La diferencia entre un buen programa de email y uno excelente rara vez se debe a una sola gran idea. Son cientos de pequeñas mejoras que se acumulan a lo largo de meses y años. Las pruebas son la forma de encontrar esas mejoras. La optimización es la forma de consolidarlas.
Qué Probar
No todo vale la pena probar. Concentra tu esfuerzo de pruebas en los cambios que tendrán el mayor impacto en tus métricas clave y, idealmente, que se acumularán en envíos futuros.
Las líneas de asunto son el elemento más probado, y con razón. Pero prueba una variable a la vez. No compares una línea de asunto corta con emoji frente a una larga sin emoji. No sabrás qué variable causó la diferencia. Prueba la longitud en un experimento. La personalización en otro. Pregunta versus afirmación en otro. Emoji versus sin emoji en otro.
El horario de envío está subestimado como variable de prueba. El mismo email enviado a las 6am frente a las 2pm puede mostrar resultados drásticamente diferentes. Las plataformas de Send Time Optimisation (STO) automatizan esto a nivel individual, pero incluso una prueba simple de mañana versus tarde para tu audiencia puede revelar oportunidades significativas.
Los CTA son candidatos de alto impacto para pruebas. El botón versus el enlace de texto, el color del botón, el texto del botón y la posición del botón afectan las tasas de clics. Una prueba de CTA que produce una mejora del 10% beneficia a todos los emails que usan ese formato de CTA en adelante.
Las pruebas de contenido y diseño revelan si tu audiencia prefiere emails extensos o breves, diseños con muchas imágenes o con predominio de texto, y un tema o múltiples temas por envío.
El nombre del remitente es una de las pruebas de mayor valor que puedes realizar. Como el nombre del remitente aparece en cada email que envías, incluso una pequeña mejora en la tasa de apertura derivada de un cambio de nombre del remitente se acumula en todos los envíos futuros. Prueba nombre personal versus nombre de marca versus formato "persona en marca".
La prueba del "email feo". Toma tu hermosa plantilla HTML y pruébala contra una versión de texto sin formato sin imágenes, sin estilos, solo palabras. He visto múltiples casos de estudio donde la versión de texto sin formato gana en contextos B2B, a veces de manera significativa. Es humillante, pero son datos.
Eliminar la imagen principal. Varios casos de estudio han demostrado que eliminar la imagen principal grande de la parte superior de un email mejora las tasas de clics. El email carga más rápido, parece más personal y el CTA sube por encima del pliegue. Vale la pena probarlo con tu audiencia.
Texto de preencabezado versus sin texto de preencabezado. Esta es una de las pruebas de menor riesgo y mayor recompensa que puedes realizar. Si actualmente no usas texto de vista previa intencional, prueba añadirlo. Los datos muestran consistentemente un aumento, y la implementación tarda unos 30 segundos.
Longitud del email. Prueba un email de 100 palabras frente a uno de 400 palabras con la misma oferta y CTA. Puede que descubras que los emails más cortos producen tasas de clics más altas (menos que leer antes del CTA) o que los emails más largos producen tasas de conversión más altas (más contexto genera más deseo). La respuesta depende de tu audiencia, tu oferta y la complejidad de lo que vendes. Los productos simples tienden a beneficiarse de textos más cortos. Las compras complejas y de alta consideración tienden a beneficiarse de más detalles.
Marco de prioridad de pruebas: Clasifica las pruebas potenciales según dos factores: impacto esperado (¿cuánto podría mejorar los resultados?) y efecto acumulativo (¿cuántos envíos futuros se beneficiarán?). Las pruebas con alto impacto y alto efecto acumulativo siempre deben priorizarse. El nombre del remitente, el formato de CTA y la estructura de la plantilla de email encabezan esa lista. Las pruebas de línea de asunto tienen alto impacto pero bajo efecto acumulativo, ya que cada línea de asunto es única.
Significancia Estadística
La mayoría de los especialistas en marketing realizan pruebas A/B de manera incorrecta. Revisan los resultados después de unas horas, ven que una versión está "ganando" y declaran un ganador basándose en datos incompletos. Esto lleva a implementar cambios que en realidad eran solo ruido aleatorio.
Solo aproximadamente 1 de cada 7 pruebas A/B produce un ganador estadísticamente significativo. Eso significa que 6 de cada 7 pruebas terminan en empate donde ninguna versión es significativamente mejor. Esto es normal. Significa que la mayoría de tus prácticas actuales ya son bastante buenas, y las grandes victorias se encuentran en los márgenes.
Pautas de tamaño de muestra:
Para listas pequeñas (menos de 5.000 suscriptores), prueba entre el 20 y el 30% de tu lista. Necesitas una proporción de muestra mayor porque los números totales son pequeños.
