Test A/B explicado: la guía completa de 2026

Respuesta rápida

Un test A/B (también llamado split testing) muestra dos versiones de una página o de un elemento a grupos distintos de visitantes reales al mismo tiempo y mide qué versión impulsa más el resultado que te importa: registros, compras, clics o ingresos por visitante. Solo ofrece resultados fiables cuando escribes una hipótesis clara antes de crear cualquier variante, calculas el tamaño de muestra necesario antes de lanzar y dejas que el test llegue hasta el final sin mirar los resultados intermedios.

Conclusiones clave

• El test A/B no consiste en hacer que las páginas se vean mejor, sino en demostrar si un cambio hace que los visitantes tengan más probabilidades de convertir. Implementar cambios sin un grupo de control hace imposible separar el efecto del cambio de la estacionalidad, la mezcla de tráfico o los anuncios.
• Los cuatro pasos en orden: escribe una hipótesis → calcula el tamaño de muestra → ejecuta ambas versiones a la vez → analiza y decide. Saltarse el cálculo del tamaño de muestra o detener el test antes de tiempo son las dos causas más comunes de falsos positivos.
• En todos los tests realizados por grandes empresas tecnológicas, aproximadamente un tercio de las ideas mejora la métrica principal, otro tercio no produce ningún cambio y el tercio restante causa un perjuicio. Esa distribución es la razón por la que testear antes de lanzar es una decisión de gestión de riesgos, y no solo una táctica de marketing.

El test A/B es la forma más directa de responder a la pregunta que tarde o temprano se hace todo equipo de crecimiento: ¿este cambio realmente ayudó? Esta guía explica qué es un test A/B, cómo funciona estadísticamente, cómo ejecutar uno correctamente, qué puedes testear y dónde se equivocan los equipos, con enlaces a las guías específicas que tratan cada tema en profundidad.

¿Qué es un test A/B?

Un test A/B divide el tráfico entrante de forma aleatoria en dos grupos. El grupo A ve la versión original (el control). El grupo B ve una versión modificada (la variante). Ambos grupos se miden con la misma métrica, ya sea la tasa de conversión, la tasa de añadir al carrito, los ingresos por visitante, la tasa de registro o cualquier otro resultado que importe, durante el mismo periodo. Al final, comparas los resultados para determinar si el cambio tuvo un efecto real o si cualquier diferencia queda dentro del ruido de la variación normal.

El requisito fundamental es la simultaneidad. Ejecutar la versión A una semana y la versión B la semana siguiente no es un test A/B: es una comparación de antes y después, vulnerable a cualquier variable externa que pueda haber cambiado entre ambos periodos. Un test A/B bien hecho mantiene constantes en ambos grupos la calidad del tráfico, la estacionalidad, la mezcla de anuncios y los eventos externos, porque todo ese ruido se reparte de forma uniforme entre ellos.

Test A/B y split testing suelen usarse como sinónimos: la diferencia es sobre todo terminológica. El método de fondo es el mismo: dividir la audiencia, exponer a cada grupo a una versión y medir. A qué se refieren "A" y "B" también importa: A es siempre la experiencia actual en producción (el control) y B es la alternativa que la desafía.

¿Por qué hacer tests A/B?

La razón sincera es que la intuición de los expertos es un mal predictor de qué cambios de producto mejoran realmente las métricas. Una investigación del equipo de experimentación de Microsoft ha demostrado que incluso los product managers con experiencia aciertan la dirección del resultado de un test A/B aproximadamente el 50% de las veces, no mejor que lanzar una moneda en muchas decisiones. El argumento a favor del test A/B no es que sustituya al criterio, sino que lo corrige.

El coste de equivocarse es asimétrico. Si lanzas un cambio ganador sin testearlo, no ganas nada que no hubieras podido ganar testeando antes: simplemente tuviste suerte. Si lanzas un cambio perdedor sin testearlo, es posible que no descubras el problema hasta pasadas semanas o meses, porque sin un control activo no hay una referencia limpia con la que detectar la caída. Ese es el argumento central de por qué deberías testear los cambios antes de implementarlos.

Algunos equipos aún se resisten a testear porque les parece lento. Las frustraciones con el test A/B son reales, pero casi siempre se deben a testear las cosas equivocadas (cambios cosméticos menores en páginas con poco tráfico) y no a un problema de fondo de la metodología.

