Teste A/B em landing page: guia passo a passo para converter mais

Teste A/B em landing page é comparar duas versões da mesma página — com uma única diferença controlada entre elas — mostrando cada versão a uma parte do tráfego até ter dados suficientes para saber qual converte mais. O processo funciona quando segue uma sequência clara: hipótese, tráfego mínimo, uma variável por vez e tempo suficiente para o resultado parar de balançar. Pular qualquer uma dessas etapas costuma gerar uma “vitória” que não se repete depois.

Por que decidir por teste A/B em vez de opinião interna?

Porque opinião interna não converte visitante em cliente — só o comportamento real do visitante mostra isso. Quem trabalha todos os dias com a página da empresa tem contexto demais para julgar se ela está clara para alguém que nunca viu o negócio antes.

O teste A/B resolve esse viés ao colocar duas versões para competir ao mesmo tempo, com o mesmo tipo de visitante, no mesmo período. Quem ganha é definido pelo dado — clique, lead ou venda —, não pela preferência de quem decide internamente. Isso já reduz boa parte dos erros descritos no artigo sobre landing page que não converte: antes de testar cor de botão, vale garantir que a oferta e o formulário já estão resolvidos, porque testar ruído não resolve problema estrutural.

Quanto tráfego preciso antes de rodar um teste?

Preciso o suficiente para a diferença entre as duas versões não ser só acaso. Uma referência prática usada por ferramentas de CRO como a AB Tasty sugere algo em torno de 10 mil visitantes e pelo menos 300 conversões por variação como ponto de partida — mas é heurística, não regra estatística fechada.

O número real depende de três fatores:

• Taxa de conversão atual da página (uma página que já converte 8% precisa de menos tráfego para detectar mudança do que uma que converte 1%)
• Diferença mínima que você quer detectar (MDE): quanto menor a diferença que você quer conseguir medir, mais tráfego o teste exige
• Nível de confiança desejado: 95% é o padrão mais usado por ferramentas como a Optimizely, embora o risco aceitável possa ser ajustado

Antes de começar, vale rodar os três números em uma calculadora de tamanho de amostra gratuita (Optimizely, AB Tasty e outras oferecem essa ferramenta online) para saber se o volume de tráfego atual do site sustenta um teste em tempo razoável. Negócios com pouco tráfego — a maioria das PMEs brasileiras — geralmente não têm volume para testar mudanças pequenas; nesses casos, vale testar mudanças grandes (oferta, estrutura da página) em vez de detalhes como cor de botão.

O que testar primeiro: oferta, formulário ou detalhe visual?

Primeiro a oferta e a estrutura da página, só depois os detalhes visuais. Testar a cor de um botão antes de resolver se a oferta está clara é desperdiçar o pouco tráfego disponível medindo algo que não é a causa real da baixa conversão.

Prioridade	O que testar	Exemplo de variação
1	Clareza da oferta (título e subtítulo)	“Avaliação gratuita” vs. “Avaliação gratuita em 24h”
2	Tamanho e campos do formulário	6 campos vs. nome + telefone + 1 campo de contexto
3	Prova social na página	Depoimento genérico vs. depoimento específico perto do botão
4	Texto e posição do botão (CTA)	“Enviar” vs. “Quero minha avaliação gratuita”
5	Elementos visuais (cor, imagem, layout)	Botão azul vs. botão verde

Essa ordem segue a lógica de impacto: mudanças estruturais (o que a página promete e como pede o contato) costumam mover a conversão muito mais do que ajustes estéticos, que exigem mais tráfego para mostrar diferença estatisticamente confiável.

Como estruturar um teste A/B passo a passo

O processo tem cinco etapas que não devem ser puladas, mesmo sob pressão para ver resultado rápido.

1. Escreva uma hipótese, não só uma ideia. O formato “se eu mudar X, a métrica Y deve melhorar, porque Z” força a definir o que exatamente está sendo testado e por quê — prática recomendada por diversos guias de teste A/B em mídia paga.
2. Mude uma única variável por teste. Se a página B tem oferta diferente e formulário diferente ao mesmo tempo, um resultado melhor não diz qual das duas mudanças causou o efeito.
3. Defina a métrica de decisão antes de começar. Pode ser taxa de conversão do formulário, custo por lead ou taxa de clique no botão — mas precisa estar fixada antes, para não escolher a métrica que favorece o resultado que você queria ver.
4. Deixe correr o tempo e o tráfego planejados. Parar um teste no primeiro dia em que a variante B parece ganhar é o erro mais comum — o resultado pode se inverter nos dias seguintes.
5. Promova o vencedor e documente o aprendizado. Mesmo quando a variante testada perde, isso é informação: elimina uma hipótese e orienta o próximo teste.

Exemplo hipotético: uma rede de clínicas odontológicas testa duas versões da página de “avaliação de ortodontia gratuita”: a versão A mantém o formulário com 6 campos atual; a versão B reduz para nome, telefone e melhor horário de contato. Depois de duas semanas com tráfego suficiente, a versão B gera 40% mais leads, mas a equipe comercial nota queda na qualificação. O próximo teste, então, não é voltar ao formulário longo — é mover os campos removidos para uma pergunta de qualificação no primeiro contato pelo WhatsApp, em vez do formulário.