Para listas medianas (5.000 a 50.000), prueba entre el 15 y el 25%.
Para listas grandes (más de 50.000), prueba entre el 10 y el 20%. Puedes usar una proporción menor porque los números absolutos son lo suficientemente grandes para alcanzar significancia.
Tiempos de espera para resultados confiables:
Para pruebas de tasa de apertura, 2 horas de datos predicen el ganador con más del 80% de precisión. La mayoría de las aperturas ocurren dentro de las primeras 2 horas de entrega.
Para pruebas basadas en ingresos, deja que la prueba se ejecute un día completo para lograr una precisión del 90%. Los ingresos tardan más en materializarse mientras los suscriptores hacen clic, navegan y eventualmente compran.
Siempre envía ambas versiones de prueba al mismo tiempo el mismo día. Enviar la versión A el martes y la versión B el miércoles no prueba tu variable. Prueba el día de la semana.
Usa una calculadora de significancia. No lo estimes a ojo. Herramientas como la calculadora de significancia de pruebas A/B de VWO, la calculadora de Evan Miller o el indicador de significancia incorporado de tu ESP te dirán si tu resultado es estadísticamente fiable. La mayoría de las calculadoras usan un nivel de confianza del 95%, lo que significa que solo hay un 5% de probabilidad de que la diferencia observada sea aleatoria. No declares un ganador por debajo del 95% de confianza.
Pruebas bayesianas versus frecuentistas. Algunas plataformas (incluidas Klaviyo y Optimizely) usan estadísticas bayesianas en lugar de métodos frecuentistas tradicionales. Las pruebas bayesianas te dan una probabilidad de que una versión sea mejor que la otra (p. ej., "La versión A tiene un 92% de probabilidad de ser la ganadora"), lo que muchas personas encuentran más intuitivo que los valores p e intervalos de confianza. Cualquier enfoque es válido. Lo que importa es que uses uno de ellos en lugar de adivinar.
Sorpresas en Pruebas A/B
Algunos de los resultados de pruebas más instructivos son los que nadie esperaba.
La línea de asunto "Hey" de la campaña de Obama que recaudó 2,5 millones de dólares más que su competidor más cercano sigue siendo el ejemplo más citado. El equipo de email de la campaña quedó atónito. Asumían que las líneas de asunto casuales y personales no funcionarían para la recaudación de fondos políticos. Estaban equivocados.
Las líneas de asunto negativas pueden superar a las positivas. "No cometas este error con tu email" puede vencer a "Cómo mejorar tu email". La aversión a las pérdidas en acción.
Dell probó un GIF versus una imagen estática en un email de producto. El GIF animado que mostraba el producto en uso generó un 109% más de ingresos que la imagen estática. La lección: mostrar un producto en acción, incluso en una animación simple, ayuda al comprador a visualizar la propiedad.
Eliminar imágenes principales de los emails ha mejorado las tasas de apertura a clic en múltiples casos de estudio documentados. La imagen principal grande que parece esencial para el equipo de diseño puede ser en realidad una barrera para el compromiso.
Añadir texto de vista previa produce consistentemente aproximadamente un 5% más de tasa de apertura. Es una de las mejoras más simples y confiables que puedes hacer.
Quizás el hallazgo más contraintuitivo: reducir la frecuencia de email a veces aumenta los ingresos totales. ¿Cómo? Al mejorar la colocación en la bandeja de entrada. Cuando envías con menos frecuencia pero a destinatarios más comprometidos, los proveedores de bandeja de entrada te recompensan con mejor colocación, y los emails que sí envías tienen un rendimiento significativamente mejor. Más no siempre es más. Una advertencia: los cambios de frecuencia siempre deben seguir señales de compromiso, etapa del ciclo de vida e intención del suscriptor, no aplicarse como una palanca universal. Para listas más pequeñas, productos de alto valor, audiencias B2B o marcas que se recuperan de problemas de entregabilidad de correo electrónico, aumentar la frecuencia sin controles de compromiso puede ser contraproducente.
Pruebas multivariables versus pruebas A/B. Las pruebas A/B comparan dos versiones con una variable modificada. Las pruebas multivariables cambian múltiples variables simultáneamente y miden cómo se desempeñan diferentes combinaciones. Las pruebas multivariables son atractivas porque son más rápidas en teoría, probando muchas cosas a la vez. En la práctica, requieren tamaños de muestra mucho más grandes para alcanzar significancia porque estás dividiendo el tráfico entre muchas más variantes. Para la mayoría de las listas de email de menos de 100.000, mantente con las pruebas A/B. Las pruebas multivariables solo se vuelven prácticas a escala significativa.
