Landing Page A/B Test — Conversion & Revenue Analysis

Descripción del proyecto

Análisis estadístico de un experimento A/B realizado en la página de inicio (landing page) de una empresa de ecommerce. El proyecto evaluó dos versiones de la página (A y B) comparando tasa de conversión, gasto promedio por usuario convertido, comportamiento por canal de tráfico y perfil de usuario. El objetivo fue identificar qué versión genera mayor valor económico y traducir los hallazgos en recomendaciones accionables para el equipo de marketing digital.

---

Objetivo del análisis

Determinar con evidencia estadística sólida cuál versión de la landing page debe implementarse de forma definitiva, evaluando su impacto en conversión y revenue, y segmentando el comportamiento por fuente de tráfico y tipo de usuario.

---

Dataset utilizado

Archivo	Filas	Columnas	Descripción
landing_experiment.csv	40,000	9	Registro de usuarios expuestos al experimento A/B, incluyendo versión de página, región, dispositivo, fuente de tráfico, tipo de usuario, conversión y gasto

Variables clave:

Columna	Tipo	Descripción
user_id	Categórica	Identificador único del usuario
date	Fecha	Fecha de exposición a la página
landing	Categórica	Versión de página: A (control) o B (prueba)
region	Categórica	Región geográfica del usuario
dispositivo	Categórica	Mobile o Desktop
traffic_source	Categórica	Organic, Ads, Email, Referral
user_type	Categórica	Nuevo o Recurrente
converted	Binaria	1 = convirtió, 0 = no convirtió
gasto	Numérica	Monto gastado (0 si no convirtió)

---

Stack y herramientas

• Lenguaje: Python 3
• Entorno: Google Colab / Jupyter Notebook
• Librerías: Pandas, NumPy, Matplotlib, Seaborn, SciPy, Statsmodels

---

Pruebas estadísticas aplicadas

Pregunta de negocio	Prueba	p-value	Decisión
¿El gasto promedio difiere entre A y B?	Prueba t de Student + Levene	1.06e-20	✅ Rechaza H₀
¿La tasa de conversión difiere entre A y B?	Prueba Z de proporciones	3.76e-22	✅ Rechaza H₀
¿La conversión depende de la fuente de tráfico?	Chi-cuadrada de independencia	0.034	⚠️ Rechaza H₀ (relevancia práctica limitada)
¿La conversión depende del tipo de usuario?	Chi-cuadrada de independencia	0.474	❌ No rechaza H₀

---

Etapas del análisis

1. Exploración y validación de datos — revisión de estructura, tipos de datos, duplicados, nulos, rango temporal y distribución de variables categóricas
2. Comparación de gasto promedio (A vs B) — prueba t de Student con verificación de varianzas mediante prueba de Levene
3. Comparación de tasa de conversión (A vs B) — prueba Z de proporciones con cálculo de tasas por versión
4. Análisis de conversión por fuente de tráfico — tabla de contingencia, verificación de supuestos y prueba Chi-cuadrada
5. Análisis de conversión por tipo de usuario — tabla de contingencia, verificación de supuestos y prueba Chi-cuadrada
6. Visualización de resultados — gráficos de barras agrupadas y apiladas para respaldar conclusiones estadísticas
7. Insight ejecutivo — síntesis de hallazgos con recomendaciones accionables para stakeholders no técnicos

---

Resultados clave

Métrica	Página A	Página B	Diferencia
Tasa de conversión	12.57%	15.96%	+3.38pp
Gasto promedio (convertidos)	$61.09	$68.75	+$7.66
Usuarios convertidos	2,512	3,194	+682

---

Hallazgos principales

• Página B supera a A en ambas métricas clave: mayor tasa de conversión (+3.38pp) y mayor gasto promedio por usuario convertido (+$7.66), con evidencia estadística contundente en ambos casos (p-values prácticamente cero).
• Canal Email lidera en conversión: con 14.99% frente al 13.79% de Organic. Sin embargo, la diferencia máxima entre canales es de apenas 1.2pp — estadísticamente significativa pero de relevancia práctica limitada.
• El tipo de usuario no influye en la conversión: usuarios Nuevos (14.36%) y Recurrentes (14.09%) muestran comportamiento prácticamente idéntico — no hay evidencia para segmentar estrategias por este criterio.
• Experimento bien diseñado: 40,000 usuarios, 28 días de duración, distribución balanceada 50/50 entre versiones y todos los supuestos estadísticos verificados.

---

Recomendaciones de negocio

1. Implementar página B globalmente — la evidencia estadística en gasto promedio y tasa de conversión es sólida y consistente en ambas métricas.
2. Priorizar inversión en canal Email — liderazgo en tasa de conversión justifica explorar mayor inversión, evaluando previamente el costo de adquisición por canal.
3. No segmentar por tipo de usuario — los datos no respaldan diferencias reales en conversión entre usuarios nuevos y recurrentes; los recursos destinados a estrategias diferenciadas por este criterio no están justificados.

---

Cómo reproducir el análisis

1. Clonar este repositorio:

   git clone https://github.com/gerardovazquez-DataAnalyst/ab-testing-landing-page.git

2. Abrir el notebook en Google Colab o Jupyter:
   • Desde Colab: Archivo → Abrir notebook → GitHub y pegar la URL del repo
   • Desde Jupyter: ejecutar jupyter notebook en la carpeta del proyecto
3. Verificar que landing_experiment.csv esté en la misma ruta que el notebook (o ajustar el pd.read_csv() según corresponda)
4. Ejecutar las celdas en orden secuencial

---

Estructura del repositorio

ab-testing-landing-page/
│
├── Análisis_AB.ipynb            # Notebook principal con todo el análisis
├── landing_experiment.csv       # Dataset del experimento A/B
└── README.md                    # Este archivo

---

Autor

Gerardo Vázquez Cruz
Data Analyst
GitHub · LinkedIn