Playbook de CRO Shopify para marcas DTC de $1M+

Por qué la mayoría de consejos de CRO Shopify son malos para tiendas de $1M+

La mayoría del contenido de CRO en internet está escrito para tiendas que facturan $30k/mes, donde cualquier cambio de color de botón mueve la aguja porque el sample size es minúsculo. Pasando $1M ARR la forma de la palanca es completamente distinta. Los tweaks chiquitos no mueven el medidor porque tu piso ya es alto. Lo que mueve el medidor es estructural — arquitectura de página, lógica de merchandising, flujo de cart y checkout, y señales de confianza.

Este playbook es el sistema operativo de CRO que corremos en tiendas Shopify Plus de $1M–$50M. Asume que ya tienes analytics funcional, tráfico real y una marca que alguien ha escuchado. Si estás antes de eso, manda más producto primero y vuelve.

Sistema operativo de CRO — investigar → hipotetizar → testear → enviar

Tests random sobre páginas random se cancelan entre sí. Un programa real de CRO corre sobre un loop de cuatro pasos, cada semana, para siempre.

1. Investigar

Sacar analytics de funnel, session recordings (Hotjar, Microsoft Clarity), queries de búsqueda, tickets de soporte, razones de devolución y data de surveys on-site. El output es una lista priorizada de fricciones, no opiniones.

2. Hipotetizar

Cada hipótesis es una sola oración: "Si [cambiamos X] en [página Y], [métrica Z] mejorará [N%] porque [evidencia A]." Cualquier cosa más difusa es un deseo, no hipótesis.

3. Testear

Testea donde tienes tráfico para aprender. La mayoría de tiendas de $5M pueden correr 2 tests en paralelo con poder estadístico; pocas pueden 6. Elige los dos de mayor palanca y protégelos.

4. Enviar

Los ganadores van a 100%. Los perdedores se documentan en tu log de aprendizajes — ese log es el asset más valioso que construye el programa, más que cualquier test individual.

PDP: la página de mayor palanca de tu tienda

Si tienes una hora para CRO este mes, gástala en PDPs. Tu PDP es donde los compradores deciden si vales el click — y donde la tienda promedio pierde 15–25% de add-to-cart potencial.

Sobre el fold

• Título de producto con el job-to-be-done real, no solo el nombre del SKU.
• Hero a tamaño correcto con `fetchpriority` y srcset — PDPs lentos pierden más que PDPs feos.
• Precio con contexto promocional (anchor, member price, savings stack).
• Selector de variantes que no se resetea con combinaciones out-of-stock.
• Add-to-cart con label real ("Agregar — $89"), no un "AGREGAR" genérico.

Bajo el fold

Reviews con fotos, tabla comparativa, guía de tallas/fit, política de devoluciones y el FAQ que responde las preguntas que soporte recibe 50× por semana. Hazlos escaneables — los compradores no leen, escanean.

Cart y checkout — donde el dinero se fuga en silencio

El abandono de cart y checkout casi nunca es por un solo problema grande. Son una docena de chicos que componen. La cura es auditar y quitar fricción, no agregar más módulos de upsell.

Cart drawer

• Mostrar line items, claridad de precio y cualquier lógica de descuento transparentemente.
• Un upsell, no tres. Más upsells distraen del cierre del cart.
• Shipping estimado cuando se pueda — sorpresa de shipping en checkout es la #1 razón de abandono.

Checkout

• Usar checkout extensibility de Shopify. Migrar de `checkout.liquid` si no lo has hecho.
• Reducir campos. Cada campo opcional que no es opcional es un costo.
• Honrar Shop Pay vaulting — es el método de pago de mayor conversión por 20–30%.
• Trust signals en el step de pago (return policy, security, contacto de soporte).

Search, navegación y merchandising

Search convierte 3–5× más que browse. Si tu search está roto (sin resultados, resultados malos, sin sinónimos), estás pagando tráfico que podía haberse cerrado solo.

Search

Usar Shopify Search & Discovery o Algolia. Configurar sinónimos para tus top 100 misspellings. Mandar queries "sin resultados" a tu review semanal de merchandising.

Navegación

Mega menu para tiendas con 100+ SKUs. Agrupar por job-to-be-done, no por taxonomía interna. Testear menú mobile aparte — tiene ergonomía distinta.

Merchandising

El orden del PLP importa más de lo que se cree. Default debería ser "likely to convert", no "newest". Pinear héroes. Degradar out-of-stock. Re-rankear semanal según inventory y margen.

Mobile no es desktop con márgenes más chicos

La mayoría del tráfico DTC es mobile. La mayoría de testing de CRO se hace en desktop. Ese gap es por qué la conversión mobile se estanca.

Auditoría mobile-first

• Testear cada flujo en un teléfono real mid-tier con network throttled, no en emulador de desktop.
• Sticky add-to-cart en scroll de PDP es uno de los patrones mobile de mayor palanca.
• Thumb zones — todo lo importante dentro del 60% inferior de la pantalla.
• Reducir campos de form agresivamente. Shop Pay, Apple Pay, Google Pay como primarios.

Métricas mobile-específicas

Trackear mobile y desktop por separado. Sus funnels se comportan distinto y las mejoras en uno no se transfieren al otro automáticamente.

Las métricas que importan: revenue per session, AOV, repeat rate

La tasa de conversión aislada es métrica de vanidad. Las métricas contra las que corremos programas:

Revenue per session (RPS)

Métrica maestra. Captura conversión, AOV y disciplina de descuento en un solo número. Si RPS sube, el programa está funcionando.

Average order value (AOV)

Se mueve con bundles, free shipping threshold y upsell en el momento correcto (cart, no PDP). Testear descuentos contra AOV, no solo contra conversión.

Repeat rate / LTV

El crecimiento de la mayoría de tiendas está bloqueado por retención, no adquisición. Post-purchase, flows de email/SMS, ofertas de suscripción y la experiencia de los primeros 30 días viven aquí.

CPA pagado

Si el CRO está funcionando, tu CPA pagado baja. Programas de CRO que no mueven CPA no están moviendo lo correcto.

Correr tests cuando no tienes tráfico de Optimizely

La mayoría de tiendas Shopify no tienen el tráfico para correr tests A/B clásicos a 95% de confianza en dos semanas. Pretender que sí lleva a falsos ganadores y falsos perdedores.

Frameworks pragmáticos

• Sequential testing con inferencia Bayesiana (GrowthBook, Statsig) es más honesto a bajo tráfico.
• Análisis pre/post con holdouts apropiados funciona para cambios estructurales irreversibles (nuevo template de PDP, nuevo checkout).
• Multi-armed bandits para decisiones tipo merchandising donde quieres mover tráfico al ganador en medio del test.

Cuándo saltarte el test

Si un cambio es cualitativamente mejor obvio (página más rápida, copy más claro, feature roto arreglado), envíalo. No quemes semanas A/B testeando un fix que ibas a enviar de todos modos.