Solo alrededor de un tercio de las ideas probadas en la plataforma de experimentación de Microsoft mejoraron la métrica que estaban diseñadas para mejorar, y Netflix ha situado su propia tasa de éxito más cerca de uno de cada diez (Kohavi y Longbotham, 2015Si la mayor parte de tu lista de tareas pendientes es incorrecta, el orden en que la pruebes determinará la mayor parte del retorno que obtendrás. Esta guía está dirigida a responsables de CRO y propietarios de productos que ya tienen más ideas de prueba que tráfico. Evaluamos las mismas tres ideas con ICE, PIE, PXL y RICE, mostramos por qué los cuatro ordenamientos discrepan, proporcionamos una regla para elegir entre ellos y añadimos el criterio que falta en los cuatro: si una prueba puede alcanzar significancia antes de que finalice el trimestre.
En qué se basa realmente cada marco de trabajo
Los cuatro arrojan un resultado numérico, pero ninguno mide lo mismo. Cada uno es menos un sistema de puntuación que una opinión concisa sobre qué factores hacen que una prueba valga la pena realizarla.
| Marco conceptual | Ingresos | Fórmula | Natural | La apuesta que codifica |
|---|---|---|---|---|
| HIELO | Impacto, confianza, facilidad, cada uno de 1 a 10 | Yo × C × E | Sean Ellis, práctica de crecimiento | El juicio de los expertos es la señal más barata |
| PIE | Potencial, Importancia, Facilidad, cada uno de 1 a 10 | Promedio de los tres | Chris Goward, WiderFunnel (ahora Conversión) | El lugar donde se realizan las pruebas importa más que lo que se cambia. |
| PXL | ~9 preguntas mayormente binarias, algunas con ponderación de 0 o 2. | Suma, de un máximo fijo | Mira Laja, CXL, 27 de septiembre de 2016 | La evidencia que respalda una idea supera la confianza en ella. |
| ARROZ | Alcance (personas por período), Impacto (0.25 a 3), Confianza (50/80/100%), Esfuerzo (persona-meses) | (R × I × C) / E | Sean McBride, Intercom, 5 de enero de 2018 | Impacto de la puntuación por unidad de trabajo |
Dos correcciones antes de adoptar una. PXL se concibió como una crítica a otros marcos de CRO: el argumento de Laja es que si se pudiera predecir con certeza el potencial o la confianza, no se necesitaría una prueba. Además, la página canónica de PIE define los criterios, pero no publica ninguna escala ni fórmula, por lo que cada equipo inventa la suya propia. El dominio widerfunnel.com ahora redirige a conversion.com, por lo que el marco que citan la mayoría de las presentaciones de CRO no tiene una especificación principal actualizada.
El mismo retraso, puntuado de cuatro maneras
Tres pruebas realizadas a candidatos de una empresa minorista de tamaño mediano. Las cifras son ilustrativas y no representan datos del cliente.
- A. Desglose de cuotas (taksit) dentro del bloque de precios de la página del producto. 180,000 visualizaciones de la página del producto al mes, con el apoyo de análisis y tickets de comentarios de los clientes.
- B. Eliminar la creación obligatoria de cuenta durante el proceso de pago. Se inician 12 000 procesos de pago al mes, con el apoyo de sesiones de usabilidad, grabaciones, análisis y contactos de soporte.
- C. Redacta el titular principal de la página de inicio. 220,000 sesiones mensuales en la página de inicio, sin estudios que lo respalden, propuesta presentada en un taller.
| Prueba | ARROZ | HIELO | PIE | PXL (de 12) |
|---|---|---|---|---|
| A: Desglose de la cuota | 144,000 (1st) | 294 (2º) | 7.0 (2º) | 10 (1st) |
| B: sin cuenta forzada | 18,000 (3.º) | 405 (1st) | 6.3 (3.º) | 9 (2º) |
| C: titular principal | 55,000 (2º) | 144 (3.º) | 7.3 (1st) | 6 (3.º) |
Cada prueba resulta ganadora bajo al menos un marco de referencia. La discrepancia radica en que los marcos de referencia cumplen su función:
- RICE pone un primer Porque Reach es un recuento de empleados sin procesar. En cualquier embudo de conversión normal, ocultará el proceso de pago y el trabajo con la cuenta.
- ICE pone a B primero Porque un profesional sénior califica la creación forzada de cuentas con un Impacto de 9, Confianza de 9, y ICE multiplica opinión por opinión. Cambia al evaluador, cambia la hoja de ruta.
- PIE pone a C primero porque la página de inicio tiene el tráfico más valioso y el contenido es trivial de enviar. PIE fue construido para elegir paginas; se le pidió que clasificara cambiosRecompensa las ediciones baratas de plantillas importantes.
- PXL pone a C en último lugar porque C obtiene cero puntos en las cuatro preguntas sobre evidencia. Es el único marco que penaliza estructuralmente una intuición en lugar de confiar en que el evaluador sea honesto sobre su nivel de confianza.
