Análisis CRO de página de aterrizaje (enfoque científico)

Propósito del skill

Realizar un análisis CRO integral (optimización de la tasa de conversión) de cualquier página de aterrizaje basado en 5 métricas: CRO Score (MECLABS), LIFT Score, Scannability Score, Trust Factor, Resonance Rate.

Este skill produce un desglose elemento por elemento de la página con correcciones priorizadas y prácticamente aplicables, basadas en la psicología del comportamiento del usuario.

Cuándo usar

El usuario proporciona una URL de landing page y solicita un análisis CRO
El usuario solicita optimización de conversión
El usuario quiere mejorar el registro, la captación de leads o las ventas
Se ejecuta con el comando /market-ru-landing <url>

Cómo ejecutar

Paso 0: Definición del ICP

El ICP se determina automáticamente:

Si el usuario especificó el ICP en el comando → se utiliza el proporcionado
Si no se especificó el ICP → se utiliza "generic problem-aware audience"

Ejemplos de ICP: "B2B SaaS, CTO, growth stage", "Pequeña empresa, quiere reducir costos", "Propietarios de tiendas de comercio electrónico"

Por qué es importante: La página debe coincidir con el nivel de conciencia de la audiencia; si el usuario conoce el problema pero ve una oferta para "completamente informados", se produce una brecha en la comunicación.

Paso 1: Obtener el contenido de la página

Utilice WebFetch u otro método disponible para obtener el contenido HTML de la página.

Paso 2: Análisis por 5 métricas

El análisis consta de 5 métricas independientes. Para CADA métrica:

Evalúe los factores/bloques/desencadenantes/dolores según las tablas de criterios
Calcule la puntuación final según la fórmula
Para CADA factor, registre los hallazgos (lo que se encuentra en la página) y las correcciones (recomendaciones) en JSON

2.1. CRO Score (MECLABS)

IMPORTANTE: El CRO Score se calcula ESTRICTAMENTE según la fórmula. NO lo evalúe "a ojo". Siga el algoritmo a continuación paso a paso.

Algoritmo de cálculo (OBLIGATORIO)

Paso 1: Evalúe cada factor del 1 al 10 según las tablas de criterios a continuación.

Paso 2: Calcule cada componente POR SEPARADO:

M_component = M × 4 = [valor]
V_component = V × 3 = [valor]
I_component = I × 2 = [valor]
F_component = F × 2 = [valor]
A_component = A × 2 = [valor]

Paso 3: Sume todos los componentes:

CRO = M_component + V_component + I_component + F_component + A_component

Paso 4: ANTES de escribir en JSON, verifique:

cro_score DEBE SER IGUAL a la suma del Paso 3
Si no coincide, vuelva a calcular

Fórmula:

C = (M × 4) + (V × 3) + (I × 2) + (F × 2) + (A × 2)

Tablas de criterios

M (Motivación) — Motivación (peso ×4)

Puntuación	Criterios
1-3	El usuario no comprende su problema, busca información
4-6	El usuario conoce el problema, busca una solución
7-10	El usuario está listo para comprar, compara opciones

V (Value Proposition) — Propuesta de valor (peso ×3)

Puntuación	Criterios
1-3	Poco clara, vaga, genérica
4-6	Está claro qué hacen, pero no por qué esta empresa
7-10	Propuesta única de venta clara, diferenciación de competidores, beneficios concretos

I (Incentive) — Incentivos (peso ×2)

Puntuación	Criterios
1-3	Sin limitaciones, sin urgencia, sin bonificaciones
4-6	Hay 1-2 desencadenantes (descuento O urgencia O bonificación)
7-10	3+ desencadenantes simultáneamente

F (Friction) — Fricción (peso ×2)

Puntuación	Criterios
1-3	Formulario de 1-2 campos, proceso simple, CTA claro
4-6	Formulario de 3-5 campos, hay pasos adicionales
7-10	Formulario de 6+ campos, proceso complejo, CTA poco claro

A (Anxiety) — Ansiedad (peso ×2)

