≡En resumen
- El testing multivariable prueba varios elementos a la vez y analiza sus combinaciones.
- Su valor diferencial es medir interacciones: cuándo un titular funciona solo con cierta imagen.
- El diseño factorial completo prueba todas las combinaciones; el fraccionado y Taguchi prueban una parte y asumen que ciertas interacciones no importan.
- Los efectos principales aprovechan todo el tráfico, pero elegir la mejor combinación concreta o medir interacciones exige muestras mucho mayores.
- Sin decenas de miles de visitas y cientos de conversiones al mes por página, un test A/B bien elegido suele rendir más.
01 ¿Qué es el testing multivariable?
El término se usa como sinónimo de test multivariante o MVT; en la entrada de MVT (test multivariante) tienes la explicación general, la comparativa con el A/B y las herramientas. Aquí profundizamos en lo que decide si un test multivariable es fiable: el diseño experimental, las interacciones y el tráfico que hace falta.
02 Efectos principales e interacciones: lo que un A/B no ve
El efecto principal de un elemento es cuánto cambia la conversión, de media, al pasar de una versión a otra. La interacción aparece cuando ese efecto depende de otro elemento: el titular B solo funciona si va con la foto de una persona, por ejemplo. Si pruebas el titular y la imagen en dos tests A/B seguidos, esa interacción queda oculta.
| Titular | Foto del producto | Foto de una persona usándolo | Efecto de cambiar la foto |
|---|---|---|---|
| Titular A (beneficio racional) | 3,0 % | 3,1 % | +0,1 puntos |
| Titular B (beneficio emocional) | 3,2 % | 4,0 % | +0,8 puntos |
| Efecto de cambiar el titular | +0,2 puntos | +0,9 puntos | Interacción: el efecto de la foto se multiplica con el titular B |
03 Factorial completo, fraccionado y Taguchi
| Diseño | Qué combinaciones prueba | Qué puedes estimar | Cuándo usarlo |
|---|---|---|---|
| Factorial completo | Todas, con el mismo peso de tráfico | Todos los efectos principales y todas las interacciones | Pocos factores y mucho tráfico |
| Factorial fraccionado | Una fracción elegida (la mitad, un cuarto…) de forma equilibrada y ortogonal | Efectos principales y parte de las interacciones, según la resolución | Muchos factores y poco margen de tráfico |
| Taguchi (matrices ortogonales) | Un conjunto mínimo tabulado, por ejemplo L8 u L9 | Sobre todo efectos principales; asume que las interacciones son despreciables | Cribar muchos factores para quedarte con los que importan |
El ahorro es grande: siete elementos con dos versiones cada uno darían 2⁷ = 128 combinaciones en un factorial completo, mientras que la matriz de Taguchi L8 los evalúa con 8. El precio es el solapamiento (aliasing): algunos efectos quedan mezclados y no se pueden separar.
Los diseños factoriales proceden de la estadística experimental aplicada a la agricultura y la industria. Las matrices ortogonales llevan el nombre del ingeniero japonés Genichi Taguchi, que las popularizó en ingeniería de calidad para reducir el número de pruebas en fabricación; el marketing digital las adoptó por la misma razón: el tráfico es un recurso escaso.
Resolución III
Los efectos principales se confunden con interacciones de dos factores. Sirve para cribar, no para concluir.
Resolución IV
Los efectos principales quedan limpios, pero unas interacciones de dos factores se confunden con otras.
Resolución V
Ni los efectos principales ni las interacciones de dos factores se confunden entre sí; necesita más combinaciones.
04 Cuánto tráfico necesita un test multivariable
Hay un matiz que muchas guías pasan por alto. En un factorial equilibrado, cada efecto principal compara la mitad del tráfico con la otra mitad (todas las combinaciones con el titular A frente a todas las del titular B), así que aprovecha toda la muestra, como un A/B. Lo caro es comparar combinaciones concretas entre sí o medir interacciones con precisión, porque cada casilla recibe solo una fracción de las visitas.
| Elementos y versiones | Combinaciones | Visitas totales aproximadas |
|---|---|---|
| Test A/B (1 elemento, 2 versiones) | 2 | ≈ 27.800 |
| 3 elementos × 2 versiones | 8 | ≈ 111.000 |
| 1 elemento × 3 versiones + 2 elementos × 2 versiones | 12 | ≈ 167.000 |
| 3 elementos × 3 versiones | 27 | ≈ 375.000 |
05 Cuándo usar el testing multivariable y cuándo un test A/B
- ✓La página recibe decenas de miles de visitas y cientos de conversiones al mes de forma estable.
