Tests A/B en Shopify: cuándo merecen la pena, cuánto tráfico necesitas y qué probar primero

Nico Bértolo · 2026-10-18

En resumen

Un test A/B solo sirve si tiene suficientes compras detrás. Con una conversión del 2 %, detectar una mejora del 20 % exige unas 21.000 visitas por versión.
Si tu tienda no llega a ese volumen, no testees botones: arregla lo que cualquier auditoría señala y mide antes y después en periodos comparables.
Prueba cambios grandes en las páginas que más venden (ficha de producto, carrito), no el color de un botón en la portada.

Un test A/B consiste en enseñar dos versiones de una página a dos grupos de visitantes elegidos al azar y quedarse con la que vende más. Suena perfecto y lo es, con una condición que casi nadie cuenta: hace falta mucho tráfico para que el resultado signifique algo. Esta guía es para decidir si a tu tienda le compensa testear y, si sí, cómo hacerlo sin engañarte.

≈21.000: Visitas por versión para detectar una mejora del 20 % con una conversión base del 2 % (95 % de confianza, 80 % de potencia).
2 semanas: Duración mínima razonable de un test, para cubrir dos ciclos semanales completos.
1 cambio: Una hipótesis por test. Si cambias cinco cosas a la vez, no sabrás cuál funcionó.

Cuánto tráfico necesitas de verdad

El número que importa no son las visitas, son las compras. Con una conversión del 2 %, 21.000 visitas por versión son unas 420 compras en cada una. Con menos, la diferencia que veas puede ser pura casualidad: es muy común ver a la versión B «ganando un 30 %» la primera semana y empatada al final. Si quieres calcularlo para tu tienda, cualquier calculadora de tamaño de muestra te lo da con tres datos: tu conversión actual, la mejora mínima que quieres detectar y el nivel de confianza.

Menos de 10.000 visitas al mes: no hagas tests A/B clásicos. Arregla lo evidente y mide antes y después.
Entre 10.000 y 50.000: testea solo cambios grandes en las páginas con más tráfico (ficha de producto, carrito).
Más de 50.000: ya puedes llevar un calendario de tests continuo, uno o dos a la vez.

Qué probar primero (y qué no)

Los tests que más mueven la conversión son los que cambian la información que tiene el cliente para decidir, no la estética. Empieza por la ficha de producto, que es donde se decide la compra, y sigue por el carrito.

Precio, envío y plazo arriba: Versión A como está; versión B con el coste de envío y el plazo de entrega visibles junto al precio.
Fotos que responden dudas: Primera foto de producto en uso frente a foto de estudio. En moda y accesorios suele ser de lo que más mueve.
Reseñas junto al botón: Valoración media y número de reseñas al lado del precio frente a solo al final de la página.
Oferta en el carrito: Barra de «te faltan X € para el envío gratis» frente a sin barra. Mide también el ticket medio.

Lo que casi nunca merece un test: el color del botón, el tipo de letra, el orden de dos enlaces del menú. Son cambios demasiado pequeños para que una tienda mediana llegue a detectarlos.

Cómo montar un test en Shopify

Shopify no incluye un sistema de tests A/B completo para la ficha de producto, así que lo normal es usar una app específica de testing (Shoplift, Intelligems y similares) que reparte el tráfico, mide la conversión y el ingreso por visitante y te dice cuándo el resultado es fiable. Para tests de precio, usa una herramienta pensada para ello: cambiar precios a mano por días no es un test, porque el tráfico de un martes no es el de un sábado.

Define antes de empezar la métrica que decide (ingreso por visitante mejor que conversión: una versión puede vender más unidades pero más baratas).
Decide la duración y no la cambies a mitad. Parar un test cuando «va ganando» es la forma más rápida de equivocarse.
Separa móvil y ordenador al analizar: un cambio puede ganar en uno y perder en el otro.
No lances un test en Black Friday ni en un drop: el comportamiento de esos días no representa al resto del año.

¿No tienes tráfico para testear? Hacemos una auditoría de tu tienda, arreglamos lo que más frena la venta y medimos la conversión antes y después. Por contrato. Agendar llamada

Si tu tienda no tiene volumen para testear

Es lo más habitual, y no es un problema. Las mejoras que más conversión recuperan no necesitan un test para saber que funcionan: un envío sorpresa en el carrito o una ficha que no responde a las dudas son errores conocidos. Haz una auditoría CRO, arregla por orden de impacto y compara periodos equivalentes (cuatro semanas antes frente a cuatro después, con un tráfico parecido y sin campañas especiales en medio). Así es como trabajamos en una agencia de CRO.

Cómo leer el resultado sin engañarte

Un test «ganado» al 95 % de confianza todavía puede ser casualidad una de cada veinte veces. Si el resultado es grande y sorprendente, repítelo. Si es plano, también es un resultado: has aprendido que ese elemento no era el freno, y puedes pasar al siguiente. Guarda cada test en una hoja con la hipótesis, las fechas, el resultado y lo que has aprendido: al cabo de un año, ese histórico vale más que cualquier test suelto.

Un test con poco tráfico no te dice qué funciona. Te dice qué pasó por casualidad esa semana.
Nico Bértolo, 224

Preguntas frecuentes

¿Cuánto tráfico necesito para hacer un test A/B en Shopify?

Depende de tu conversión y de la mejora que quieras detectar. Con una conversión del 2 % y buscando una mejora del 20 %, unas 21.000 visitas por versión (unas 420 compras en cada una) con un 95 % de confianza.

¿Cuánto debe durar un test A/B?

Al menos dos semanas completas, para cubrir dos ciclos semanales, y hasta alcanzar el tamaño de muestra calculado. No conviene pararlo antes porque una versión parezca ir ganando.

¿Qué conviene testear primero en una tienda online?

La ficha de producto y el carrito: coste de envío y plazo junto al precio, fotos de producto en uso, reseñas cerca del botón de compra y la barra de envío gratis. Son cambios en la información para decidir, que mueven más que los estéticos.

¿Qué hago si mi tienda no tiene tráfico suficiente para testear?

Una auditoría de conversión, arreglar los errores conocidos por orden de impacto y comparar la conversión en periodos equivalentes antes y después de los cambios.