Test A/B de Landing Pages con Tráfico de Ads: la Guía para Dropshippers

La landing page de un dropshipper es donde el gasto en ads convierte o muere, y aun así la mayoría de los dropshippers eligen una página por intuición y le mandan todo el tráfico hasta que los resultados decepcionan. El camino más disciplinado es hacer un test A/B de landing pages dividiendo el tráfico de ads — repartir el mismo presupuesto entre dos variantes, medir el rendimiento por variante con parámetros UTM y dejar que una regla de ROAS recorte la página perdedora antes de malgastar el presupuesto del test. Esta guía recorre el workflow exacto: setup de UTM, estructura de la división de tráfico y la regla por variante que cierra el test de forma automática.

Por qué la mayoría de los tests de landing page no llegan a ninguna conclusión

Los tests A/B de landing page fallan de una de estas tres formas: el test declara un ganador demasiado pronto, la división de tráfico no está controlada, o el test nunca produce un resultado definitivo porque jamás se definió ninguna condición para declarar un ganador.

El fallo de "demasiado pronto" es el más común. Un dropshipper ve que la Variante A convierte al 4% mientras la Variante B convierte al 2,5% tras 48 horas y declara A ganadora — pero en ese momento cada variante puede haber recibido menos de 20 visitantes. Una diferencia de tres conversiones no es un hallazgo estadísticamente significativo; es ruido. El test debería haber corrido al menos el doble de tiempo.

La división de tráfico sin control es el segundo problema. Si ambas variantes corren en el mismo ad set con las URLs rotando por la propia rotación de creatividades de la plataforma, esta optimizará hacia la creatividad o la ubicación que predice que rendirá mejor — algo que puede no tener nada que ver con la landing page. El test confunde la optimización de la plataforma con el rendimiento de la página. Un test de landing page bien hecho exige dos ad sets separados, con segmentación idéntica y una división manual 50/50 del presupuesto, para que la única variable entre las dos audiencias sea la URL de destino.

El tercer problema es que la mayoría de los dropshippers nunca fija un criterio claro de "ganador". Sin un umbral predefinido de ROAS o tasa de conversión y un número mínimo de eventos, el test corre hasta que el dropshipper se cansa y decide a ojo — lo que anula el propósito de hacer un test.

Esto conecta directamente con el rigor estadístico que cubrimos en la guía de test A/B en Facebook Ads — la mecánica de la significancia se aplica a los tests de landing page exactamente igual que a los tests de creatividades.

Paso 1: Prepara las variantes de landing page

El test asume que ya existen dos landing pages — dos versiones distintas de la página de producto con una única variable cambiada. Las variables que más se suelen probar son:

• Longitud de la página: Long-form (historia completa del producto, varios testimonios, FAQ) frente a short-form (imagen hero, precio, botón de compra, tres bullets)
• Ángulo del titular: Orientado a beneficio ("Quítate el dolor de espalda en 5 días") frente a orientado a característica ("Sistema ergonómico de soporte lumbar")
• Ubicación de la prueba social: Reseñas above the fold frente a reseñas debajo de la sección de precios
• Encuadre de la oferta: Precio estándar frente a encuadre de urgencia tipo "oferta limitada"

Las dos páginas deben diferir en exactamente una variable. Si la página long-form también tiene un titular distinto y otra ubicación de prueba social, el test no puede atribuir las diferencias de rendimiento a ningún elemento concreto. Elige una variable, cámbiala de forma consistente entre las dos variantes y deja todo lo demás idéntico.

Aislar una sola variable es lo que hace que el resultado sea reutilizable. HubSpot reportó en 2024 que los marketers que corrían experimentos de landing page estructurados y de una sola variable veían mejoras de conversión aproximadamente el doble de a menudo que quienes cambiaban varios elementos a la vez — porque un cambio multivariable te dice que algo se movió sin decirte qué repetir en el siguiente producto.

Setup de parámetros UTM para cada variante:

• Variante A: ?utm_source=meta&utm_medium=paid&utm_campaign=[codigo-producto]&utm_content=lp-variant-a
• Variante B: ?utm_source=meta&utm_medium=paid&utm_campaign=[codigo-producto]&utm_content=lp-variant-b

El valor de utm_content es la única diferencia. Todo lo que está aguas arriba de la página — la campaña, la segmentación, la creatividad — es idéntico entre variantes. El UTM builder de Wevion genera estas cadenas de parámetros y garantiza la consistencia; la guía de tracking UTM cubre el sistema completo de etiquetado para quien lo monte desde cero.

Paso 2: Estructura la división de tráfico correctamente

La división de tráfico requiere dos ad sets separados dentro de la misma campaña. Esto no es opcional — es el requisito estructural para controlar el test.

Setup de la campaña:

• Campaña: Optimización de presupuesto a nivel de campaña, convención de nombres: [codigo-producto]-lp-abtest-[fecha]
• Ad Set A: Segmentación idéntica a la del Ad Set B. Un anuncio por set, apuntando a la URL de la Variante A. Presupuesto: 50% del presupuesto diario total del test.
• Ad Set B: Segmentación idéntica a la del Ad Set A. Un anuncio por set, apuntando a la URL de la Variante B. Presupuesto: 50% del presupuesto diario total del test.

Crítico: fija el presupuesto manualmente a nivel de ad set, no con optimización de presupuesto de campaña (CBO) repartiendo entre ambos. Si el CBO está activo, Meta dirigirá el presupuesto hacia el ad set que predice que rendirá mejor, lo que distorsionará el test antes de que haya datos suficientes para fiarse de esa predicción. El 50/50 manual a nivel de ad set mantiene la división controlada.