Mejora Continua
Probar sin un sistema es solo experimentación aleatoria. Necesitas un proceso. Y el encuadre correcto importa: las pruebas A/B no son solo optimizar variables — es aprendizaje estructurado. Cada prueba debe comenzar con un supuesto de comportamiento (no solo "¿ganará el rojo al azul?"), usar métricas de éxito alineadas con ese supuesto y producir un aprendizaje que puedas aplicar más allá del envío individual. Las pruebas con poca potencia, muestras pequeñas e hipótesis vagas pierden tiempo. Las pruebas bien diseñadas con hipótesis claras generan conocimiento compuesto.
El enfoque sistemático de Jeanne Jennings es el que recomendaría: analiza tu rendimiento actual para identificar el eslabón más débil, forma una hipótesis sobre qué podría mejorarlo, prueba esa hipótesis con una prueba A/B adecuada, aplica la variante ganadora y repite. La palabra clave es sistemático. Cada prueba se basa en los aprendizajes de la anterior.
Construye un calendario de pruebas. Gavin Laugenie aboga por planes de pruebas trimestrales vinculados a preguntas de negocio. No pruebes por probar. Empieza con una pregunta: "¿Nuestro nombre de remitente nos está costando aperturas?" o "¿Un email más corto aumentaría los clics?" Luego diseña una prueba para responderla. Documenta los resultados en un lugar compartido para que el conocimiento institucional se acumule.
Cuidado con el exceso de pruebas. Si estás ejecutando múltiples pruebas simultáneamente, o cambiando demasiadas variables a la vez, tendrás dificultades para atribuir resultados y corres el riesgo de fatigar tu lista. Una prueba bien diseñada por envío es suficiente.
El efecto compuesto de la optimización es donde vive el valor real. Una mejora del 2% en la tasa de apertura de tu serie de bienvenida puede parecer trivial. Pero esa mejora afecta a cada nuevo suscriptor desde ahora hasta que la cambies de nuevo. Con miles de suscriptores y meses de envíos, una mejora del 2% en un flujo fundamental se traduce en ingresos significativos.
Prioriza probar tus flujos automatizados sobre las campañas. Las pruebas de campaña mejoran un solo envío. Las pruebas de flujo mejoran cada envío a través de ese flujo de ahora en adelante. Si tienes capacidad de prueba limitada, enfócala en tu serie de bienvenida, tu secuencia de carrito abandonado y tu seguimiento post-compra. Estos son tus flujos de mayor volumen y mayor valor, y las mejoras se acumulan indefinidamente.
Documenta todo en un registro de pruebas. Como mínimo, registra: qué probaste, la hipótesis, los tamaños de muestra para cada variante, los resultados con nivel de confianza, la fecha y qué decidiste implementar. Con el tiempo, este registro se convierte en uno de los activos más valiosos de tu programa de email. Te evita volver a probar cosas que ya has probado, y revela patrones entre pruebas que los resultados individuales podrían no detectar.
Send Time Optimisation
Send Time Optimisation (STO) usa datos sobre el compromiso pasado de cada suscriptor para predecir el momento óptimo para entregar cada email. En lugar de enviar tu lista completa a las 10am del martes, STO pone en cola cada email para el momento en que ese suscriptor específico tiene más probabilidades de comprometerse.
Cómo funciona: La plataforma rastrea cuándo cada suscriptor ha abierto e hecho clic históricamente en los emails. Construye un modelo de patrones de compromiso por suscriptor (persona madrugadora, verificador a la hora del almuerzo, navegador nocturno) y pone en cola la entrega en consecuencia. Para nuevos suscriptores con datos de compromiso insuficientes, la plataforma generalmente recurre a promedios a nivel de audiencia hasta que se acumulen suficientes datos individuales.
Comparación de plataformas:
| Plataforma | Característica | Método |
|---|---|---|
| Klaviyo | Smart Send Time | ML por individuo |
| Seventh Sense | AI Send Time | Análisis profundo por contacto |
| ActiveCampaign | Predictive Sending | Patrones por contacto |
| Mailchimp | STO | Nivel de audiencia (no individual) |
| Brevo | STO | Predicción por contacto |
Aquí hay más contexto sobre cada uno:
El Smart Send Time de Klaviyo usa aprendizaje automático para predecir la entrega óptima a nivel de suscriptor individual. Está disponible en la mayoría de los planes y funciona bien para el comercio electrónico.
Seventh Sense ofrece el análisis más profundo por contacto e integra con HubSpot y Marketo. Es la opción más sofisticada para B2B y empresas.
El Predictive Sending de ActiveCampaign construye patrones por contacto y optimiza el tiempo de entrega. Buena opción para B2B de pequeño a mediano tamaño.
