API de marketing

Pruebas A/B

Prueba diferentes estrategias de publicidad en audiencias mutuamente exclusivas para ver lo que funciona. La API automatiza la división de la audiencia, garantiza que no haya superposición entre grupos y te permite probar diferentes variables. Prueba el impacto de diferentes tipos de audiencia, técnicas de optimización de entrega, ubicaciones y contenido de los anuncios o presupuestos, entre otras posibilidades. Tú o tu socio de marketing podéis crear, iniciar y ver los resultados de la prueba en un solo lugar. Consulta la referencia sobre el estudio del anuncio.

Directrices

  • Define los KPI con tu socio de marketing o el equipo interno al crear una prueba.
  • Nivel de confianza: determínalo antes de crear una prueba. Las pruebas con un alcance mayor, calendarios más extensos o presupuestos más altos suelen generar resultados estadísticamente más significativos.
  • Selecciona solo una variable por prueba. Ayudará a determinar la causa más probable de la variación en el rendimiento.
  • Tamaños de prueba comparables: cuando pruebes los resultados de volumen (por ejemplo, el número de conversiones), deberás escalar el tamaño de los resultados y la audiencia para que ambos se puedan comparar.

Restricciones de la prueba

  • Número máximo de estudios simultáneos por anunciante: 100
  • Número máximo de celdas por estudio: 150
  • Número máximo de entidades por celda: 100

Pruebas variables

Aunque puedes probar muchos tipos de variables diferentes, te recomendamos que uses uno solo cada vez. Así se garantiza la integridad científica de la prueba y se puede identificar cuál es la diferencia específica que genera el mejor rendimiento.

Por ejemplo, imagina una prueba A/B con un conjunto de anuncios A y otro B, donde A usa conversiones como método de optimización de entrega y ubicaciones automáticas, y B usa clics en el enlace para la optimización de entrega y ubicaciones personalizadas. En este caso, no podrías determinar si los diferentes métodos de optimización de entrega o las distintas ubicaciones generaron un mejor rendimiento.

En este ejemplo, si ambos conjuntos de anuncios usaran conversiones para la optimización de entrega y ubicaciones diferentes, sabrías que la estrategia de ubicación es responsable de las diferencias en el rendimiento.

Para configurar esta prueba a nivel del conjunto de anuncios:

curl \
-F 'name="new study"' \
-F 'description="test creative"' \ 
-F 'start_time=1478387569' \
-F 'end_time=1479597169' \
-F 'type=SPLIT_TEST' \
-F 'cells=[{name:"Group A",treatment_percentage:50,adsets:[<AD_SET_ID>]},{name:"Group B",treatment_percentage:50,adsets:[<AD_SET_ID>]}]' \
-F 'access_token=<ACCESS_TOKEN>' \ https://graph.facebook.com/<API_VERSION>/<BUSINESS_ID>/ad_studies

Estrategias de prueba

Puedes contrastar dos o más estrategias. Por ejemplo, ¿tienen un impacto mayor en el marketing de respuesta directa los anuncios con el objetivo de conversión que los que tienen el objetivo de visitas en el sitio web? Para configurar esta prueba a nivel de campaña:

curl \
-F 'name="new study"' \
-F 'description="test creative"' \ 
-F 'start_time=1478387569' \
-F 'end_time=1479597169' \
-F 'type=SPLIT_TEST' \
-F 'cells=[{name:"Group A",treatment_percentage:50,campaigns:[<CAMPAIGN_ID>]},{name:"Group B",treatment_percentage:50,campaigns:[<CAMPAIGN_ID>]}]' \
-F 'access_token=<ACCESS_TOKEN>' \ https://graph.facebook.com/<API_VERSION>/<BUSINESS_ID>/ad_studies

Evaluar pruebas

Para determinar qué prueba puede ofrecer mejores resultados, elige una estrategia o una variable que logre el resultado de eficacia más elevado en función del objetivo de la campaña. Por ejemplo, para probar el objetivo de conversión, el conjunto de anuncios que obtenga el coste por acción (CPA) más reducido ofrecerá el mejor rendimiento.

Evita evaluar pruebas con tamaños de grupos de prueba desiguales o tamaños de audiencias considerablemente diferentes. En este caso, aumenta el tamaño y los resultados de una prueba para que puedan compararse con las demás. Si el presupuesto no es proporcional al tamaño del grupo de prueba, debes considerar el volumen de los resultados, además de la eficacia.

También debes usar un modelo de atribución que tenga sentido para tu empresa y consensuarlo antes de iniciar una prueba A/B. Si es necesario reevaluar el modelo de atribución actual, ponte en contacto con tu representante de Facebook para realizar un estudio de mejora. Esto puede mostrar el impacto causal real de las acciones de conversión y marketing de marca.

Presupuestos

Si lo deseas, puedes usar presupuestos personalizados con las pruebas A/B y contrastar presupuestos diferentes. No obstante, el presupuesto afecta directamente al alcance en los grupos de prueba. Si los grupos de prueba registran grandes diferencias en cuanto a alcance o tamaño de la audiencia, aumenta el presupuesto para mejorar los resultados y conseguir unas pruebas comparables.