# ¿Cuánto tráfico necesitas para hacer A/B testing?

> La respuesta honesta tiene tres variables y ningún adorno comercial. Cómo calcularla para tu web y qué hacer cuando el número sale demasiado grande.

- Source: https://bixlow.com/es/blog/cuanto-trafico-necesitas-para-ab-testing
- Language: es
- Published: 2026-09-30T09:00:00.000Z
- Updated: 2026-10-06T09:28:18.400Z
- Author: fernando
- Topics: tamaño de muestra, A/B testing, significancia estadística, poco tráfico, efecto mínimo detectable, marcas nuevas, CRO
- Publisher: Bixlow

---
"¿Cuánto tráfico necesito?" es la primera pregunta que hace toda marca antes de empezar a experimentar, y casi siempre se responde mal: o con una cifra redonda que asusta como "100.000 visitas al mes", o con un tranquilizador "¡vale cualquier tráfico!". Ninguna es cierta, porque la respuesta no es un número. Es una función de tres cosas que tú controlas.

## Las tres variables

**Tu conversión de partida.** Cuanto más baja, más sesiones necesitas. Convertir al 0,8% es muchísimo más caro de testear que convertir al 6%, porque los eventos raros necesitan muestras mayores para distinguirse del azar.

**El efecto mínimo detectable.** Cómo de grande tiene que ser la mejora para que puedas verla. Es la variable que todo el mundo olvida y la que más palanca tiene: reducir a la mitad el efecto que quieres detectar multiplica por cuatro la muestra que necesitas.

**Tu confianza y tu potencia.** Por convención, 95% de confianza y 80% de potencia. La confianza es tu tolerancia a declarar ganador algo que no lo es; la potencia es tu tolerancia a perderte un ganador real.

Fíjate en lo que no está en la lista: el número de variantes solo importa porque divide tu tráfico, y la herramienta que uses no importa en absoluto. Quien te venda una plataforma que "necesita menos tráfico" te está vendiendo un umbral de confianza más bajo con mejor nombre.

## Números reales

Al 95% de confianza y 80% de potencia, sesiones necesarias **por variante**:

| Conversión base | Detectar +10% | Detectar +20% | Detectar +50% |
|---|---|---|---|
| 1% | ~62.000 | ~16.000 | ~3.000 |
| 2% | ~31.000 | ~8.000 | ~1.400 |
| 5% | ~12.000 | ~3.100 | ~550 |
| 10% | ~5.600 | ~1.450 | ~260 |

Léelo como un menú, no como una sentencia. Una marca con un 2% de conversión y 500 sesiones diarias en sus fichas tiene 250 por variante y día. Detectar un +20% le lleva un mes. Detectar un +10%, cuatro meses. Detectar un +50%, menos de una semana.

Bixlow hace este cálculo con tus datos reales cuando configuras un experimento: lee tu conversión de partida de tu propio tráfico en vez de pedirte que la adivines, y te enseña la duración esperada antes de lanzar. Si el número es absurdo te enteras en la pantalla de configuración, no ocho semanas después.

## La palanca que nadie usa: elegir mejor métrica

La tabla de arriba habla de conversión a compra. Pero no siempre tienes que medir la compra.

Si tu test cambia algo en la ficha de producto, el add-to-cart ocurre unas ocho veces más a menudo que la compra. Medir el add-to-cart como métrica principal reduce la muestra necesaria más o menos en la misma proporción. El trade-off es real —las subidas de add-to-cart no siempre sobreviven hasta la facturación—, y por eso se acompaña de un guardrail sobre el revenue por sesión.

Es una técnica legítima cuando se usa con honestidad: mide el evento más cercano al cambio que has hecho y protege el evento que de verdad te importa. Se vuelve deshonesta cuando falta el guardrail y el número de add-to-cart acaba en el informe como si fuera facturación.

## Cuando el número sí es demasiado grande

A veces la respuesta honesta es que no puedes testear esa hipótesis. Eso es información, no un fracaso. Tres cosas que hacer con ella:

**Muévela aguas arriba.** No puedes detectar una mejora del 5% en el checkout, pero probablemente sí puedas detectar si una landing completamente distinta para tu tráfico de Meta funciona, porque ese efecto es grande.

**Amplía la población.** Si la hipótesis solo aplica a un segmento, puede que el segmento sea demasiado pequeño. A veces la misma idea aplica a toda la web y entonces sí es medible.

**Decide sin testear.** No toda decisión necesita un experimento. Si el cambio es barato, reversible y direccionalmente obvio, publícalo. Guarda tu muestra para las decisiones en las que de verdad no sabes la respuesta y equivocarte sale caro.

## ¿Y los tests secuenciales?

Verás herramientas que anuncian métodos secuenciales de "mira cuando quieras". Son estadística real, no un truco, y sí permiten parar antes cuando el efecto es muy grande. Lo que no hacen es volver detectables los efectos pequeños con muestras pequeñas. Cambian *cuándo* puedes parar, no *cuánta* señal hay en tus datos.

Bixlow usa tests de horizonte fijo con tamaño de muestra declarado, y sencillamente no enseña un ganador hasta que hay evidencia. Es la opción más conservadora y, para equipos sin estadístico en plantilla, la que produce menos decisiones equivocadas.

## Claves

- La respuesta depende de tu conversión de partida, del efecto que quieras detectar y de tu nivel de confianza; no de tu herramienta.
- Reducir a la mitad el efecto que quieres detectar multiplica por cuatro la muestra necesaria.
- Medir un evento más frecuente (add-to-cart en vez de compra) recorta la muestra, pero solo si mantienes un guardrail de facturación.
- "Esto no lo puedes testear" es una respuesta válida y útil. Gasta tu muestra donde de verdad no sepas la respuesta.

---

## Conoce nuestro agente de CRO con IA

Lo que acabas de leer, puesto en marcha por un agente: entiende a tus visitantes, decide qué probar o personalizar, lo construye sobre tu web sin developer y te dice cuándo el resultado es real.

https://bixlow.com/es/ai-cro-agent