Send Time Optimisation de Mailchimp funciona a nivel de audiencia, no individual. Encuentra el mejor momento para tu audiencia en su conjunto, lo cual es menos preciso pero sigue siendo mejor que adivinar.
El STO de Brevo ofrece predicción por contacto y está incluido en su plataforma de marketing.
Resultados: STO típicamente ofrece una mejora del 5 al 15% en las tasas de apertura. Es un aumento sustancial para una función que no requiere trabajo adicional después de la configuración.
Cuándo STO no ayuda:
Contenido con límite de tiempo. Si tu email trata sobre una venta flash que termina en 4 horas, no puedes distribuirlo durante 24 horas. Algunos mensajes necesitan llegar a una hora específica.
Listas pequeñas de menos de 1.000. Los modelos necesitan suficientes datos para encontrar patrones. Con listas muy pequeñas, las predicciones no son lo suficientemente confiables para superar la estimación informada.
Emails transaccionales. Las confirmaciones de pedidos, restablecimientos de contraseña y notificaciones de envío deben llegar inmediatamente. Retrasar su entrega para un "tiempo de compromiso óptimo" frustraría a los clientes.
Hallazgos generales de temporización a partir de datos amplios:
Los emails enviados entre las 4am y las 6am tienden a producir las tasas de apertura más altas, porque están en la parte superior de la bandeja de entrada cuando el suscriptor se despierta y revisa su teléfono. Esto no significa que las 4am sea el horario de envío correcto para tu audiencia, pero explica por qué los envíos de madrugada a menudo superan a los de mediodía.
El martes y el jueves tienden a ser los días de mejor rendimiento para el email B2B. Las bandejas de entrada del lunes están llenas del fin de semana. La atención del viernes ya se ha desplazado hacia el fin de semana. Entre semana alcanza el punto óptimo.
Para B2C y comercio electrónico, los fines de semana pueden superar a los días laborables para ciertos segmentos (moda, comida, entretenimiento) porque los suscriptores tienen más tiempo de navegación de ocio.
Pero aquí está la conclusión real: estas son generalizaciones. Tu audiencia es específica. Las herramientas de STO existen porque el "mejor" horario de envío varía no solo por audiencia, sino por individuo. Usa los hallazgos generales como punto de partida, luego deja que los datos y los algoritmos refinen desde ahí.
El manejo de zonas horarias es el primo olvidado de la optimización del horario de envío. Si tu audiencia abarca múltiples zonas horarias (y si tienes suscriptores internacionales, lo hace), enviar a las 10am en tu zona horaria significa que algunos suscriptores lo reciben a las 3am. La mayoría de los ESP ofrecen envío basado en zonas horarias que entrega a la misma hora local para cada suscriptor. No es tan preciso como el STO completo, pero es un paso significativo por encima de enviar todo a la vez. Para audiencias distribuidas globalmente, el envío por zona horaria es lo mínimo antes de que incluso consideres el STO.
Construyendo una Cultura de Pruebas
Los programas de email más exitosos con los que he trabajado comparten un rasgo común: tratan cada envío como una oportunidad de aprendizaje, no solo como una difusión. Preguntan "¿qué aprendimos?" tan frecuentemente como "¿cómo se desempeñó?"
Esto significa documentar los resultados de las pruebas donde el equipo pueda encontrarlos. Significa celebrar los resultados negativos (saber que algo no funciona es valioso). Significa asignar tiempo y envíos específicamente para pruebas en lugar de llenar cada espacio con campañas centradas en ingresos.
Dedica al menos el 20% de los envíos de tu campaña a probar algo. No todas las pruebas producirán un ganador. Pero a lo largo de un año, las victorias que emerjan se acumularán en un programa que funciona significativamente mejor que donde empezaste.
Comparte los resultados de las pruebas entre equipos. Tus conocimientos de pruebas de email no existen en un vacío. Una prueba de línea de asunto que revela que tu audiencia responde mejor al encuadre negativo tiene implicaciones para tu copy publicitario, los titulares de tu página de destino y los mensajes de tu producto. Una prueba de CTA que muestra que el copy en primera persona supera al de segunda persona se aplica en todos los lugares donde escribes llamadas a la acción. Las pruebas de email son a menudo la forma más rápida y económica de aprender sobre las preferencias de tu audiencia porque el ciclo de retroalimentación es tan ajustado.
Cuando una prueba no produce un ganador. Los resultados no concluyentes siguen siendo resultados. Te dicen que la variable que probaste no importa mucho para tu audiencia, lo que te libera para dejar de preocuparte por ella y enfocar tu energía de optimización en otra parte. Si probaste el color del botón y no encontraste diferencias significativas entre rojo y verde, ahora sabes que el color del botón no es una palanca para ti. Pasa a algo que sí lo sea.
Las pruebas no son una fase. Son una práctica.