Cómo funciona el test A/B: la mecánica

Cuando un visitante llega a una página donde se está ejecutando un test, la herramienta de testing lo asigna a un grupo de variante, normalmente aplicando un hash a un identificador del visitante (cookie, ID de dispositivo o ID de sesión) junto con la configuración del experimento. Esa asignación es persistente: el mismo visitante siempre ve la misma variante, lo que evita el problema del "cambio de experiencia", en el que un visitante ve versiones distintas en visitas diferentes.

El tráfico se reparte según la asignación que configures, normalmente 50/50 en un test de dos variantes. La herramienta registra el comportamiento posterior de cada visitante hasta que ocurre un evento de conversión o termina la sesión. En la fase de análisis, las tasas de conversión (u otras métricas) de cada grupo se comparan con métodos estadísticos para determinar si la diferencia observada es mayor de la que produciría por sí sola la variación aleatoria.

Puedes ejecutar un test A/B sin cambiar la URL usando una herramienta de testing del lado del cliente. El split testing sin cambiar la URL funciona inyectando los cambios del DOM de la variante antes de que se renderice la página, de modo que ambos visitantes llegan a la misma dirección pero ven experiencias diferentes. Como alternativa, el testing con redirección (split de URL) envía a cada grupo a una URL distinta, algo útil para testear diseños o estructuras de página completamente diferentes.

El marco del test A/B: cinco pasos

Paso 1: escribe una hipótesis testeable

Todo test A/B debería empezar con una hipótesis que especifique tres cosas: qué vas a cambiar, por qué crees que mejorará la métrica y qué métrica esperas que se mueva. La fórmula es:

Cambiar [elemento] de [estado actual] a [estado nuevo] hará que [aumente/disminuya] [métrica] porque [motivo basado en el comportamiento del usuario].

Ejemplo: Cambiar la imagen principal del producto de una foto de catálogo con fondo blanco a una fotografía lifestyle aumentará la tasa de añadir al carrito, porque los compradores visualizarán mejor el producto en uso.

La calidad de las hipótesis es el factor que más influye en el ROI de tu portfolio de experimentos. Las ideas de test A/B de alto impacto surgen de combinar datos analíticos (¿dónde abandonan los visitantes?) con señales cualitativas (¿qué dicen en las encuestas o en las grabaciones?). Un backlog de hipótesis bien estructurado evita que los equipos recurran por defecto a cambios cosméticos sin una justificación basada en el comportamiento.

Paso 2: calcula el tamaño de muestra antes de lanzar

El error estadístico más común en los tests A/B es lanzar un test sin saber cuántos visitantes se necesitan para detectar un efecto real. Sin este cálculo, los equipos o bien paran demasiado pronto (aumentando los falsos positivos) o bien dejan el test funcionando demasiado tiempo (perdiendo tiempo con un resultado que ya era concluyente).

El tamaño de muestra depende de tres datos: tu tasa de conversión base actual, la mejora mínima que quieres detectar (el Efecto Mínimo Detectable, o MDE) y el nivel de confianza estadística que deseas (normalmente el 95%). Usa la calculadora de tamaño de muestra para tests A/B antes de lanzar. Si la muestra necesaria supone más tráfico del que recibe tu página en un plazo razonable, considera probar un cambio mayor, elegir una página con más tráfico o aceptar un MDE más amplio. Cuánto tráfico necesitas realmente varía según la tasa de conversión base: las páginas con baja conversión necesitan muchos más visitantes que las de alta conversión para detectar la misma mejora absoluta.

Paso 3: ejecuta ambas versiones al mismo tiempo

Una vez que el test está en marcha, la principal disciplina es la paciencia. Cuánto tiempo debe durar un test A/B lo determina el cálculo del tamaño de muestra, no el aspecto que tenga el panel un martes por la tarde. El mínimo práctico es siempre al menos una semana completa, porque los patrones de tráfico de los lunes y los sábados suelen ser muy distintos, y un test que dura menos de un ciclo de negocio completo recoge esa variación de forma asimétrica.