Según el informe de optimización de tasa de conversión de Shopify de 2023, el lift mediano de la variante ganadora en un test A/B de landing page entre los merchants de e-commerce que estructuraron bien sus tests fue del 18%, mientras que los merchants que corrían tests informales (sin división controlada, sin umbral de significancia) no encontraron ningún lift consistente en campañas posteriores — los hallazgos del test informal simplemente no se sostenían. La estructura determina si el test es información o ruido.

Paso 3: Configura reglas de ROAS por variante

La regla de ROAS es la capa de automatización que cierra el test con limpieza en lugar de dejarlo a la deriva. Antes de lanzar el test, el dropshipper configura una regla para cada ad set.

Regla: suelo de ROAS por variante

• Condición: ROAS del ad set < [ROAS de break-even] tras un gasto ≥ [50% del presupuesto de test planificado por variante]
• Acción: Marcar para revisión (no auto-pausa, porque el ROAS temprano puede ser volátil y ambas variantes pueden caer brevemente por debajo del break-even durante la fase de aprendizaje del algoritmo)
• Notificación: Alerta de Telegram indicando la variante, el ROAS actual y el gasto

Regla: señal de ganador por ROAS de variante

• Condición: ROAS del ad set ≥ [ROAS objetivo × 1,5] Y ROAS del otro ad set ≤ [ROAS de break-even] tras un gasto ≥ [75% del presupuesto de test planificado por variante]
• Acción: Pausar la variante perdedora, marcar la variante ganadora para revisión de escalado
• Notificación: Alerta de Telegram: "Ganador del test de LP confirmado: Variante A. ROAS [X] vs ROAS Variante B [Y]. Se sugiere escalar A."

Estas reglas gestionan los dos desenlaces que importan: un perdedor claro temprano (una variante que cae por debajo del break-even mientras la otra aguanta) y un ganador confirmado (una variante que supera significativamente a la otra tras gasto suficiente). Ambos se marcan o se accionan por regla, sin esperar a la siguiente revisión manual del dropshipper.

La guía de automatización de límites de gasto cubre cómo la atribución UTM se conecta con el motor de reglas — la regla lee de los datos de rendimiento segmentados por UTM, así que la atribución debe ser correcta para que la regla evalúe los números adecuados.

Paso 4: Lee los resultados de las 72 horas

A las 72 horas, el dropshipper revisa el resumen del test. La vista muestra el rendimiento de ambos ad sets — impresiones, clics, conversiones, ROAS — filtrable por el parámetro utm_content para que la atribución sea limpia: cada conversión atribuida a lp-variant-a entró por la URL de la Variante A, y cada conversión atribuida a lp-variant-b entró por la URL de la Variante B.

El marco de decisión a las 72 horas:

• Si una variante tiene un ROAS ≥ 1,5× el de la otra y ambas tienen ≥ 25 conversiones: Declara el ganador. Pausa al perdedor. Manda todo el presupuesto al ganador.
• Si la diferencia es inferior a 1,5× o el conteo de eventos está por debajo de 25: Extiende el test otras 48 horas. No declares un ganador con datos insuficientes.
• Si ambas variantes están por debajo del ROAS de break-even tras 72 horas: El problema puede no ser la landing page — puede ser la oferta del producto, la creatividad o la segmentación. Detén el test y diagnostica el embudo.

Paso 5: Despliega al ganador y construye una biblioteca de páginas

Una vez confirmado el ganador, la URL migra a la campaña de producción. La campaña de test se cierra. El dropshipper registra el resultado — qué variante ganó, por qué margen, qué variable se probó — en una biblioteca de páginas que acumula los hallazgos del equipo de producto a lo largo de cada test.

Con el tiempo, la biblioteca de páginas se convierte en un conjunto de principios estructurales probados. Si el long-form supera consistentemente al short-form en tres tests de producto distintos, ese es un hallazgo estructural que merece aplicarse como default en cada nueva página de producto. Si los titulares orientados a beneficio ganan en una categoría de producto pero los orientados a característica ganan en otra, la biblioteca captura ese matiz. La secuencia de lanzamiento de producto para dropshippers se apoya en esta biblioteca — cada nuevo lanzamiento de producto arranca con la estructura de página ganadora en lugar de con una nueva conjetura.

Este es el efecto compuesto del testing estructurado: cada test suma a la biblioteca, y la biblioteca hace que el siguiente test tenga más probabilidades de producir un ganador más rápido, porque el punto de partida por defecto es el patrón estructural que ya ha funcionado antes.

Precios y setup

El etiquetado UTM, el motor de reglas y la atribución de rendimiento están en el plan Starter de 99 €/mes, junto al Free de 0 €, el Pro de 499 €, el Plus de 1.499 €/mes (1.199 € anual) y Enterprise. Una prueba gratuita de 14 días, junto al plan gratuito permanente, le da al dropshipper tiempo de sobra para correr un test de landing page completo de 72 horas, ver las reglas de ROAS en acción y confirmar un ganador a partir de datos de conversión reales.

El setup inicial — crear dos ad sets, etiquetar las URLs y configurar las reglas por variante — lleva menos de una hora para un dropshipper que ya ha montado el test una vez. Cada test de landing page de un producto posterior reutiliza la misma estructura cambiando solo las URLs y la economía específica del producto. Ese es el efecto compuesto operativo que produce el framework del test: no solo un ganador en el primer test, sino un camino más rápido y barato hasta el ganador en cada test que le sigue.

Esta guía forma parte de nuestro hub de generación de leads — explora el cluster completo para más playbooks de landing pages y tráfico.