Quais ferramentas usar hoje, já que o Google Optimize fechou?

O Google encerrou o Optimize em setembro de 2023, então quem decide testar precisa escolher entre ferramentas dedicadas de CRO ou o teste A/B nativo de construtores de landing page.

Ferramenta	Tipo	Indicada para
Microsoft Clarity	Heatmap + gravação de sessão, com comparação entre páginas	Entender comportamento antes de decidir o que testar — sem custo divulgado pela Microsoft
Unbounce / Landingi	Construtor de landing page com A/B nativo	Criar e testar variações de página sem depender de desenvolvedor
VWO / Optimizely / Convert	Plataforma dedicada de experimentação	Testes mais avançados, múltiplas variáveis, times com volume de tráfego maior
Google Ads Experiments	Teste A/B de campanhas do Google Ads	Testar mudanças de lance, público ou formato sem arriscar a campanha original
Meta Ads Experiments	Teste A/B de anúncios no Gerenciador de Anúncios	Comparar criativo, público ou posicionamento na Meta

Para quem já usa Google Analytics 4, vale ligar os resultados do teste às conversões configuradas na ferramenta de CRO escolhida, para ter uma única fonte de verdade em vez de comparar números de painéis diferentes.

Dá para testar direto dentro do Google Ads e do Meta Ads?

Sim, e para quem só tem orçamento de mídia — sem ferramenta de CRO separada — é o ponto de partida mais acessível. A documentação oficial da API do Google Ads descreve o recurso de experimentos: você define as mudanças em uma campanha de rascunho e aplica essas mudanças a um experimento que roda ao lado da campanha base, comparando as métricas entre as duas até decidir promover ou encerrar o teste. A própria documentação recomenda descartar os primeiros sete dias de estatísticas, para dar tempo à fase de aprendizado da campanha.

O Meta Ads tem uma ferramenta equivalente no Gerenciador de Anúncios, dentro do menu de Experimentos, que separa o público em grupo de controle e grupo de teste para comparar criativo, público, posicionamento ou estratégia de lance. Guias especializados recomendam rodar o teste por pelo menos sete dias, idealmente duas semanas, para cobrir variações normais de dia da semana — vale confirmar o nome exato dos menus na Central de Ajuda da Meta, já que a interface muda com frequência.

Velocidade da página também é teste A/B — ou só detalhe técnico?

É terreno de teste A/B real, com impacto medido em casos documentados pelo próprio Google. O web.dev, site oficial do Google sobre performance web, cita exemplos como a Rakuten 24, que relatou aumento de 33,13% na taxa de conversão após investir nas Core Web Vitals, e a Vodafone, que atribuiu a uma melhoria de 31% no LCP um crescimento de 8% nas vendas. O mesmo material cita a BBC perdendo cerca de 10% de usuários adicionais a cada segundo extra de carregamento.

Isso não significa que todo negócio vai repetir esses números — são casos específicos —, mas confirma que velocidade de carregamento é uma variável testável, não só detalhe técnico. A métrica de carregamento (LCP) deveria ocorrer em até 2,5 segundos segundo o web.dev, e o PageSpeed Insights mostra esse número de graça para qualquer página.

Quais erros invalidam um teste A/B?

Os mais comuns são parar o teste cedo demais, mudar mais de uma variável por vez e testar com tráfego insuficiente para o resultado ser confiável.

• Parar no primeiro sinal de vitória: um resultado positivo no segundo dia pode se inverter na primeira semana — isso é variação normal, não sinal de teste pronto.
• Testar na época errada: rodar um teste durante uma campanha sazonal (Black Friday, por exemplo) mistura o efeito da sazonalidade com o efeito da mudança testada.
• Ignorar o dispositivo: uma variação pode converter melhor no computador e pior no celular — vale sempre segmentar o resultado por dispositivo antes de declarar um vencedor.
• Testar sem meta clara: sem decidir a métrica de decisão antes, fica fácil escolher depois a métrica que favorece o resultado esperado.

Checklist antes de declarar um teste A/B vencedor

• A hipótese foi escrita antes do teste começar
• Apenas uma variável muda entre as versões
• O tráfego e o tempo mínimos planejados foram cumpridos, mesmo com resultado parcial favorável
• O resultado foi segmentado por dispositivo (celular vs. computador)
• A métrica de decisão foi definida antes, não escolhida depois para justificar o resultado
• O aprendizado foi documentado, inclusive quando a variante testada perde

Depois de confirmar o vencedor, o próximo passo lógico é revisar se o ganho de conversão também melhora as métricas de CAC, ROAS e LTV — uma página que converte mais, mas atrai leads piores, pode não valer o esforço. Esse cruzamento também ajuda a decidir quanto investir em anúncios depois que a página já está otimizada, e a revisar o texto da oferta com as práticas de copywriting para anúncios que alimentam a mesma página testada.

Como a Attract pode ajudar

A Attract estrutura testes A/B em landing pages e campanhas de tráfego pago com hipótese, prazo e métrica definidos antes de qualquer mudança entrar no ar, evitando decisões baseadas em achismo. Se sua página não tem um processo claro de teste e otimização, fale com a equipe pelo WhatsApp e peça um diagnóstico gratuito.