Cómo funciona realmente nuestro modelo de ML de intención de salida: una mirada sincera bajo el capó

¿Qué falla con la intención de salida tradicional?

Históricamente, la tecnología de intención de salida se basaba en una única señal: el movimiento rápido del ratón hacia la barra superior del navegador. Aunque revolucionario en su momento, este enfoque es limitado. A menudo se activa demasiado tarde o de forma imprecisa, especialmente en navegadores y dispositivos modernos. Por ejemplo, un usuario podría mover el ratón para hacer clic en otra pestaña pero aún tener la intención de regresar.

El problema es de precisión y recuperación. Los métodos tradicionales pierden oportunidades de salida genuinas (baja recuperación) y activan pop-ups cuando los usuarios no se están yendo realmente (baja precisión), lo que lleva a una mala experiencia de usuario. Este enfoque general a menudo significa que los especialistas en marketing o bien molestan a los visitantes o bien pierden valiosas oportunidades de conversión, dejando ingresos significativos sobre la mesa.

Las 26 señales que monitorea nuestro ML de pop-ups 🕵️‍♀️

Nuestro modelo de ML ExitSense va más allá de la detección básica de salida del ratón al monitorear continuamente 26 señales de comportamiento distintas. Estas señales se dividen en categorías como actividad del ratón, comportamiento de desplazamiento, interacción del teclado, tiempo en la página e incluso indicadores pasivos.

• Actividad del ratón: Velocidad, aceleración, cambios de dirección, proximidad a elementos de la interfaz de usuario del navegador (pestañas, botón de retroceso).
• Comportamiento de desplazamiento: Velocidad de desplazamiento, dirección de desplazamiento (especialmente desplazamientos hacia arriba después de un desplazamiento significativo hacia abajo), profundidad de desplazamiento, paradas repentinas.
• Interacción del teclado: Actividad de escritura, uso de la tecla tabulador, pulsaciones de la tecla 'escape'.
• Métricas de interacción: Tiempo dedicado a elementos específicos de la página, número de clics, interacción con campos de formulario, tiempo de inactividad.
• Señales contextuales: Revisitas de página, cambios de referencia e incluso información básica del dispositivo (aunque no personalmente identificable).

Al fusionar estas diversas señales, el modelo construye un perfil dinámico de la intención del usuario en tiempo real. Esta visión holística permite una comprensión mucho más matizada de cuándo un usuario se está desconectando genuinamente frente a simplemente navegar por la página.

Cómo se introducen estas señales en el modelo de aprendizaje automático

Las 26 señales se introducen continuamente en un modelo de aprendizaje automático propietario, utilizando principalmente un método de conjunto similar a XGBoost. Este modelo se entrena con millones de sesiones de usuario para identificar patrones complejos indicativos de la intención de salida. No se trata solo de señales individuales, sino de cómo se combinan y secuencian. Por ejemplo, un desplazamiento rápido hacia arriba, seguido de un movimiento del ratón hacia el botón de cerrar después de un período de inactividad, es un fuerte indicador.

Descubrimos que ninguna señal individual es una solución mágica. En cambio, el modelo aprende la importancia relativa y la interacción de estas señales. Por ejemplo, en los más de 1,000 sitios que ejecutan pop-ups de LeadYup, la intención de salida en dispositivos móviles generalmente necesita un híbrido de desplazamiento hacia arriba + inactividad porque la salida del ratón no se activa. Esta información basada en la experiencia informó directamente la ponderación de nuestro modelo para las señales específicas de dispositivos móviles. El modelo recalibra continuamente estas ponderaciones basándose en nuevos datos, asegurando que siga siendo efectivo en diversos comportamientos de usuario y tipos de sitios web. Puedes obtener más información al respecto en cómo funciona realmente nuestro modelo de ML de intención de salida bajo el capó.

Lo que la IA/LLM moderna añade a cómo funciona realmente nuestro modelo de ML de intención de salida

La IA moderna y los Grandes Modelos de Lenguaje (LLM) mejoran significativamente la eficacia de las plataformas de pop-ups como LeadYup, yendo más allá de lo que los sistemas tradicionales basados en reglas podrían lograr. Así es como:

1. Generación de texto por página: En lugar de mensajes genéricos, los LLM analizan el contenido de la página y la intención del usuario para generar textos de pop-ups altamente relevantes y por página. Esto significa que un pop-up en una página de precios tendrá un texto diferente y más persuasivo que uno en una entrada de blog.
2. Muestreo de Thompson para pruebas A/B dinámicas: Aunque no está directamente relacionado con el momento de la intención de salida, las pruebas A/B impulsadas por IA que utilizan el muestreo de Thompson permiten a las PYMES y agencias identificar rápidamente titulares y ofertas ganadoras sin necesidad de grandes volúmenes de tráfico. Esto asegura que el mensaje entregado por el pop-up perfectamente sincronizado también esté optimizado.
3. Fusión sofisticada de señales de comportamiento: A diferencia de las reglas simples IF-THEN, los modelos avanzados de ML (como XGBoost o redes neuronales) pueden procesar y fusionar docenas de señales de comportamiento simultáneamente para predecir la intención de salida con una precisión mucho mayor. Esto permite una comprensión matizada del estado del usuario que los disparadores básicos de JavaScript simplemente no pueden replicar. Esta es una parte central de cómo funciona realmente nuestro modelo de ML de intención de salida hoy en día.

Estas capacidades conducen a tasas de conversión significativamente más altas, como lo demuestran los puntos de referencia de la industria donde los pop-ups de mejor rendimiento alcanzan tasas de conversión del 9.28% o más, en comparación con el promedio del 3.09% (estudio de Sumo 2016/2018).

El impacto: lo que aprendimos de más de 10,000 impresiones de pop-ups

El análisis de datos de más de 10,000 impresiones de pop-ups en diversas industrias ha arrojado información crítica. La principal conclusión es que el momento es primordial. Un pop-up perfectamente sincronizado, entregado justo cuando un usuario está a punto de irse, supera consistentemente a los disparadores tempranos o tardíos. Esta precisión conduce a una mayor participación y tasas de conversión, al tiempo que minimiza la frustración del usuario.

También hemos observado que la relevancia importa tanto como el momento. Una oferta genérica, incluso perfectamente sincronizada, rinde menos que una contextual. Esto refuerza la necesidad de generación de texto impulsada por IA y selección dinámica de ofertas. Además, los pop-ups agresivos y demasiado frecuentes degradan significativamente la experiencia del usuario y la participación general del sitio, un hallazgo respaldado por la investigación de UX de Nielsen Norman Group. Nuestro modelo busca una precisión quirúrgica, no la fuerza bruta.

Los datos muestran claramente que una estrategia de intención de salida bien ejecutada puede aumentar significativamente la captura de leads y las ventas, transformando posibles rebotes en valiosas conversiones. Para una inmersión más profunda en la aplicación práctica, consulta cómo funciona realmente nuestro modelo de ML de intención de salida en una lista de verificación táctica.

Roman Bootko

Founder & CEO, LeadYup

Roman has built lead-capture products since 2019, serving 1,000+ websites across 12 countries. He writes about exit-intent ML, popup conversion data, and the unsexy reality of growing SaaS from zero.