Calculadora de conversión móvil vs escritorio

Esta calculadora responde algo que sus hermanas no responden: el móvil convierte menos, ¿y entonces qué? La calculadora de tasa de conversión mide una tasa y la compara con el sector. La calculadora de impacto en los ingresos proyecta en qué se convierte una mejora de tasa. La calculadora de embudo muestra en qué paso desaparece la gente. Aquí el tema es la comparación entre dos públicos que nadie sorteó, con tres cosas que nadie entrega juntas: la regla de mercado para saber si tu brecha es normal, la separación entre brecha de tasa y brecha de ticket, y el arrastre que la porción de móvil ejerce sobre la tasa general del sitio.

Cómo usarla

1. Saca de tu analítica las sesiones, los pedidos y el ticket promedio del último mes cerrado, separados por dispositivo. Usa sesiones en los dos lados, no usuarios, y el mismo periodo en ambos.
2. Completa la columna del móvil y la del escritorio. Si la tableta pesa en tu tráfico, déjala fuera: suele tener un tercer comportamiento y distorsiona el lado al que la sumes.
3. Ajusta la meta de paridad. El valor por defecto del 80% de la tasa de escritorio es ambicioso y alcanzable; la paridad total casi nunca lo es, porque parte de la diferencia viene de la intención y del cambio de aparato.
4. Lee el índice de paridad y la frase de contexto justo debajo: te dice si estás por encima, justo en o por debajo de la razón típica del mercado.
5. Baja hasta la descomposición de ingresos por sesión. Es la que dice si la brecha es de conversión o de ticket, y por lo tanto a qué equipo le toca el trabajo.

Cómo funciona: la fórmula

Ninguna cuenta es complicada. Lo que las hace útiles es el orden en que aparecen: primero el tamaño de la brecha, después el contexto, después el dinero, y solo entonces el diagnóstico.

La descomposición de la sexta línea es la factorización exacta de un producto cuyos dos factores cambiaron a la vez. Los tres términos suman la diferencia completa, sin resto: el primero es lo que explica la diferencia de conversión, el segundo lo que explica la diferencia de ticket, y el tercero es la interacción, que impide contar el mismo dinero dos veces. El arrastre del mix, en la última línea, explica la tasa general que baja sola: si el móvil convierte menos y el móvil crece, la media del sitio desciende por composición, sin que ninguno de los dos lados haya empeorado.

Ejemplo trabajado (reproduce el resultado por defecto)

Con los números ya completados, una tienda típica. Móvil: 35.000 sesiones, 350 pedidos, ticket de $210. Escritorio: 15.000 sesiones, 330 pedidos, ticket de $260.

• Tasas: móvil = 350 ÷ 35.000 = 1,00%; escritorio = 330 ÷ 15.000 = 2,20%. La brecha es de 1,20 puntos porcentuales.
• Índice de paridad: 1,00 ÷ 2,20 = 45,5%. Queda por debajo de la razón típica del 55%, así que el veredicto es brecha grave.
• El móvil es el 70,0% de las sesiones y solo el 46,1% de los ingresos ($73.500 de $159.300). La distancia entre esas dos porciones resume el problema.
• Tasa general del sitio: 680 ÷ 50.000 = 1,36%. Con paridad sería 2,20%, o 0,84 puntos más. Ese es el arrastre del mix.
• En la meta del 80%, la tasa objetivo del móvil es 2,20% × 0,8 = 1,76%. Los pedidos extra son (1,76% − 1,00%) × 35.000 = 266 por mes, que a $210 valen $670.320 por año.
• En el techo de paridad total serían 420 pedidos por mes y $1.058.400 por año. Es contexto, no meta.
• Ingresos por sesión: móvil $2,10, escritorio $5,72, una diferencia de $3,62. De ella, $3,12 vienen de la tasa, $1,10 del ticket y $0,60 vuelven por la interacción. Suma: 3,12 + 1,10 − 0,60 = 3,62.

Es exactamente lo que muestra la herramienta al abrir la página. Fíjate en el diagnóstico que sale gratis: casi toda la brecha es de conversión, no de ticket. Esta tienda no tiene un problema de carrito pequeño en el móvil, tiene un problema de gente que no termina la compra. Invertir el trimestre en upsell y combos móviles sería remedio para la enfermedad equivocada.

Cómo interpretarla y dónde engaña

El error más caro en este análisis es tratar la diferencia entre dispositivos como si fuera el resultado de un test A/B. No lo es. En un test, el sorteo garantiza que los dos grupos son iguales en todo menos en el cambio. Aquí nadie sorteó nada: la persona eligió el aparato, y esa elección viene junto con horario, canal de origen, producto buscado y disposición a comprar en ese momento. Parte de la brecha que estás viendo es composición de público, no calidad de la experiencia, y ninguna corrección de interfaz elimina esa parte.

La segunda trampa es la atribución entre aparatos. Quien descubre el producto en el móvil a la hora de comer y compra en el ordenador por la noche entra como sesión sin conversión de un lado y como conversión del otro. Eso infla el escritorio y hunde el móvil de forma sistemática. Si tu analítica tiene identificación de usuario conectado, mira la conversión por usuario además de la conversión por sesión: la distancia entre esas dos vistas es una buena medida de cuánto de tu brecha es medición.