- ✓Ya has probado cambios grandes con tests A/B y ahora quieres afinar elementos de una misma página.
- ✓Sospechas que los elementos se influyen entre sí (titular e imagen, precio y garantía).
- ✓Los elementos son independientes en el diseño: cualquier combinación se ve bien.
- ✓Puedes mantener la página y las campañas estables durante varias semanas.
Si no cumples casi todos los puntos, un test A/B con un cambio de peso dará respuestas antes y más fiables. Y si lo que quieres es comparar dos páginas completamente distintas, el formato es el split URL, que se explica en optimization testing. En páginas con poco tráfico, la investigación con mapas de calor y grabaciones suele encontrar las mejoras más rápido.
06 Cómo hacer un testing multivariable paso a paso
-
1
Elige la página
Una con tráfico alto y un objetivo claro, como la landing de una campaña o una ficha de producto muy visitada.
-
2
Selecciona 2 o 3 factores
Los elementos con más peso según tus datos: titular, imagen principal, llamada a la acción, prueba social.
-
3
Define niveles con sentido
Dos o tres versiones por factor, cada una basada en una hipótesis distinta, no en variaciones cosméticas.
-
4
Elige el diseño
Factorial completo si el tráfico lo permite; fraccionado o Taguchi si necesitas cribar muchos factores y aceptas perder interacciones.
-
5
Calcula muestra y duración
Según lo que vayas a analizar: efectos principales, interacciones concretas o la mejor combinación.
-
6
Analiza efectos y confirma
Revisa efectos principales e interacciones y valida la combinación ganadora con un test A/B final frente al original.
Las herramientas comerciales de experimentación, como VWO, Optimizely o AB Tasty, ofrecen tests multivariantes con diseño factorial; Google Optimize, que también los permitía, cerró en 2023. En los proyectos de CRO en marketing reservamos este formato para páginas que ya han pasado por varias rondas de A/B, a menudo landings creadas con un diseño web de landing page modular que facilita combinar bloques.
Preguntas frecuentes sobre Testing multivariable
Es un experimento que cambia varios elementos de una página a la vez y reparte el tráfico entre sus combinaciones para medir el efecto de cada elemento y sus interacciones.
El test A/B compara una versión original con una variante. El multivariable combina varios elementos con varias versiones y mide también cómo se influyen entre sí, a cambio de necesitar mucho más tráfico.
Es el diseño que prueba todas las combinaciones posibles de los elementos con el mismo reparto de tráfico. Permite estimar todos los efectos e interacciones, pero es el que más visitas consume.
Es un diseño fraccionado que usa matrices ortogonales para probar solo un subconjunto de combinaciones, por ejemplo 8 en lugar de 128. Estima bien los efectos principales, pero asume que las interacciones son despreciables.
Es cuando el efecto de un elemento depende de otro: un titular mejora la conversión solo si va acompañado de cierta imagen. Es lo que el testing multivariable puede medir y dos tests A/B por separado no.
Con diseño factorial completo, lo razonable son dos o tres elementos con dos o tres versiones cada uno. Más factores disparan las combinaciones; si necesitas cribar muchos, usa un diseño fraccionado o Taguchi y confirma después con un test A/B.
Si quieres comparar cada combinación como en un A/B, multiplica la muestra de un A/B por el número de combinaciones: con 8 combinaciones, una conversión del 3 % y una mejora buscada del 20 %, unas 111.000 visitas.
Las plataformas comerciales de experimentación como VWO, Optimizely o AB Tasty incluyen tests multivariantes. Google Optimize también los ofrecía, pero cerró el 30 de septiembre de 2023.
Fuentes consultadas
Sobre el autor
Raúl Aránega Segura
CEO y especialista SEO en appyweb
Fundador de appyweb. Más de una década posicionando webs y tiendas online en Google y, ahora, en las respuestas de la IA.
Ver perfil en LinkedIn ↗