Imagine uma equipe que publica a nova landing page numa segunda-feira, troca o título e a cor do botão, e na sexta olha o painel. O número subiu. Todos comemoram e adotam a mudança. Três semanas depois, o número volta ao patamar antigo, e ninguém sabe dizer se a página melhorou ou se a semana apenas foi boa.
Esse é o problema que o teste A/B resolve, quando é bem feito. Ele compara duas versões da mesma página, ao mesmo tempo, com visitantes sorteados entre elas. Quando é mal feito, vira uma máquina de falsas certezas, e a empresa passa a decidir com base em ruído.
Neste texto, a Trilion explica como planejar um teste A/B em landing page, quanto esperar, como ler o resultado e quando é melhor não testar. Você sai com um roteiro simples para decidir com mais segurança, sem promessa de resultado, porque nenhum método garante que a versão nova venha a vencer.
Antes de ler o restante, anote qual decisão da sua página hoje depende de opinião. É nela que um teste bem desenhado mais ajuda.
Teste A/B: o que é e como funciona numa landing page
O teste A/B é um experimento em que duas versões de uma página são mostradas a visitantes sorteados, e uma análise estatística indica qual versão atinge melhor o objetivo definido.
O que é teste A/B, em uma frase
Para responder direto ao que é teste A/B: é um experimento aleatório com duas variantes, a A (controle) e a B (variação). A Wikipédia o descreve como um método de pesquisa de experiência do usuário que usa teste de hipóteses estatístico. Também aparece como teste dividido ou split test.
Por que o antes e depois não é teste
Comparar a semana passada com esta mistura a mudança da página com tudo que mudou ao redor: campanha, feriado, assunto do momento, perfil de quem chegou. No teste A/B, as duas versões rodam em paralelo, então essas influências atingem as duas do mesmo jeito.
O que o teste compara de fato
A regra de ouro é alterar uma coisa de cada vez. Na explicação da Wikipédia, o teste compara a resposta da variante A com a da B para uma única variável. Se você muda título, imagem e formulário juntos, descobre que a página B foi melhor ou pior, mas não sabe por quê.
Quando um teste A/B não é a ferramenta certa
Existem quatro situações em que o melhor caminho é outro:
- Pouco tráfego: sem visitantes suficientes, o resultado não se firma. Vale mais observar usuários e corrigir problemas evidentes.
- Problema óbvio: se o formulário não abre no celular, corrija. Não há o que testar.
- Mudança de estratégia: trocar a proposta da empresa é decisão de negócio, não de experimento.
- Medição quebrada: se os eventos de conversão não são confiáveis, o teste não mede nada. Nosso texto sobre taxa de conversão e como medir uma landing page mostra como preparar essa base.
Antes de testar: hipótese, métrica e pesquisa
Um bom teste começa antes da ferramenta: com uma hipótese escrita, uma métrica principal definida e alguma pesquisa que explique por que a versão B merece existir.
Escreva a hipótese em uma frase
A hipótese liga uma mudança a um efeito esperado e a uma razão. Um modelo útil é: "Se trocarmos X por Y, então a métrica Z deve mudar, porque os visitantes têm tal dúvida". Sem a razão, o teste vira palpite. O material da Optimizely recomenda previsões específicas, apoiadas em dados e ordenadas pelo impacto esperado.
Escolha uma métrica principal
Defina antes de começar o que significa vencer. Em landing page de serviço de alto padrão, costuma ser o envio do formulário ou o clique para conversar. Se você escolhe a métrica depois de ver os números, tende a escolher a que favorece a versão preferida.
Proteja o que não pode piorar
Além da métrica principal, acompanhe 1 ou 2 métricas de proteção. Uma versão que gera mais envios de pessoas fora do perfil piorou a página, mesmo com o número maior. Por isso, a captação de leads com formulário curto e qualificação deve fazer parte do desenho do teste, não de uma análise posterior.
Pesquise antes de criar a variação
O Nielsen Norman Group lembra que, sem pesquisa prévia, as variações são essencialmente palpites. Ele sugere ouvir quem visita a página, observar o uso e corrigir falhas de usabilidade antes de testar. O mesmo texto avisa que o teste só encontra a melhor opção entre as variações disponíveis, e variações vindas de opinião interna podem deixar a melhor de fora.

