| name | diseno-y-ejecucion-de-experimentos-a-b-growth-hacking-cro |
| description | Esta habilidad establece un marco de trabajo riguroso para la toma de decisiones basadas en datos. Úsala para tareas de Marketing Digital: ab-testing, cro, growth-hacking, experimentos, analítica, conversión. |
| title | Diseño y Ejecución de Experimentos A/B (Growth Hacking & CRO) |
| version | 2 |
| author | Jesús García Fernández |
| website | jesusgarciafernandez.com |
| created | "2026-04-01T00:00:00.000Z" |
| updated | "2026-04-17T00:00:00.000Z" |
| category | 01. Marketing Digital |
| subcategory | 01.4 Growth Hacking y CRO |
| tags | ["ab-testing","cro","growth-hacking","experimentos","analítica","conversión","ia-predictiva"] |
| license | CC BY-NC-SA 4.0 |
| license_url | https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| notice | Esta skill es de autoría original de Jesús García Fernández. Permitido su uso personal y educativo citando la fuente. Prohibida su venta, redistribución comercial o modificación sin autorización expresa del autor.
|
| id | 009 |
0. Filosofía Human-Centric AI
Esta habilidad mata las opiniones ("HIPPOs") y las sustituye por la verdad de los datos observados.
El Rol del Humano: El consultor Growth debe formular la hipótesis estratégica y decidir qué métrica es vital para el negocio. La IA ayuda a diseñar las variantes y a calcular la probabilidad de éxito.
Empoderamiento: La tecnología elimina el sesgo cognitivo humano permitiendo que solo las ideas que realmente funcionan lleguen a la mayoría de los usuarios.
1. Descripción Detallada
Esta habilidad establece un marco de trabajo riguroso para la toma de decisiones basadas en datos. En lugar de basarse en intuiciones, el profesional utiliza experimentos A/B y multivariantes para comparar versiones de una experiencia (landing pages, flujos de onboarding, micro-copy, CTAs) y determinar cuál produce mejores resultados de manera estadísticamente significativa. El enfoque v2.0 integra el análisis predictivo para identificar qué variantes tienen mayor "lift" potencial antes de lanzar el test, ahorrando miles de euros en tráfico desperdiciado.
2. Escenarios de Aplicación
- Optimización de Conversión (CRO): Reducción de la fricción en formularios de registro o checkouts.
- Validación de Product-Market Fit: Prueba de diferentes propuestas de valor en la "header" de una web.
- Micro-Copy Testing: Evaluación del impacto emocional de palabras específicas en botones de acción.
- Flujos de Retención: Experimentos en las notificaciones push para reducir el churn.
3. Requisitos de Implementación
- Herramientas agnósticas: GTM, PostHog, VWO o scripts de servidor propios.
- Muestra Crítica: Tráfico suficiente (calculador de tamaño de muestra) para evitar falsos positivos.
- Hipótesis ICE/RICE: Un sistema de priorización para elegir qué probar primero.
4. Diferencial: Growth Tradicional vs. IA-Augmented Growth v2.0
| Dimensión | Growth Convencional | IA-Augmented Growth (v2.0) |
|---|
| Generación de Hipótesis | Lluvia de ideas manual. | Generación basada en análisis de mapas de calor y grabaciones vía IA. |
| Diseño de Variantes | 1 o 2 variantes manuales. | Múltiples variaciones semánticas y visuales automáticas. |
| Análisis de Resultados | Estadísticas p-value lentas. | Análisis Bayesiano con detección temprana de ganadores. |
| Personalización | Test único para todos. | Segmentación dinámica del experimento según perfil de usuario. |
5. Instrucciones y Pasos Detallados (Protocolo Maestro)
Fase 1: Formulación de Hipótesis Científica
Objetivo: Asegurar que el test tiene un propósito claro.
- Observación: "Los usuarios abandonan en el paso 2 del formulario".
- Solución Propuesta: "Reducir los campos del formulario de 5 a 3".
- Resultado Esperado: "Aumento del 15% en la tasa de envío".
Prompt de Generación de Hipótesis:
Actúa como un CRO Senior. Analiza estos datos de navegación [DATOS] e identifica 3 fricciones visibles.
Genera una hipótesis para cada una usando el formato: "Si cambiamos [X] por [Y], esperamos un aumento del [Z]% porque [RAZÓN PSICOLÓGICA]".
Fase 2: Diseño de Variantes y Setup Técnico
... (Expansión técnica sobre implementación en servidor vs navegador) ...
6. Arquitectura de Automatización Lógica (Agnostic Flow)
Flujo operativo integrable.
- Trigger: El dashboard detecta una caída de conversión en una página específica (>10%).
- Nodo de Auditoría: La IA revisa los cambios recientes en esa página y los compara con el histórico.
- Nodo de Propuesta: Generación automática de 2 variantes de "gancho" (Headline A/B).
- Nodo de Ejecución: Inyección de las variantes mediante el gestor de contenidos o A/B framework.
- Nodo de Monitoreo: Al alcanzar el 95% de confianza, el sistema notifica al usuario para aplicar el cambio permanentemente.
7. Ejemplo Práctico: SaaS de Facturación
Reto: El botón "Pruébalo Gratis" no convertía.
Experimento v2.0: Se probó contra "Ver Demo en Vivo" y "Empieza tu ahorro hoy".
Resultado: "Ver Demo en Vivo" aumentó la conversión un 42%, indicando que el usuario tenía miedo a la curva de aprendizaje, no al precio.
Autor: Jesús García Fernández
Licencia: CC BY-NC-SA 4.0