El mayor riesgo de ejecución es el peeking: revisar los resultados a mitad del test y pararlo cuando parecen significativos. Cada revisión adicional de un test en curso infla la tasa efectiva de falsos positivos. Un test con un umbral de confianza declarado del 95% que se revisa cinco veces durante su ejecución puede tener una tasa real de falsos positivos del 20–30%. Los métodos de testing secuencial pueden permitir legítimamente una parada anticipada, pero las pruebas de significación frecuentistas estándar no.

En los tests sobre elementos situados debajo del área visible de la página, los tests A/B below the fold requieren filtrar por profundidad de scroll; de lo contrario, las audiencias del control y de la variante no son comparables, porque solo los visitantes que hicieron suficiente scroll llegaron a ver el elemento que se está probando.

Paso 4: analiza los resultados correctamente

Cuando el test alcanza el tamaño de muestra fijado de antemano, fíjate en tres cosas por orden: la significación estadística, la significación práctica y los desgloses por segmento.

La significación estadística te indica con qué probabilidad la diferencia observada se debe al azar. Interpretar correctamente la significación estadística significa leer el valor p en el contexto del umbral que fijaste de antemano, y no buscar significación a posteriori. Por qué el 95% se convirtió en el estándar se debe en parte a la convención, pero refleja un equilibrio práctico entre el riesgo de error de Tipo I y de Tipo II.

La significación práctica es si la mejora medida es lo bastante grande como para justificar implantar el cambio de forma permanente. Una mejora de conversión del 0,2% estadísticamente significativa puede no justificar el coste de mantenimiento de ingeniería que supone mantener una variante activa. Cómo analizar los resultados de un test A/B abarca ambas dimensiones conjuntamente, incluidos los desgloses por segmento según dispositivo, fuente y visitantes nuevos frente a recurrentes: una variante puede ganar en promedio y perjudicar a un subsegmento importante.

Para profundizar en la base estadística, consulta también: errores de Tipo I y de Tipo II, cómo calcular un valor p, cómo calcular la potencia estadística, cómo aumentar la potencia estadística y pruebas de una cola frente a pruebas de dos colas.

Paso 5: implanta, descarta o aprende

Si la variante gana en la métrica principal sin perjudicar las métricas de control, impleméntala. Si pierde, mantén el control y documenta lo que te enseñó el test: los tests perdedores reducen el espacio de búsqueda de futuras hipótesis. Si el resultado es neutro, decide si la complejidad operativa del cambio merece la pena incluso sin evidencia de conversión.

Documenta cada resultado en un registro compartido. El valor acumulativo de un programa de tests A/B proviene de la biblioteca de aprendizajes, no solo de las variantes ganadoras individuales.

Qué puedes testear con tests A/B

Casi cualquier elemento con el que interactúan los visitantes en el camino hacia la conversión se puede testear. Las categorías con mayor impacto son:

Textos y mensajes

Titulares, texto de los CTA, subtítulos, descripciones de producto, planteamiento de precios, lenguaje de urgencia y declaraciones de propuesta de valor. Los tests de textos suelen ser los más rápidos de implementar y los que producen mayores tamaños de efecto en relación con el esfuerzo. El testing A/B en marketing digital abarca conjuntamente los asuntos de email, los textos de anuncios y los mensajes de las landing pages.

Diseño visual y estructura

Imágenes principales, estilo de fotografía de producto (foto de catálogo frente a lifestyle), color y ubicación del botón de CTA, estructura above the fold, ubicación de los sellos de confianza, posición de la prueba social, orden de los campos del formulario y estructura de la página. Dividir el tráfico en rediseños de páginas de colección requiere un tratamiento especial porque la "página" se genera dinámicamente: el enfoque es distinto al de testear una landing page estática.

Precios y presentación de la oferta

Hacer tests A/B en páginas de precios abarca qué plan destacar, cómo plantear la tabla de precios, la opción predeterminada del selector anual o mensual y el texto del CTA de cada plan. En ecommerce en concreto, hacer tests A/B de precios en Shopify tiene sus propias particularidades en cuanto a la visualización de descuentos, los mensajes sobre el umbral de envío y los precios de packs. Para una visión estratégica más profunda de por qué la experimentación de precios es una disciplina propia, consulta las mejores prácticas de experimentos de precios.

Formularios y checkout

Número de campos, etiquetas de los campos, validación en línea, indicadores de progreso, protagonismo del checkout como invitado, orden de los métodos de pago y texto de los mensajes de error. Los cambios en el checkout conllevan el mayor riesgo porque la confianza y la claridad son lo más importante al final del embudo. Monitoriza siempre tanto la tasa de conversión como la tasa de devoluciones cuando hagas tests en el checkout.