Amostra e duração: quanto esperar antes de olhar
O tamanho da amostra e a duração devem ser decididos antes do início. Olhar o resultado todos os dias e parar quando ele parece bom aumenta muito o risco de uma conclusão falsa.
Por que a amostra é definida antes
Os cálculos de significância assumem que o tamanho da amostra foi fixado de antemão. A Wikipédia observa que testes A/B são sensíveis à variação dos dados e exigem amostras grandes para reduzir o erro. Quanto menor a diferença que você quer detectar, mais visitantes precisa observar.
O problema de espiar o resultado
O analista Evan Miller mostra o efeito em um texto muito lido na área. Num teste em que não existe diferença nenhuma entre as versões, parar na primeira vez que o resultado parece significativo a 5% produz falso positivo em 26,1% dos casos, mais de 5 vezes o nível pretendido. A conclusão dele é simples: decida o tamanho da amostra e não pare antes.
Semanas inteiras, não dias soltos
Nossa recomendação, que vem da prática e não de uma fonte externa, é rodar o teste por semanas completas. O comportamento de quem visita uma página costuma variar entre dias úteis e fins de semana. Parar numa quarta-feira dá peso demais a certos dias e pode distorcer a leitura.
Tráfego baixo: o que fazer
Páginas de alto padrão costumam receber poucos visitantes, mas muito qualificados. Nesse caso, o teste de pequenas diferenças demora demais. Prefira mudanças grandes e claras, como outra estrutura de apresentação, e complemente com observação direta de uso. A frente de design, UX e usabilidade detalha esses métodos.
Se o seu tráfego não comporta um teste confiável, uma boa sessão de observação com 5 pessoas pode ensinar mais do que 2 meses de gráfico indeciso.
Como ler o resultado sem se enganar
Resultado estatisticamente significativo indica que a diferença provavelmente não se deve ao acaso, mas não prova que ela seja grande, nem que vá se repetir. Leia o número com cautela.
O que significa significância estatística
O valor-p é a probabilidade de obter um resultado tão extremo quanto o observado, supondo que não exista diferença verdadeira. Um resultado é chamado de significativo quando esse valor fica abaixo do nível escolhido antes da coleta, em geral 5%. É uma régua para o acaso, não um selo de verdade.
Significativo não é importante
A Wikipédia lembra que significância estatística não equivale a importância prática. Uma diferença pequena pode ser significativa e ainda assim irrelevante para o negócio. Por isso, olhe sempre o tamanho do efeito e pergunte se ele justifica manter a mudança.
Cuidado com cortes demais
É tentador, quando o resultado geral é neutro, procurar um grupo em que a versão B ganhou: só celular, só visitantes novos, só um horário. A Optimizely alerta que criar públicos pequenos demais, ou segmentos em excesso, pode produzir falsos positivos. Se quiser analisar um corte, defina-o antes.
Resultado inconclusivo também responde
Quando nenhuma versão vence, você aprendeu que aquela mudança não pesa para o visitante. Isso economiza tempo e evita manter uma alteração sem efeito. Registre a hipótese, o período e a conclusão, para que a equipe não repita o mesmo teste meses depois.

Passo a passo de um teste A/B bem feito
Um teste confiável segue uma sequência curta: observar, formular a hipótese, preparar a medição, definir amostra e duração, rodar sem interferir e registrar o aprendizado.
Roteiro em 7 passos
- Observe: reúna dados de uso e conversas com visitantes para achar o ponto de dúvida.
- Formule a hipótese: uma mudança, um efeito esperado, uma razão.
- Defina a métrica: uma principal e até 2 de proteção.
- Calcule a amostra: decida quantos visitantes e quantas semanas.
- Teste a medição: confirme que cada evento dispara nas duas versões.
- Rode sem mexer: não altere a página nem pare antes do planejado.
- Registre: anote o resultado, o aprendizado e o próximo passo.
Checklist antes de publicar
- As duas versões carregam com velocidade parecida?
- O sorteio dos visitantes é aleatório e permanente para cada pessoa?
- Os eventos de conversão disparam nas 2 versões?
- Existe campanha ou data especial no período que possa distorcer?
- Alguém da equipe sabe que não deve interferir durante o teste?
