En una reunión de planificación de sprint perdimos los primeros cuarenta minutos discutiendo de qué color poner el botón de comprar. Verde, decía el diseñador. Rojo, decía el responsable de crecimiento, porque el rojo da urgencia. Nadie abrió un panel de analítica. Lanzamos verde porque el diseñador habló más rato. Un trimestre después seguíamos sin saber si importaba.

Ese es el estado normal de los equipos de miniprogramas. No hostiles a los datos, solo que nunca organizados para recogerlos. Y es una pena, porque un miniprograma es una de las superficies más fáciles que se han construido para correr un experimento de verdad.

Por qué el hueco cultural es más ancho de lo que parece

En la web casi tienes herramientas de experimentación por defecto. Los frameworks traen librerías de feature flags, los SDK de analítica se conectan solos y siempre hay alguien en el equipo que ya corrió una prueba. En un miniprograma la pila es más fina. Cada anfitrión tiene su propio formato de build, sus propias restricciones y a menudo su propia idea de qué es una sesión. Equipos que nunca discutirían el color de un botón en una web lo discuten en un miniprograma y luego adivinan.

La versión honesta: la mayoría de los equipos no tiene cultura de pruebas porque nadie se la dio, no porque sean tontos. El primer trabajo es más pequeño de lo que creen. Elige una decisión, corre una prueba limpia y deja el resultado sobre la mesa la próxima vez que alguien quiera discutir. Cuando la cifra ya está en pantalla, la voz más alta deja de decidir.

Qué merece la pena probarSeñal que de verdad mirasEn qué trampa caen los equipos
Pasos de onboardingTasa de llegada al primer valorRecortar pasos que se sienten largos pero dan confianza
Botón principalAvance al clic de la acción claveOptimizar el color cuando la etiqueta es el problema
Precio y ofertaIngreso por usuario, no solo conversiónElegir la variante que vende más pero gana menos
Texto de notificaciónReenganche sin desinstalarProbar solo al enviar, nunca en una semana
Selección por defectoCuántos la cambian antes de pagarCreer que lo por defecto es neutral, cuando nunca lo es

El tamaño de muestra es lo que nadie quiere oír

Aquí va la regla incómoda que repetimos dentro del equipo: una prueba con pocos usuarios te cuenta un cuento, y el cuento suele estar mal. Las audiencias de miniprograma pueden ser pequeñas y a ráfagas, sobre todo dentro de un anfitrión durante una campaña. Una variante que va por delante el martes puede estar detrás el viernes por razones que no tienen nada que ver con tu diseño.

El fallo clásico es espiar. Miras el panel cada mañana, y en cuanto una variante se pone por delante la declaras ganadora. Eso no es un resultado, es una cara de moneda que miraste hasta que salió como querías. Decide el tamaño de muestra antes de empezar, complétalo y solo mira cuando lo hayas alcanzado. Si no llegas a tantos usuarios en un plazo razonable, dilo en voz alta antes que fingir que una prueba de tres días zanjó algo.

Los falsos positivos son el enemigo más silencioso. Corre diez pruebas pequeñas y una parecerá significativa por pura casualidad. Antes pocas y limpias que un montón de victorias que no se repiten.

Los feature flags son la fontanería, no el punto

Correr una prueba de verdad significa que la variante que ve el usuario la decide el código, no tú editando la pantalla a las tantas de la noche. Suena obvio y es justo lo que la mayoría de los equipos se salta. Necesitas una bandera, una forma estable de repartir a un usuario en un grupo y una ruta de registro que apunte qué grupo tenía asignado cuando convirtió.

El reparto importa más de lo que se espera. Si la asignación no es pegajosa, la misma persona salta entre variantes y tus números se pudren. Si el límite del muestreo al azar no es el correcto, acabas comparando tráfico de campaña con tráfico orgánico y lo llamas conclusión. Haz la fontanería aburrida y correcta y las preguntas interesantes se vuelven fáciles.

La capa de runtime que nadie presupuesta

Ahora la parte que de verdad cambia el coste. La mayoría de los equipos monta su capa de experimentación una vez por anfitrión. La versión de la app de mensajería tiene sus banderas, la de pagos tiene otro sistema distinto, la app independiente un tercero, y las tres se desvían. El resultado son tres definiciones distintas de «convertido» y un responsable de crecimiento que no puede comparar nada.

Un runtime universal cambia esto llevando una sola capa de experimentación a cada anfitrión al que apunta. La lógica de banderas, el reparto y el esquema de eventos viven en el runtime, así que la misma prueba corre idéntica tanto si el miniprograma está en una app de chat como en una cartera. Escribes el experimento una vez. Esa es la diferencia entre que probar sea un hábito y que sea un proyecto que siempre reinicias.

Hemos visto la disciplina pegar mejor cuando la herramienta es compartida, no renegociada cada vez. Cross Mini App es una forma de que esa capa acompañe al programa en vez de vivir en el fork de alguien.

Fuentes