Variantes generadas con IA

Los equipos ya usan IA para generar hipótesis y variantes de tests A/B más rápido. Los tests A/B asistidos por IA y el uso de ChatGPT para tests A/B explican cómo dar instrucciones a las herramientas de IA para obtener variantes de texto testeables, alternativas de titulares y conceptos de imagen. Para un flujo de trabajo nativo con ChatGPT dentro de Mida, consulta la integración ChatGPT MCP. El principio clave: la IA acelera la generación de hipótesis, pero los tests A/B siguen siendo la forma de decidir qué idea generada por IA gana.

Enfoques estadísticos: frecuentista vs. bayesiano

La mayoría de las herramientas de tests A/B usan uno de dos marcos estadísticos. Tests A/B frecuentistas vs. bayesianos es una comparación completa de ambos. La versión resumida:

• El test frecuentista calcula un valor p preguntándose: "Si no hubiera una diferencia real, ¿qué probabilidad habría de ver un resultado tan extremo por azar?". Requiere fijar el tamaño de muestra de antemano y no mirar los resultados antes de tiempo. Es la opción por defecto adecuada para la mayoría de los equipos. Para una guía práctica, consulta qué marco elegir.
• El test bayesiano actualiza continuamente la probabilidad de que una variante sea mejor que el control. Permite detener el test antes de forma válida y ofrece resultados más intuitivos ("87% de probabilidad de que la variante sea mejor"), pero exige definir una distribución a priori y es más complejo de implementar correctamente.

Errores comunes que invalidan los tests

El tratamiento detallado está en la guía de errores comunes en los tests A/B, pero los más dañinos son:

• Omitir la validación de la herramienta. Antes de confiar en los resultados de una plataforma nueva, ejecuta un test A/A para confirmar que el tráfico se reparte de forma equitativa y que la herramienta no produce falsos positivos sistemáticos.
• Mirar los resultados y detener el test antes de tiempo. Consultar los resultados antes de alcanzar el tamaño de muestra y parar al ver significancia. Lo que hace esto a tu tasa de falsos positivos es grave: la tasa de error declarada del 5% puede dispararse hasta el 20–30%.
• Testear demasiados elementos a la vez. Combinar titular, imagen, CTA y diseño en una sola variante hace imposible atribuir el resultado a un cambio concreto.
• Elegir la métrica principal equivocada. Testear un flujo de checkout con la tasa de clics como métrica principal en lugar de la tasa de compras completadas. O usar solo la tasa de conversión en ecommerce cuando el ingreso por visitante es la verdadera palanca del negocio.
• Lanzar el test sin suficiente tráfico. Si no puedes alcanzar la muestra necesaria en un plazo razonable, el test no será concluyente. Consulta cuánto tráfico necesitas antes de lanzarlo.
• Ignorar el daño a nivel de segmento. Una variante puede mejorar la conversión media y, al mismo tiempo, perjudicar de forma significativa a los usuarios de móvil o a una fuente de tráfico concreta. Revisa siempre los desgloses antes de publicar.

Tests A/B vs. otros métodos de testing e investigación

vs. User testing

El user testing y los tests A/B son complementarios, no competidores. El user testing es cualitativo: observas a personas reales usar una página y detectas dónde se atascan. Los tests A/B son cuantitativos: miden si un cambio modifica el comportamiento a gran escala. Usa el user testing para formular hipótesis y los tests A/B para validarlas.

vs. Personalización

La personalización y los tests A/B resuelven problemas distintos. Los tests A/B encuentran la mejor versión para el usuario promedio. La personalización muestra contenido diferente a distintos segmentos según sus atributos o comportamiento, sin una estructura de ganador y perdedor. La secuencia correcta es: primero haz un test A/B para descubrir qué funciona en general y después personaliza para ofrecer variantes específicas a audiencias concretas.

vs. Tests multivariante

El testing multivariante (MVT) prueba varios elementos y sus combinaciones al mismo tiempo. Puede identificar efectos de interacción entre cambios que los tests A/B no detectan, pero requiere mucho más tráfico. Para la mayoría de los equipos y de las páginas, los tests A/B son más prácticos que el MVT porque ofrecen resultados concluyentes más rápido y con menos tráfico.

vs. Exploración / explotación

La tensión entre exploración y explotación en los tests A/B trata de cómo repartir el tráfico cuando ya tienes una variante líder. Los algoritmos multi-armed bandit desplazan el tráfico hacia las ganadoras en tiempo real. Los tests A/B tradicionales mantienen la asignación fija durante toda la duración del test. La elección depende de cuánto valor de exploración quieras frente a lo rápido que necesites maximizar el resultado actual.

