Experimentación en pricing: testear sin destruir confianza

Por qué experimentar con precio

Simon, en Confessions of the Pricing Man (cap. 2), calculó que una mejora del 1% en precio produce entre 8% y 11% de mejora en rentabilidad — más que una mejora equivalente en volumen o costos. Y sin embargo, la mayoría de las empresas fijan el precio una vez y no lo tocan durante años. La razón no es técnica sino emocional: experimentar con precio se siente arriesgado porque un error es visible e inmediato — un A/B test de headline que falla es invisible; un A/B test de precio que falla produce clientes enojados.

Kohavi, en Trustworthy Online Controlled Experiments (cap. 15), reconoce esta tensión: los price tests son "los experimentos más valiosos y los más peligrosos". Los más valiosos porque el precio es la variable con mayor impacto directo en revenue. Los más peligrosos porque un error de diseño no solo produce datos malos sino que destruye la percepción de justicia que sostiene la relación con el cliente.

Pero no experimentar es también una decisión — y probablemente la más costosa. Un precio definido por intuición o cost-plus que nunca se valida es una hipótesis no testeada que opera como verdad durante años. La lógica de value-based pricing requiere datos de disposición a pagar que solo la experimentación — directa o indirecta — puede generar. Sin experimentar, tu pricing es una opinión consensuada, no una decisión informada.

Los 4 métodos: del más seguro al más potente

Ramanujam, en Monetizing Innovation (cap. 6), recomienda usar los métodos en secuencia: Van Westendorp primero para mapear el rango, conjoint para refinar la estructura de planes y A/B test para validar la decisión final. Cada método reduce la incertidumbre y el riesgo del siguiente. La investigación de mercado previa al test reduce la posibilidad de errores costosos en el test real.

Kohavi vs. startup speed: rigor y pragmatismo

La tensión central de la experimentación en pricing es entre el rigor estadístico que Kohavi exige y la velocidad que la realidad del negocio demanda. Kohavi quiere significancia al 95%, power del 80% y corrección por tests múltiples. Una startup con 500 visitantes por semana no puede alcanzar esos estándares en un plazo razonable.

Ries, desde The Lean Startup (cap. 7), propone una alternativa pragmática: "validated learning" no requiere significancia estadística — requiere evidencia suficiente para tomar una decisión mejor que la alternativa (intuición). Si tu alternativa es "el precio que inventamos en una servilleta", un test con 200 usuarios ya es un upgrade masivo aunque no tenga p-value de 0.05.

Mi postura: el rigor de Kohavi aplica cuando el costo del error es alto y el volumen permite significancia — enterprise SaaS con miles de conversiones mensuales. El pragmatismo de Ries aplica cuando el costo de no experimentar es mayor que el costo de un error — startup early-stage donde cualquier dato real supera a la intuición. La experimentación en producto sigue la misma lógica: el nivel de rigor se calibra al contexto, no se impone como dogma.

Lo que ambos coinciden es que un test mal diseñado es peor que no testear. Kohavi documenta un caso donde Amazon testeó un cambio de layout que parecía mejorar la conversión un 3% — pero la mejora venía de un bug que mostraba el precio sin impuestos en una variante. El "resultado positivo" era artefacto del error de implementación. La instrumentación del tracking es tan importante como el diseño del test — datos sucios producen decisiones sucias.

Qué testear primero: estructura antes que número

Ramanujam es categórico: la mayoría de los problemas de pricing no son de nivel (el número es incorrecto) sino de estructura (la configuración de planes no refleja cómo el cliente percibe el valor). Testear el número antes de la estructura es optimizar la última milla sin haber elegido el camino correcto.

Estructura de planes: ¿2 planes o 3? ¿Qué features incluye cada uno? ¿El plan "recomendado" es el correcto para la mayoría? La arquitectura de packaging determina el frame de decisión del cliente — y el frame tiene más impacto que el número. Un A/B test entre 2 planes vs. 3 planes suele producir más aprendizaje que un test de $49 vs. $59.

Value metric: ¿cobrás por usuario, por proyecto, por GB, por transacción? La unidad de cobro define si tu revenue escala con el éxito del cliente o se estanca. Cambiar de "por usuario" a "por proyecto activo" puede ser más transformador que cualquier cambio de número — porque alinea el precio con lo que el cliente percibe como valor. La elasticidad cambia según la value metric: un cliente que paga por usuario siente cada nuevo empleado como un costo; un cliente que paga por proyecto siente cada nuevo proyecto como una inversión.

Framing y presentación: ¿mensual o anual? ¿El plan más caro va primero o último? ¿Hay badge de "más popular"? La psicología del precio se testea con cambios de presentación que no tocan el número. El A/B test de framing es el más seguro éticamente porque todos pagan lo mismo — solo cambia cómo se presenta. La identidad visual de la pricing page condiciona la percepción antes de que el cliente lea el primer número.

Errores frecuentes

Cómo diagnosticar si necesitás experimentar con pricing

Si nunca validaste el precio con datos: necesitás al menos un Van Westendorp. Si tu precio se definió hace más de 2 años sin revisión, la competencia y el mercado cambiaron — y tu precio probablemente no refleja la realidad actual. La segmentación también pudo cambiar: quizás tu ICP actual es diferente al de cuando fijaste el precio.

Si la conversión de pricing page es baja pero el tráfico es bueno: el problema puede ser de precio, de estructura de planes o de comunicación de valor. Un test de estructura (2 vs. 3 planes, features diferentes por plan) es más seguro y a menudo más revelador que un test de número. La optimización de CRO de la pricing page debería incluir tests de pricing como parte estándar del programa.

Si el NPS es alto pero el churn también: los clientes te valoran pero se van — posiblemente por precio. Entrevistas de exit research con clientes que churnearon revelan si el precio fue factor. Si lo fue, la experimentación determina dónde está el punto de equilibrio entre retención y revenue. El go-to-market debería incorporar pricing como variable activa — no como constante que se fija una vez y se olvida.