La tercera es la cifra en dinero. Responde cuánto vale cerrar la brecha, no cuánto costará cerrarla. El modelo es lineal y mensual: supone tráfico estable, ticket móvil constante en los pedidos nuevos y ninguna canibalización entre dispositivos. Sirve para dimensionar prioridad y defender presupuesto, nunca para prometer resultado. Y hay un límite honesto de alcance: si tus sesiones móviles vienen sobre todo de redes sociales y las de escritorio de búsqueda de marca, estás comparando canales, no dispositivos.

De la brecha a la fila de trabajo

Un índice de paridad bajo es un síntoma, no una causa. La secuencia que suele resolverlo, por retorno según el esfuerzo:

• Velocidad primero. En el móvil, el tiempo hasta que la página es usable mata la conversión antes de que cualquier pregunta de diseño tenga oportunidad. Es lo más barato de medir y lo más ingrato de ignorar.
• Checkout después. El teclado equivocado en un campo, la falta de búsqueda de dirección, el registro obligatorio y el envío revelado en el último paso cuestan más en el móvil que en el ordenador.
• Luego la página de producto. Precio, envío y botón de compra tienen que caber en la primera pantalla del móvil, sin obligar a desplazarse para descubrir cuánto cuesta.
• Mide con tests, no con opiniones. Dimensiona el experimento en la calculadora de tamaño de muestra usando solo el tráfico móvil, y lee el resultado en la calculadora de significancia. Las advertencias propias del móvil están en la guía de tests A/B en apps móviles.
• Sigue el dinero. Si la brecha de ticket resulta relevante, la calculadora de ingresos por visitante es la métrica correcta para juzgar las variaciones móviles.

Si todavía no sabes si tu tasa de conversión es buena antes de separarla por dispositivo, empieza por los benchmarks de tasa de conversión. El método completo está en la guía de optimización de conversión (CRO).

Preguntas frecuentes

¿Por qué el móvil convierte menos que el escritorio?

Por tres motivos que se suman. El primero es la intención: buena parte de las sesiones móviles son de descubrimiento, hechas en una fila o en el sofá, sin decisión de compra detrás. El segundo es la fricción: escribir dirección, tarjeta y cupón en una pantalla pequeña cuesta mucho más esfuerzo, y cada campo extra tira a más gente. El tercero es la medición: quien busca en el móvil y compra en el ordenador aparece como sesión abandonada en móvil y como conversión en escritorio, lo que exagera la diferencia real.

¿Cuál es una diferencia normal de conversión entre móvil y escritorio?

Los estudios públicos de benchmark de comercio electrónico vienen mostrando el móvil convirtiendo alrededor de la mitad a dos tercios de lo que convierte el escritorio. La calculadora usa el 55% del escritorio como razón típica de referencia. Si tu índice de paridad está muy por debajo, el problema deja de ser la diferencia natural de intención: hay algo propio de tu experiencia móvil frenando la compra, como el peso de la página, el checkout, el teclado equivocado en un campo o un formulario largo.

¿Cómo calcular cuánto cuesta la brecha de conversión móvil?

Multiplica las sesiones móviles del mes por la diferencia entre la tasa que quieres alcanzar y la tasa actual del móvil. Eso da los pedidos extra por mes. Multiplica por el ticket promedio del móvil para convertirlo en ingresos, y por doce para el año. El detalle honesto es la tasa objetivo: usa una meta de paridad realista, como el 80% del escritorio, y no la paridad total, que es un techo teórico y no una meta.

Mi tasa de conversión general cayó sin que nada empeorara en los dispositivos. ¿Cómo?

Es un efecto de mix, la misma mecánica de la paradoja de Simpson. Si el móvil convierte menos y su porción del tráfico crece, la media del sitio cae aunque móvil y escritorio mejoren cada uno por su cuenta. Por eso la tasa general es una métrica pobre para seguir sola: mira siempre la serie por dispositivo antes de concluir que algo se rompió.

¿Puedo usar un test de significancia para comparar móvil y escritorio?

No como un test A/B. El dispositivo no es una variación sorteada: las personas eligen el aparato, así que los dos grupos difieren en intención, canal, horario y productos vistos. La diferencia que mides aquí es real, pero no es el efecto causal del dispositivo. Para saber si un cambio mejora el móvil, corre un test A/B dentro del tráfico móvil y léelo en la calculadora de significancia.

¿Qué mirar primero para cerrar la brecha en el móvil?

Empieza por la descomposición de ingresos por sesión que muestra la herramienta. Si casi toda la diferencia viene de la tasa de conversión, el problema es gente que no termina, y el camino es velocidad, checkout y formularios. Si una parte relevante viene del ticket promedio, el problema es lo que vende el móvil, y el camino es vitrina, buscador, upsell y envío. Son causas distintas, y atacar la equivocada no mueve el número.

Sigue

Con la brecha medida, el siguiente paso es convertir la hipótesis en un test. Empieza por la guía de CRO, dimensiona en la calculadora de tamaño de muestra y valida en la calculadora de significancia. Si aún no corres tests, empieza por qué es un test A/B.