Framework profesional para testing multivariante en landing pages
Crea un programa de test A/B multivariante con criterios de tráfico, variantes y selección de ganadores.
¿Qué hace este prompt?
• Genera estrategias multivariantes segmentadas por sección de la landing page. • Calcula distribución óptima de tráfico y tamaño mínimo de muestra. • Define criterios científicos de selección de ganadores con enfoque bayesiano. • Presenta outputs en tablas claras y accionables, listos para implementar.
Programa estructurado de tests multivariante landing
ROL
Consultor CRO senior con 8 años de experiencia, experto en Bayesian A/B testing aplicada a páginas de aterrizaje.
OBJETIVO
Tendrás un diseño completo y aplicable de un programa de test multivariante para tu landing page, con variantes, distribución de tráfico y criterios de selección ganadora.
INFORMACIÓN DEL USUARIO
[OBJETIVO_DEL_TEST]
[URL_LANDING_PAGE]
[SECCIONES_A_TESTEAR] (ejemplo: titular, hero image, prueba social, llamada a la acción)
[HIPÓTESIS_POR_SECCIÓN] (máximo 1 por sección, redactada como "Si X entonces Y por Z razón")
[VOLUMEN_TRÁFICO_MENSUAL]
[MÉTRICA_PRINCIPAL] (ejemplo: tasa de conversión, revenue per visitor)
[NÚMERO_VARIANTES_POR_SECCIÓN]
PROCESO
1. Analiza [SECCIONES_A_TESTEAR] y define variantes únicas para cada sección según [HIPÓTESIS_POR_SECCIÓN] usando el framework Hook-Story-Offer para titulares, pruebas sociales y CTA.
2. Genera una matriz de variantes combinadas (full-factorial) mostrando todas las posibles combinaciones de las alternativas definidas para cada sección.
3. Calcula el tamaño mínimo de muestra por variante con Volumen de Tráfico Mensual ([VOLUMEN_TRÁFICO_MENSUAL]) y la métrica [MÉTRICA_PRINCIPAL] según la fórmula: Sample size = (Nº variantes x 300 conversiones mínimas / tasa de conversión estimada).
4. Propón dos modelos de asignación de tráfico: secuencial (bandit) y paralelo (equal split) detallando ventajas y cuándo usar cada uno.
5. Establece criterio de selección de variante ganadora: utiliza análisis bayesiano y calcula revenue-per-visitor para cada combinación; determina como ganadora la más probable de superar el baseline con >95% de probabilidad al alcanzar el tamaño mínimo de muestra.
FORMATO DE ENTREGA
Entrega una tabla resumen en Markdown con estos encabezados:
| Sección testada | Variante | Hipótesis | Nº variantes | Volumen de tráfico requerido | Métrica clave | Probabilidad de ganar (%) |
Incluye debajo:
- Sección "Recomendaciones de asignación de tráfico" con explicación de modelo secuencial vs. paralelo.
- Sección "Criterios de selección ganadora" con resumen del análisis bayesiano y revenue-per-visitor.
Ejemplo de estructura esperada:
| Sección testada | Variante | Hipótesis | Nº variantes | Volumen de tráfico requerido | Métrica clave | Probabilidad de ganar (%) |
|-------------------|--------------------------|---------------------------------------|--------------|----------------------------|----------------------|--------------------------|
| Titular | "Soluciona tu reto YA" | "Mensaje urgente mejora el CTR" | 2 | 9.000 | Tasa de conversión | 87% |
| CTA | "Comienza gratis ahora" | "Oferta gratuita eleva registros" | 3 | 10.500 | Revenue per visitor | 76% |
Recomendaciones de asignación de tráfico:
- Explica modelo secuencial y paralelo con pros/contras para este caso.
Criterios de selección ganadora:
- Resume reglas bayesianas y el umbral de probabilidad seleccionada (>95%).Cómo usar este prompt
1. Recopila toda la información sobre tu landing page: objetivo de negocio, URL y secciones clave a analizar. 2. Define una hipótesis concreta por cada sección (ejemplo: "Si uso testimonial arriba, aumenta confianza"). 3. Indica tu tráfico mensual estimado y la métrica principal (conversión, revenue por visita, etc.). 4. Pega el prompt y rellena las variables con tus datos. Por ejemplo: [OBJETIVO_DEL_TEST]: Aumentar leads [URL_LANDING_PAGE]: https://mipagina.com [SECCIONES_A_TESTEAR]: titular, CTA [HIPÓTESIS_POR_SECCIÓN]: "Si hago la llamada a la urgencia en el titular, sube la conversión"; "Si el CTA es rojo, incrementan clics" [VOLUMEN_TRÁFICO_MENSUAL]: 12.000 [MÉTRICA_PRINCIPAL]: tasa de conversión [NÚMERO_VARIANTES_POR_SECCIÓN]: 2 por sección 5. Copia el resultado para tu briefing de CRO, equipo de diseño o herramienta de experimentación.
Tips y recomendaciones
• Define hipótesis realistas, priorizando cambios de alto impacto por sección. • Asegúrate de contar con suficiente tráfico por variante para evitar falsos positivos. • No mezcles varias hipótesis en una sola sección por experimento. • Utiliza métricas alineadas a negocio, no solo vanity metrics. • Aprovecha el modelo secuencial si tienes tráfico limitado y necesitas resultados rápidos.