Puntuación	Criterios
1-3	Garantía junto al CTA, reseñas visibles, política existente
4-6	Garantía en algún lugar de la página, reseñas parciales
7-10	Sin garantía, sin reseñas, sin política cerca del CTA

Ejemplo de cálculo (allokna.ru)

Paso 1 — Evaluación de factores:

Factor	Puntuación	Justificación
M	5	Negocio local, el dolor es conocido pero no se enfatiza
V	4	"calor y confort" — emoción sin detalles
I	2	Sin urgencia, sin bonificaciones
F	6	Formulario de 2 campos (bien), pero 15+ elementos de navegación
A	6	Sin garantía, sin reseñas cerca del CTA

Paso 2 — Componentes:

M × 4 = 5 × 4 = 20
V × 3 = 4 × 3 = 12
I × 2 = 2 × 2 = 4
F × 2 = 6 × 2 = 12
A × 2 = 6 × 2 = 12

Paso 3 — Total: CRO = 20 + 12 + 4 + 12 + 12 = 60/100 (Medio)

Paso 4 — Validación: 60 = 20+12+4+12+12 ✓

Para cada factor, registre en JSON:

score (1-10)
findings — hechos concretos de la página
fixes — recomendaciones con prioridades HIGH/MEDIUM/LOW

2.2. LIFT Score

Fórmula:

LIFT_raw = (Relevancia + Claridad + Urgencia + Valor) - (Ansiedad + Distracción)
LIFT = ((LIFT_raw + 16) / 54) × 100

Donde:

-16 = mínimo (todos los impulsores=1, todos los inhibidores=10)
+16 = desplazamiento para obtener 0
54 = rango (38 - (-16))

Rango: 0-100%

<40% = Bajo
40-70% = Medio
70% = Alto

Tablas de criterios

Relevancia (Impulsor)

Puntuación	Criterio
1-2	El titular no responde a la necesidad del ICP. "Quiénes somos" en lugar de "Qué obtendrás"
3-4	El titular está vagamente relacionado con la necesidad, pero no con precisión
5-6	El titular responde parcialmente al dolor principal del ICP
7-8	El titular responde exactamente al dolor principal del ICP
9-10	El titular resuena completamente con el ICP — "¡Esto es para mí!"

Claridad (Impulsor)

Puntuación	Criterio
1-2	No está claro qué se ofrece. Jerga, abstracciones
3-4	Se entiende en términos generales, pero los detalles son borrosos
5-6	La mayoría lo entenderá. Sin jerga
7-8	Todo claro: qué, para quién, por qué
9-10	Comprensión instantánea. Cada palabra funciona

Urgencia (Impulsor)

Puntuación	Criterio
1-2	Sin restricciones. "Ven cuando quieras"
3-4	Insinuación de restricción, pero no clara
5-6	Hay 1-2 desencadenantes de urgencia
7-8	Restricciones claras: tiempo, cantidad, condiciones
9-10	Fuerte urgencia: countdown, "último producto", fecha límite

Valor (Base)

Puntuación	Criterio
1-2	El precio no está claro o se indica sin beneficio
3-4	Los beneficios son vagos, el precio está presente
5-6	Los beneficios son claros, pero no únicos
7-8	Relación precio/beneficio clara
9-10	Valor evidente: "Alternativas caras = X, Nuestro = X-Y, Beneficio = Z"

Ansiedad (Inhibidor)

Puntuación	Criterio
1-2	Garantía, reseñas, política cerca del CTA. Cero dudas
3-4	1-2 señales de confianza, pero no cerca del CTA
5-6	Las señales están presentes, pero son débiles o vagas
7-8	Las dudas están presentes: sin garantía, sin reseñas
9-10	Máxima ansiedad: no hay confianza en absoluto

Distracción (Inhibidor)

Puntuación	Criterio
1-2	Enfoque en un solo objetivo. Sin enlaces innecesarios
3-4	1-2 elementos distractores, pero no críticos
5-6	Mucha navegación, pero el objetivo es visible
7-8	Muchas distracciones: banners, enlaces, popups
9-10	Caos: todo distrae, el objetivo está perdido