¿Cuál usar?: elige según tu restricción de enlace.
| Restricción vinculante | Usar | Gracias |
|---|---|---|
| Aún no hay datos de investigación, primeras diez pruebas | ICE, con anclas escritas | Funciona únicamente por criterio. Trate el resultado como una cola, no como una clasificación. |
| El equipo sigue poniendo a prueba las opiniones y perdiendo. | PXL | Las preguntas con evidencia binaria son difíciles de inflar. |
| Capacidad de ingeniería, no tráfico | ARROZ | Es la única con denominador, por lo tanto, la única que optimiza el rendimiento. |
| Elegir en qué página o plantilla trabajar | PIE | Diseñado para esa pregunta. |
| Traffic | Nadie solo | Los cuatro desconocen si una prueba puede finalizar. Añade la puerta a continuación. |
Faltan los cuatro porteros: ¿podrá terminar esta prueba?
El alcance no es lo mismo que la detectabilidad. Compruebe la viabilidad antes de puntuar, utilizando la aproximación normal para una prueba bilateral con un nivel de significancia del 95 % y una potencia del 80 %:
n per variant ≈ 15.7 × p × (1 - p) / d²
dónde p es la tasa base de la métrica que está moviendo y d es el incremento absoluto que se desea detectar. Aplicado al backlog anterior:
| Prueba | Métrica y línea de base | MDE | Por variante | Semanas |
|---|---|---|---|---|
| A | Visor PDP para comprar, 2.0% | 5% relativo (0.1 pp) | ~ 307,700 | ~ 14 |
| A | Visor PDP para comprar, 2.0% | 10% relativo (0.2 pp) | ~ 76,900 | ~4 |
| B | El proceso de pago comienza a comprar, 55% | 5% relativo (2.75 pp) | ~ 5,140 | ~4 |
La prueba que RICE clasificó en primer lugar no se puede leer durante un trimestre con la sensibilidad que la mayoría de los equipos asumen, mientras que la prueba que RICE clasificó en último lugar se termina en un mes. A se basa en un 2 % y B en un 55 %, y el tamaño de la muestra está determinado por p(1-p)/d²No por cuántas personas vieron la página. También se vuelve factible en el momento en que se declara que el 10 % es el incremento mínimo que merece la pena considerar, lo que convierte el efecto mínimo detectable en una decisión de priorización en lugar de un detalle estadístico. Decídalo en la misma reunión que la puntuación y elija una calculadora para todo, ya que las diferentes aproximaciones de varianza no coinciden exactamente: De Evan Miller y conectar Calculadora de pruebas A/B de Switas Ambos están bien.
Categorías de viabilidad
- Dos semanas o menos. Verde. Anótalo y corre.
- De dos a cuatro semanas. Ámbar. Ejecútalo solo, cubriendo al menos dos ciclos semanales completos.
- De cuatro a ocho semanas. Rojo para una prueba A/B estándar. Aumente el MDE, cambie a una métrica base más alta o utilice un diseño secuencial con una regla de parada preregistrada.
- Durante ocho semanas. No realices pruebas A/B. Lanza el producto basándote en criterios específicos y métricas de referencia, o realiza un estudio cualitativo.
Esta puerta importa más aquí de lo que supone la literatura CRO en inglés. El volumen de comercio electrónico de Turquía alcanzó los 4.567 billones de liras en aproximadamente 634,000 empresas en 2025 (Ministerio de Comercio, 12 de mayo de 2026), un promedio de aproximadamente 7.2 millones de liras por empresa al año, y la distribución está sesgada hacia un puñado de mercados, por lo que el comerciante típico se encuentra muy por debajo de esa cifra. Un sitio que realiza unos pocos cientos de pedidos al mes no puede soportar una prueba de pago en ningún MDE útil. Para esos sitios, el resultado honesto de la priorización es una hoja de ruta de investigación y medición, no una hoja de ruta de pruebas.
Hacer que las puntuaciones tengan sentido
- Escribe los puntos de referencia antes de calificar. El indicador Impacto 3 en RICE debe tener un significado en su moneda, por ejemplo, "incrementa la tasa de conversión de compras en más de un 5 % relativo". Sin puntos de referencia, las puntuaciones varían dentro de una misma sesión.
- Nivel de confianza del límite según el nivel de evidencia. Sin investigación, el porcentaje máximo es del 50%; solo análisis, del 80%; y análisis, cualitativos y un éxito previo relacionado, del 100%. Esto incorpora la disciplina de PXL al modelo RICE.
- Calculemos a ciegas y conciliemos primero las diferencias más amplias. Tres personas que puntúan de forma independiente y luego discuten solo los elementos que difieren en tres puntos o más, tardan unos cuarenta minutos para treinta elementos.
- Registro de la puntuación prevista frente al resultado real. Tras diez lecturas, compruebe si las puntuaciones de Impacto se correlacionan con los efectos observados. Si no es así, la escala es meramente decorativa y debería cambiar a PXL.