Tests A/B en contextos específicos

SEO

Los tests A/B mal configurados pueden perjudicar el posicionamiento orgánico. ¿Los tests A/B perjudican al SEO? explica cómo ejecutar tests que Google trate correctamente, incluyendo el manejo de canonicals, los riesgos de cloaking y lo que Googlebot ve realmente mientras hay tests en marcha.

RGPD y privacidad

Los tests A/B conformes con el RGPD dependen de cómo tu herramienta recopile los datos de los visitantes. La asignación basada en cookies requiere consentimiento en la mayoría de las jurisdicciones de la UE, salvo que puedas demostrar un interés legítimo. Algunas herramientas pueden funcionar sin PII mediante una gestión de sesiones sin fingerprinting.

Rendimiento y peso del script

Las herramientas de tests A/B inyectan JavaScript que puede ralentizar la carga de la página. Los benchmarks de velocidad de las herramientas de tests A/B muestran que la elección de la plataforma afecta directamente a las puntuaciones de Core Web Vitals. Las herramientas con scripts de más de 100KB introducen un retraso medible en el LCP. Las plataformas de tests A/B más rápidas explica qué herramientas tienen el menor impacto en el rendimiento.

B2B y generación de demanda

En B2B, la métrica principal rara vez es la tasa de conversión: es la calidad del pipeline. Dónde encajan los tests A/B en el stack de demand gen B2B explica cómo aplicar la experimentación en cada etapa de un ciclo de ventas más largo. Por qué los tests de demand gen y de lead gen necesitan objetivos distintos trata específicamente el problema de la selección de métricas.

Productos de IA y LLM

Por qué el test A/B es la capa de infraestructura que falta en los productos con LLM sostiene que los resultados generados por IA (cadenas de prompts, respuestas del modelo, enfoque de la interfaz) son cambios en la experiencia de usuario y necesitan pruebas controladas como cualquier otro. Los equipos que lanzan mejoras de IA sin un grupo de control no pueden distinguir la mejora del modelo de factores externos que alteran el resultado.

Cómo elegir una herramienta de test A/B

La herramienta adecuada depende del flujo de trabajo de tu equipo, el volumen de tráfico, el stack técnico y tus preferencias estadísticas. Las 17 mejores herramientas de test A/B comparadas cubre todo el panorama por caso de uso. Criterios clave: peso del script (afecta a la velocidad de la página), gestión del anti-flicker (afecta a la calidad de los datos), calidad del editor visual (afecta a la independencia del equipo de marketing), informes estadísticos (frecuentista vs. bayesiano) y límites del plan gratuito.

Mida está diseñada específicamente para la experimentación del lado del cliente liderada por marketing: script comprimido de 15KB, editor visual, informes nativos de GA4 y un plan Sandbox gratuito que cubre hasta 100.000 usuarios probados al mes. Los benchmarks de velocidad independientes la confirman como una de las opciones con menor impacto disponibles.

Preguntas frecuentes

P: ¿Cuál es la diferencia entre el test A/B y el test multivariante? El test A/B compara dos versiones de una sola variable. El test multivariante prueba a la vez varias variables y sus combinaciones. El test A/B necesita menos tráfico y ofrece una atribución más limpia; el test multivariante es útil en páginas con mucho tráfico donde importan los efectos de interacción entre elementos.

P: ¿Cuánto tiempo debe durar un test A/B? Hasta alcanzar el tamaño de muestra calculado antes del lanzamiento, con un mínimo de un ciclo de negocio completo (7 días). Nunca lo detengas antes solo porque los resultados parezcan significativos: eso es peeking y aumenta los falsos positivos. Guía completa sobre la duración de un test A/B.