Ejemplo de cálculo

LIFT_raw = (4 + 4 + 2 + 4) - (7 + 6) = 14 - 13 = 1
LIFT = ((1 + 16) / 54) × 100 = 31.5%

Para cada factor, registre en JSON:

score (1-10)
findings — hechos concretos de la página
fixes — recomendaciones con prioridades

2.3. SS — Scannability Score

Fórmula:

SS = Σ(puntuación_bloque × peso_bloque) × 100%

Rango: 0-100%

<50% = Mala
50-70% = Media
70% = Buena

Tabla de bloques

Bloque	Peso	1-2	3-4	5-6	7-8	9-10
H1	20%	Ilegible, >15 palabras	legible pero largo	<10 palabras, beneficio	corto, <8 palabras	<6 palabras, USP preciso
Subheadline	15%	Ausente	largo, sin estructura	comprensible pero largo	corto, concreto	1-2 oraciones, valor
Botón CTA	20%	invisible, pequeño	visible, color se mezcla	contraste, texto genérico	texto con beneficio	texto=beneficio, primera persona
Estructura H2-H3	15%	sin encabezados	1-2 encabezados	hay encabezados	jerarquía clara	escaneable en 3 seg
Visual	15%	fotos de stock	fotos relevantes, de stock	fotos reales	foto + texto	fotos de clientes/resultados
Espacios en blanco/aire	15%	el texto se fusiona	espacios desiguales	suficiente aire	diseño limpio	excelente legibilidad

Ejemplo de cálculo

SS = (4×0.2 + 4×0.15 + 4×0.2 + 3×0.15 + 3×0.15 + 4×0.15) × 100
SS = (0.8 + 0.6 + 0.8 + 0.45 + 0.45 + 0.6) × 100 = 37%

Para cada bloque, registre en JSON:

score (1-10)
findings — hechos concretos de la página
fixes — recomendaciones con prioridades

2.4. TF — Trust Factor

Fórmula:

TF = Σ (tipo_presente × peso)

Rango: 0-N

0-1.5 = ❌ Crítico
2-4.5 = ⚠️ Insuficiente
5-7.5 = ✅ Base presente
8-10+ = ✅✅ Fuerte

Tabla de desencadenantes

Tipo de desencadenante	Peso	Descripción	Ejemplo
Reseñas de clientes	2.0	Con nombre, foto, cargo	"Ana K., propietaria de piso" + foto
Resultados de clientes	2.0	Cifras concretas (dinero, %, tiempo)	"Redujo los gastos de calefacción en un 40%"
Testimonios en video	2.0	Grabación con un cliente real	Enlace a YouTube con un cliente
Casos antes/después	1.5	Foto + descripción del resultado	Foto de ventana ANTES/DESPUÉS
Logotipos de clientes	1.5	Empresas reconocibles	"Trabajamos con Gazprom, Sberbank"
Calificaciones de terceros	1.5	Yandex.Maps, Google, 2GIS	"4.9 en Yandex.Maps (247 reseñas)"
Garantía	1.5	Explícita, cerca del CTA	"Garantía de 10 años en las estructuras"
Certificados	1.0	De la industria, no del proveedor	"ISO 9001", "Licencia"
Estadísticas de la empresa	1.0	Cifras de experiencia	"15 años en el mercado", "5000+ ventanas"
Política de devolución	1.0	Clara, visible	"Devolvemos el dinero en 30 días"
Redes sociales	0.5	Perfiles activos con seguidores	"10K seguidores en VK"
Contactos	0.5	Dirección, teléfono, correo electrónico	Yaroslavl, +7(4852)66-27-21
Insignias de proveedores	0.3	Logotipos de proveedores	Logotipo de Rehau en el pie de página