- Nunca compares puntuaciones entre diferentes marcos de trabajo. Una puntuación RICE de 144,000 y una puntuación PXL de 10 no guardan relación alguna.
Aquí es donde se produce el fallo
Estos marcos clasifican las ideas, no las mejoran. Una hipótesis débil que obtiene 11 de 12 puntos en PXL sigue siendo débil, y ningún modelo le dirá que el problema real se encuentra antes de la página que está probando. Límites específicos:
- El esfuerzo es el dato menos fiable y nadie lo vuelve a evaluar. El denominador de RICE es el número con mayor probabilidad de ser erróneo por un factor de dos, y eso altera el orden de clasificación más que una puntuación de impacto errónea.
- Ninguno de los cuatro modelos interactúa. Si se realizan tres pruebas en un mismo embudo simultáneamente, los resultados no revelan nada sobre posibles interferencias.
- Alcance en personas por mes descansos para negocios de temporada. Los sectores de viajes y educación deberían puntuar el alcance a lo largo de un ciclo estacional completo, o en comparación con el mismo período del año anterior.
- Las dependencias son invisibles. Una puntuación compartida entre la cartera de pruebas y la hoja de ruta del producto también favorece a la parte que tenga más tráfico.
[DATOS INTERNOS NECESARIOS: Tasa de éxito de Switas por pilar durante los últimos 24 meses, para reemplazar las cifras de tasa de éxito del sector con datos propios.]
[DATOS INTERNOS NECESARIOS: un registro de pedidos pendientes de clientes anonimizado, evaluado según dos marcos de trabajo, para reemplazar el ejemplo ilustrativo.]
Preguntas frecuentes
¿Es RICE mejor que ICE para el trabajo de CRO?
No inherentemente. RICE suma el alcance y coloca el esfuerzo en el denominador, lo cual ayuda cuando la capacidad de entrega es el cuello de botella, pero favorece las páginas con mucho tráfico. Use RICE cuando el tiempo de ingeniería sea limitado, e ICE cuando no lo sea.
¿Qué puntuación es suficiente para realizar una prueba?
Ninguno de los cuatro tiene un umbral absoluto. Las puntuaciones son ordinales: indican qué hacer a continuación, no si vale la pena hacerlo. El umbral absoluto es la viabilidad. Si una prueba no alcanza la significación estadística en ocho semanas, su puntuación es irrelevante.
¿Podemos combinar dos marcos de trabajo?
Combinar los resultados carece de sentido porque las escalas no están relacionadas. Combinar los insumos no. Limitar el nivel de confianza de RICE con las preguntas de evidencia de PXL es un híbrido adecuado y el que usamos con mayor frecuencia.
¿Funciona PXL para sitios web que no sean de comercio electrónico?
Las preguntas sobre evidencia se aplican a cualquier producto. Las preguntas sobre diseño presuponen una página de marketing y resultan poco útiles para flujos de usuarios registrados. Reemplácelas por preguntas sobre la frecuencia con la que los usuarios interactúan con el elemento en el flujo de tareas.
¿Deberían los sitios con poco tráfico utilizar estos marcos de trabajo?
Sí, para la secuenciación del trabajo, pero dejen de llamar al resultado hoja de ruta de pruebas. En un sitio que no puede ejecutar pruebas, el mismo ejercicio ordena los hallazgos de la auditoría de UX, las preguntas de investigación y el trabajo de desarrollo.
¿Quiénes deberían estar en la sesión de puntuación?
De tres a cinco personas que analizan diferentes evidencias: analistas, investigadores o personal de soporte, y quien sea responsable de la entrega. Calificar por sí solo produce resultados sin sentido; calificar con diez personas produce promedios que no clasifican nada.
Prueba esto en tu propio backlog.
Toma los diez elementos que están en la parte superior de tu lista de prueba, aplica a cada uno la fórmula de viabilidad anterior y cuenta cuántos sobreviven con la sensibilidad que has estado asumiendo. Si más de la mitad no lo hacen, la clasificación nunca fue tu problema. Equipo de CRO y experimentación Realiza esta fase de evaluación y viabilidad como primer paso de un proyecto.
Fuentes
- Kohavi, R. y Longbotham, R. (2015). Experimentos controlados en línea y pruebas A/BCita a Kohavi, Crook y Longbotham (2009) para la cifra de Microsoft, y a Moran (2007) para la de Netflix.
- McBride, S. (5 de enero de 2018). RICE: Priorización sencilla para gerentes de producto, Intercomunicador.
- Laja, P. (27 de septiembre de 2016). PXL: Una mejor manera de priorizar tus pruebas A/B, CXL.
- Marco de priorización PIE, Conversion (anteriormente WiderFunnel), dando crédito a Chris Goward.
- Ministerio de Comercio de Turquía (12 de mayo de 2026). El volumen del comercio electrónico alcanzó los 4.6 billones de liras en 2025..
- Miller, e. Calculadora de tamaño de muestra.
- Switas. Calculadora de prueba A/B.