P: ¿Qué umbral de significación estadística debo usar? El 95% (p < 0,05) es el estándar para la mayoría de los experimentos. Usa el 99% para cambios de alto riesgo, como los precios o el proceso de pago. Usa el 90% solo para tests de bajo riesgo con mucho tráfico en los que la velocidad importa. Por qué el 95% se convirtió en la convención.

P: ¿Puedo hacer un test A/B sin cambiar la URL? Sí. Las herramientas de test del lado del cliente inyectan los cambios de cada variante mediante JavaScript antes de que se renderice la página. Cómo funciona el split test sin cambiar la URL: la barra de direcciones muestra la misma URL a todos los visitantes, mientras que el DOM es distinto entre grupos.

P: ¿El test A/B perjudica al SEO? No, si se configura correctamente. Las directrices de Google permiten expresamente los tests A/B. Test A/B y SEO: a qué prestar atención: evita el cloaking, usa correctamente las etiquetas canonical y no muestres a Googlebot una experiencia distinta a la de los visitantes humanos.

P: ¿Debo usar estadística frecuentista o bayesiana? Frecuentista para la mayoría de los equipos: tiene una disciplina de horizonte fijo más sencilla que evita el peeking. Bayesiana cuando detener el test antes de tiempo es un requisito operativo imprescindible y tu equipo entiende los supuestos a priori. Comparativa completa aquí.

P: ¿Qué debería testear primero con un test A/B? Empieza por tu página con más tráfico y prueba el elemento con mayor impacto esperado en el comportamiento, normalmente el titular principal o el CTA de la página de inicio o de tu mejor landing page. Ideas de test A/B que mejoran la tasa de conversión.

P: ¿Es el test A/B compatible con el RGPD? Puede serlo, dependiendo de tu herramienta y de cómo gestiones el consentimiento. La asignación basada en cookies requiere consentimiento en la mayoría de las jurisdicciones de la UE. Guía completa de RGPD y test A/B.

Explora toda la base de conocimiento sobre test A/B

Esta guía enlaza con los análisis en profundidad. Aquí tienes todo el clúster organizado por temas:

Fundamentos

• Por qué deberías hacer test A/B
• ¿Qué son A y B en un test A/B?
• Test A/B vs. split test: ¿cuál es la diferencia?
• Por qué deberías hacer un test A/B antes de implementar cambios
• Odio el test A/B: por qué la frustración con la experimentación es un problema de configuración

Cómo ejecutar los tests correctamente

• ¿Cuánto tiempo debes ejecutar un test A/B?
• ¿Cuánto tráfico necesitas para hacer tests A/B?
• Cómo hacer un split test sin cambiar la URL
• Cómo ejecutar un test de redirección (split de URL)
• Test A/B por debajo del pliegue
• Cómo hacer un split test del rediseño de páginas de colección
• 7 errores comunes en los test A/B que debes evitar
• ¿Qué es el peeking en los test A/B?

Estadística y análisis

• Cómo analizar los resultados de un test A/B
• Cómo interpretar la significación estadística en los resultados de un test A/B
• Errores de tipo I y tipo II en los test A/B
• ¿Por qué un intervalo de confianza del 95%? Explicación
• Cómo calcular un valor p
• Cómo calcular la potencia estadística en un test A/B
• Cómo aumentar la potencia estadística
• Tests de una cola vs. de dos colas
• Test A/B frecuentista vs. bayesiano
• ¿Debes usar estadística frecuentista o bayesiana?
• Exploración vs. explotación en los test A/B

Qué testear

• Ideas de tests A/B que aumentan la tasa de conversión
• Tests A/B en marketing digital
• Tests A/B en páginas de precios
• Tests A/B en los precios de Shopify

Comparativas y métodos relacionados

• Tests con usuarios vs. tests A/B
• Personalización vs. tests A/B

Guías según el contexto

• ¿Los tests A/B perjudican el SEO?
• RGPD y cumplimiento en los tests A/B
• Benchmarks de velocidad de herramientas de tests A/B
• Las plataformas de tests A/B más rápidas
• Los tests A/B en el stack de demand gen de SaaS B2B
• Demand gen vs. lead gen: objetivos distintos en los tests A/B
• Tests A/B asistidos por IA
• Cómo usar ChatGPT para tests A/B
• Tests A/B para productos con LLM

Herramientas

• Comparativa de las 17 mejores herramientas de tests A/B