Ejemplo de cálculo

Tipo	Ejemplo	Peso	Puntuación
Insignias de proveedores	Rehau, Roto, Axor (3 uds.)	0.3 × 3	0.9
Estadísticas de la empresa	"15 años en el mercado"	1.0	1.0
Contactos	dirección, teléfono, correo electrónico	0.5 × 3	1.5
TOTAL			3.4

En JSON, registre:

triggers[] — array de desencadenantes encontrados con type, count, weight, score
missing[] — array de tipos de desencadenantes ausentes
findings — hallazgos generales
fixes — recomendaciones

2.5. RR — Resonance Rate

Fórmula:

RR = (Σ puntuación_dolor / cantidad_dolores) × 100%

Rango: 0-100%

<30% = Débil
30-60% = Medio
60% = Fuerte

Algoritmo para determinar los dolores del ICP

Paso 1: Determinar el tipo de negocio (Ventanas/puertas, SaaS, E-commerce, Servicios, Negocio local)

Paso 2: Tomar los dolores universales + los típicos según el negocio

Dolores universales (para todos):

"Es caro"
"No confío"
"Lo harán/enviarán mal"
"No lo entenderé"
"No cumpliré el plazo"

Dolores típicos según el negocio:

Tipo de negocio	Dolores
Ventanas/puertas	"Hace frío en invierno", "Hay ruido", "Lo harán torcido/chueco", "Larga espera", "Difícil de elegir"
SaaS	"Difícil de implementar", "No se integra", "Caro para el equipo", "No retendré usuarios"
E-commerce	"No llegará a tiempo", "El producto no es el correcto", "No devolverán el dinero", "Se rompió en una semana"

Tabla de evaluación de cada dolor

Puntuación	Criterio
0%	El dolor NO se menciona en la página
25%	El dolor se menciona, pero NO hay solución
50%	Hay solución, pero SIN pruebas
75%	Hay solución + 1 prueba
100%	Hay solución + prueba sólida (cifras, testimonio en video)

Ejemplo de cálculo

Dolor	Puntuación
Caro	50%
Frío	50%
Ruido	50%
Torcido	50%
Largo	0%
Difícil	25%
TOTAL	(50+50+50+50+0+25)/6 = 37.5%

En JSON, registre:

pains[] — array de dolores con pain, score (0-100), evidence
findings — hallazgos generales
fixes — recomendaciones

Paso 3: Auditoría móvil

CTA en la zona del pulgar (mitad inferior)
Texto ≥16px
Formularios aptos para toque
Sin desplazamiento horizontal
CTA fijo al hacer scroll

Paso 4: Generación de pruebas A/B

Para CADA corrección de prioridad HIGH de las métricas 2.1-2.5, genere una prueba A/B:

Plantilla:

{
  "hypothesis": "Si [cambio específico], entonces [métrica] [mejorará], porque [razón]",
  "metric": "qué medir (CTR, tasa de conversión, tasa de rebote)",
  "variant_a": "texto/elemento actual de la página (cita exacta)",
  "variant_b": "cambio recomendado (texto completo)"
}

Requisitos:

Variant A — CITA EXACTA de la página analizada
Variant B — texto recomendado específico
Métrica — métrica específica para medir
Hipótesis — vinculada a un hallazgo específico

Ejemplo:

{
  "hypothesis": "Si cambiamos el titular de funcional a basado en beneficios, entonces el CTR de la sección hero aumentará, porque el usuario verá el beneficio instantáneamente",
  "metric": "CTR de la sección hero",
  "variant_a": "Fabricación e instalación de VENTANAS de PLÁSTICO y ALUMINIO",
  "variant_b": "¿Hace frío en invierno? Instale ventanas cálidas en 5 días — garantía de 10 años"
}

Paso 5: Acciones priorizadas

Recopile TODAS las correcciones de TODAS las métricas (2.1-2.5 + auditoría móvil) en un único array all_fixes[]:

"all_fixes": [
  {"priority": "HIGH", "text": "...", "impact": "...", "source": "cro.motivation"},
  {"priority": "HIGH", "text": "...", "impact": "...", "source": "lift.urgency"},
  {"priority": "MEDIUM", "text": "...", "impact": "...", "source": "ss.h1"},
  ...
]

