La tasa de abandono es el porcentaje de usuarios que abandonan un proceso definido, como un flujo de pago, un formulario de registro o una solicitud de varios pasos, antes de completarlo. Suele calcularse en cada paso individual de una secuencia, mostrando qué proporción de los usuarios que llegaron a ese paso no pasó al siguiente, lo que la distingue de una simple tasa de rebote, que solo mide salidas de una única página sin ningún sentido de secuencia o progreso. Por ejemplo, si 1000 usuarios inician un pago de tres pasos y 700 llegan al segundo, la tasa de abandono entre el primer y el segundo paso es del 30 por ciento, una cifra que indica de inmediato a un equipo en qué punto del proceso se necesita con más urgencia atención, y no simplemente dónde el proceso resulta lento. La tasa de abandono también puede expresarse mediante su inversa, la tasa de finalización paso a paso, y ambos enfoques suelen mostrarse juntos en los informes para que las partes interesadas que revisan un embudo vean de inmediato tanto cuánto se retuvo como cuánto se perdió en cada transición.
Esta métrica es importante porque señala con exactitud en qué punto un proceso pierde a las personas, en lugar de informar solo de una tasa de conversión agregada de todo el embudo. Un proceso de pago con una tasa de conversión global del 40 por ciento puede estar perdiendo a la mayoría de sus clientes potenciales en un único punto de fricción, como un coste de envío inesperado revelado tarde, un paso obligatorio de creación de cuenta o un campo confuso del formulario de pago, y el análisis del abandono por paso es precisamente lo que hace visible ese punto concreto en lugar de enterrarlo en una única cifra combinada. Sin esta granularidad, los equipos suelen abordar la parte equivocada de una experiencia, puliendo pasos que nunca fueron el problema real mientras el verdadero cuello de botella permanece intacto durante meses, a veces durante trimestres fiscales enteros.
La tasa de abandono suele seguirse con herramientas de analítica basadas en eventos, como los informes de exploración de embudos de Google Analytics 4, Mixpanel o Amplitude, que requieren que cada paso de un flujo se instrumente como un evento o una vista de página distinta para que la herramienta pueda calcular con exactitud la retención paso a paso. Las herramientas de grabación de sesiones se utilizan habitualmente junto con estos informes cuantitativos para ver sesiones reales de usuarios que abandonaron, y revelan motivos cualitativos, como un campo de formulario roto, un mensaje de error confuso o una página de carga lenta, que los números por sí solos no pueden explicar por muy granular que sea el informe. Los analistas suelen considerar abandonos entre pasos superiores al 20 o 25 por ciento como una señal que merece una investigación más profunda, aunque los umbrales aceptables varían de forma significativa según el sector, el rango de precios y la complejidad inherente del flujo que se mide, y las compras de alta consideración toleran de forma natural un abandono algo mayor que las transacciones impulsivas de bajo coste.
Un error común es tratar la tasa de abandono como algo intrínsecamente malo y aspirar a eliminarla por completo; cierto abandono en cada paso es normal y esperable, ya que no todo visitante que inicia un flujo es un comprador cualificado o realmente preparado en ese momento. Otro riesgo es analizar el abandono de forma aislada de la calidad del tráfico, ya que un pico repentino de abandono puede reflejar un cambio en la mezcla de visitantes, como una nueva campaña publicitaria que atrae tráfico menos cualificado, y no un problema nuevo real del propio flujo. Segmentar el abandono por fuente de tráfico, tipo de dispositivo y condición de visitante nuevo o recurrente es necesario para evitar sacar la conclusión equivocada y perseguir la solución de un problema que en realidad no existe en la experiencia subyacente. Comparar el abandono en una ventana móvil, por ejemplo semana a semana y no en un solo día, también ayuda a distinguir una regresión real del ruido diario normal de un conjunto de datos más pequeño.
En el trabajo de CRO, el análisis de la tasa de abandono suele ser el punto de partida para priorizar qué parte de un embudo probar primero, ya que el paso con mayor abandono en relación con su volumen de tráfico suele representar la mayor oportunidad de ingresos recuperables. Los consultores lo utilizan para elaborar una lista ordenada de puntos de fricción, validar las causas sospechadas mediante pruebas con usuarios o grabaciones de sesiones y luego diseñar experimentos específicos, como simplificar un formulario, aclarar antes los precios o añadir señales de confianza junto a un campo de pago, orientados concretamente a reducir el abandono en ese paso identificado, en lugar de hacer cambios amplios y poco enfocados en toda la experiencia sin una teoría clara de qué moverá la cifra.
Más términos que empiezan por D
Patrón oscuro (Dark Pattern)Diseño de paneles (Dashboard Design)Gobernanza de datos (Data Governance)Capa de datos (data layer)Calidad de datos (Data Quality)Almacén de datos (Data Warehouse)Diseño basado en datos (Data-Driven Design)Definición de hecho (Definition of Done)Crítica de diseño (Design Critique)Deuda de diseño (Design Debt)Design Ops (operaciones de diseño)Sprint de diseño (design sprint)
