quien compra en el momento; el segundo recupera una fracción de quien ya se fue. Correr los dos al mismo tiempo sin alinear la atribución es la causa más común de doble conteo de ingresos.
- ¿Cuál es la métrica primaria de un test de carrito abandonado?
- El pedido completado, contado sobre todos los carritos creados en el período del test, nunca la tasa de clic en un botón ni la cantidad de carritos que volvieron. Las métricas intermedias (hizo clic en finalizar, avanzó de etapa) sirven como diagnóstico para entender por qué ganó una variación, jamás como el número que decide el test. Una variación puede aumentar los clics en finalizar y bajar el pedido completado si la fricción real estaba en el pago, no en la entrada del checkout.
- ¿El popup de salida en el carrito funciona?
- Depende de lo que ofrezca y de lo que midas. Un popup que ofrece descuento suele elevar la conversión inmediata y, al mismo tiempo, reducir el margen y enseñarle al cliente recurrente a abandonar a propósito para recibir el cupón. Si lo vas a testear, mide el ingreso neto del descuento, no solo la tasa de conversión, y acompaña el comportamiento de quien ya compró antes. Un popup que resuelve una duda real (plazo de entrega, política de cambio) sin dar descuento suele ser una apuesta más segura y raramente se testea.
- ¿Cuántos carritos necesito para un test confiable?
- Depende de la tasa actual de carrito a pedido y de la ganancia mínima que quieras detectar. Una referencia calculada con la matemática de este blog: una tienda que convierte 30% de los carritos en pedidos y quiere detectar una mejora relativa de 8% necesita cerca de 5.849 carritos por variación. Si el objetivo sube a 12% relativo, el requisito cae a cerca de 2.626 por variación. Usa la calculadora de este artículo con tus propios números antes de encender cualquier test.
- ¿Vale la pena testear envío gratis como recuperación de carrito?
- Vale testearlo, y vale medirlo bien. Según el Baymard Institute, los costos extras demasiado altos son el motivo número uno de abandono durante el checkout, con 40% de las menciones, así que tocar eso ataca la causa líder. El cuidado es que el envío gratis no es un cambio de interfaz, es un cambio de margen: el test necesita comparar ingreso neto por carrito, no tasa de conversión aislada, si no la variación ganadora puede estar vendiendo más y lucrando menos.