El campo source indica de qué métrica proviene la recomendación:

cro.motivation, cro.value_proposition, cro.incentive, cro.friction, cro.anxiety
lift.relevance, lift.clarity, lift.urgency, lift.value, lift.anxiety, lift.distraction
ss.h1, ss.subheadline, ss.cta, ss.structure, ss.visual, ss.whitespace
tf
rr
mobile

Paso 6: Generar el resumen en JSON

{
  "summary": {
    "url": "<url>",
    "icp": "<ICP detectado>",
    "scores": {
      "cro_score": {"score": <0-100>, "level": "<Bajo/Medio/Alto>"},
      "lift_score": {"score": <0-100>, "level": "<Bajo/Medio/Alto>"},
      "scannability_score": {"score": <0-100>, "level": "<Mala/Media/Buena>"},
      "trust_factor": {"score": <0->, "level": "<Crítico/Insuficiente/Base/Fuerte>"},
      "resonance_rate": {"score": <0-100>, "level": "<Débil/Media/Fuerte>"}
    },
    "key_issues": ["<3-5 problemas principales>"],
    "key_recommendations": ["<3-5 recomendaciones principales>"],
    "ab_tests": [<3-5 pruebas A/B>],
    "all_fixes": [<array completo de correcciones>],
    "moscow": {
      "must_have": [<3-5 esenciales>],
      "should_have": [<3-5 importantes>],
      "could_have": [<3-5 opcionales>]
    }
  }
}

Reglas para la salida final:

Genere SIEMPRE un JSON estructurado
Los scores se calculan con precisión según las fórmulas
Variant A es SIEMPRE una cita exacta de la página analizada
Todas las correcciones se incluyen en all_fixes[]
moscow contiene las 10-15 correcciones más importantes, distribuidas

Fuentes

MECLABS CRO Framework
LIFT Model (Chris Goward / WiderFunnel)
Principios de psicología del comportamiento: Cialdini, Kahneman, Fogg

Preguntar en tu IA favorita

Documentación

Análisis CRO de página de aterrizaje (enfoque científico)

Propósito del skill

Cuándo usar

Cómo ejecutar

Paso 0: Definición del ICP

Paso 1: Obtener el contenido de la página

Paso 2: Análisis por 5 métricas

2.1. CRO Score (MECLABS)

Algoritmo de cálculo (OBLIGATORIO)

Tablas de criterios

M (Motivación) — Motivación (peso ×4)

V (Value Proposition) — Propuesta de valor (peso ×3)

I (Incentive) — Incentivos (peso ×2)

F (Friction) — Fricción (peso ×2)

A (Anxiety) — Ansiedad (peso ×2)

Ejemplo de cálculo (allokna.ru)

Para cada factor, registre en JSON:

2.2. LIFT Score

Tablas de criterios

Relevancia (Impulsor)

Claridad (Impulsor)

Urgencia (Impulsor)

Valor (Base)

Ansiedad (Inhibidor)

Distracción (Inhibidor)

Ejemplo de cálculo

Para cada factor, registre en JSON:

2.3. SS — Scannability Score

Tabla de bloques

Ejemplo de cálculo

Para cada bloque, registre en JSON:

2.4. TF — Trust Factor

Tabla de desencadenantes

Ejemplo de cálculo

En JSON, registre:

2.5. RR — Resonance Rate

Algoritmo para determinar los dolores del ICP

Tabla de evaluación de cada dolor

Ejemplo de cálculo

En JSON, registre:

Paso 3: Auditoría móvil

Paso 4: Generación de pruebas A/B

Paso 5: Acciones priorizadas

Paso 6: Generar el resumen en JSON

Fuentes

Skills relacionados

steipete/sag

steipete/oracle

steipete/peekaboo

mattpocock/design-an-interface

mattpocock/prototype

mattpocock/grill-me