Erros comuns que invalidam a conclusão
Os mais frequentes são mudar várias coisas de uma vez, encerrar o teste cedo, trocar a métrica no meio, ignorar a medição quebrada e testar com tráfego insuficiente. Nenhuma ferramenta corrige esses erros depois. O cuidado precisa estar no desenho.
Sobre ferramentas
Segundo a página de suporte da própria Google, a sua ferramenta gratuita de testes, o Optimize, deixou de estar disponível em 30 de setembro de 2023. Isso lembra que ferramentas vêm e vão, e o método permanece. Escolha o recurso depois de definir o que precisa medir, e confirme que ele não deixa a página lenta.
Teste A/B em landing page de luxo: contenção e critério
Em páginas de alto padrão, o teste serve para remover atrito e dúvida, nunca para forçar decisão. A linguagem continua discreta, e a curadoria visual não é negociada em nome de um número.
O que vale testar
Prefira hipóteses sobre clareza: o título que explica melhor a oferta, a ordem das seções, o texto do botão, a quantidade de campos do formulário. Para o texto do botão, veja nosso conteúdo sobre CTA, botões e chamadas que convidam sem pressionar.
O que não testar
Não vale testar contadores de urgência falsos, escassez inventada ou promessas que a empresa não cumpre. Mesmo que uma dessas versões gere mais cliques, ela atrai a pessoa errada e desgasta a marca. Para quem compra com cuidado, uma página que pressiona costuma transmitir o contrário de confiança.
Quando o volume é pequeno
Em muitos negócios de alto valor, 1 contato qualificado já é um bom resultado. Nesse cenário, o teste estatístico fica difícil, e a leitura qualitativa ganha peso: revisar cada contato, perguntar de onde veio e o que o convenceu. A Trilion trata a medição como parte do projeto, com formulário curto e eventos configurados.
Teste e anúncio andam juntos
Se a página recebe tráfego pago, o teste precisa considerar de qual anúncio o visitante veio, porque a mensagem de entrada muda a expectativa. Vale ler o texto sobre landing page para anúncios, com mensagem alinhada ao clique e medição antes de desenhar o experimento.
Para planejar testes em todo o funil, e não só na página, leia teste A/B: como planejar, rodar e ler o resultado.
Conclusão
O teste A/B é uma forma de substituir opinião por evidência, desde que haja hipótese, métrica definida, amostra decidida antes e paciência para não espiar. Mal conduzido, ele só dá aparência científica a um palpite.
Resumindo: pesquise antes de criar a variação, mude uma coisa por vez, rode por semanas inteiras, desconfie de ganhos pequenos e registre cada aprendizado. Em páginas de luxo, acrescente um filtro de contenção: a versão vencedora também precisa estar à altura da marca.
Quer planejar a medição e os experimentos de uma landing page? Veja a frente de landing pages de luxo da Trilion e monte o seu briefing em /desenvolvimento/orcamento. A proposta é escrita depois do briefing, e o valor depende de escopo, integrações e prazo.
Compartilhe este roteiro com quem decide as mudanças da sua página. Uma regra combinada antes evita muita discussão depois.
Sobre este texto
Este texto foi escrito pela equipe da Trilion, que desenvolve sites e sistemas desde 1995, a partir de fontes públicas conferidas em 07/11/2026. Onde a recomendação vem da nossa prática, e não de uma fonte, dizemos isso no próprio parágrafo. Não há promessa de resultado: o teste informa, não garante.
- Wikipédia, "A/B testing": https://en.wikipedia.org/wiki/A/B_testing (consulta em 07/11/2026)
- Evan Miller, "How Not to Run an A/B Test": https://www.evanmiller.org/how-not-to-run-an-ab-test.html (consulta em 07/11/2026)
- Nielsen Norman Group, "A/B Testing and UX Research": https://www.nngroup.com/articles/ab-testing-and-ux-research/ (consulta em 07/11/2026)
- Wikipédia, "Statistical significance": https://en.wikipedia.org/wiki/Statistical_significance (consulta em 07/11/2026)
- Optimizely, glossário de A/B testing: https://www.optimizely.com/optimization-glossary/ab-testing/ (consulta em 07/11/2026)
- Google, suporte do Optimize: https://support.google.com/optimize/answer/12979939 (consulta em 07/11/2026)

