¿Cómo funciona nuestro modelo de ML de intención de salida? Una inmersión profunda para especialistas en marketing

Más allá del mouse-out: las 26 señales que monitorea nuestro ML

Los pop-ups de intención de salida tradicionales a menudo se basan únicamente en que el cursor del usuario abandone la ventana de visualización. Si bien esta es una señal fundamental, es un instrumento tosco en el matizado panorama digital actual. Nuestro modelo propietario ExitSense ML va mucho más allá, monitoreando continuamente 26 señales de comportamiento distintas para predecir la intención del usuario con una precisión notable.

Estas señales incluyen, entre otras, la velocidad y dirección de desplazamiento, el tiempo de inactividad, el cambio de pestañas, la interacción con los campos del formulario (o la falta de ella), los patrones de movimiento del cursor, la profundidad de la página e incluso la tasa de selección de texto. Cada señal contribuye a una puntuación de probabilidad dinámica, lo que permite al modelo anticipar la salida de un usuario antes de que se convierta en una certeza. Este enfoque multifacético mejora significativamente la relevancia y el momento de las visualizaciones de pop-ups, yendo más allá de las reglas simples para una inteligencia predictiva genuina.

Lo que aprendimos de más de 10,000 impresiones de pop-ups (y contando)

Nuestro viaje con LeadYup ha implicado el análisis de cientos de millones de interacciones de usuarios en diversos sitios web. Una de las ideas más significativas que hemos obtenido de cómo funciona nuestro modelo de ML de intención de salida es la gran variabilidad de la 'intención de salida' en diferentes segmentos de usuarios y tipos de contenido. Por ejemplo, un usuario que navega por páginas de productos exhibe diferentes comportamientos previos a la salida que alguien que lee una publicación de blog.

Una observación clave: 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 el mouse-out no se activa. Esta es una distinción crítica que los sistemas basados en reglas a menudo pasan por alto, lo que lleva a oportunidades perdidas o interrupciones mal programadas. También hemos visto que, si bien la tasa de conversión promedio de pop-ups ronda el 3.09% (Sumo, 2016), los pop-ups de alto rendimiento, a menudo impulsados por una sincronización inteligente, pueden lograr tasas de conversión que superan el 9.28%.

Muestreo de Thompson explicado para especialistas en marketing: pruebas A/B más inteligentes

Más allá de la sincronización, el contenido de su pop-up es primordial. Pero, ¿cómo encontrar de manera eficiente el titular o la llamada a la acción 'ganadores' sin pruebas A/B largas y que requieren muchos recursos? Aquí es donde entra en juego el muestreo de Thompson. A diferencia de las pruebas A/B tradicionales, que a menudo requieren un tamaño de muestra fijo antes de declarar un ganador, el muestreo de Thompson es un algoritmo de bandido multi-brazo que asigna dináficamente más tráfico a las variaciones de mejor rendimiento con el tiempo.

Para los especialistas en marketing, esto significa ciclos de optimización más rápidos y menos tráfico 'desperdiciado' en variantes de bajo rendimiento. El algoritmo aprende continuamente de cada impresión, ajustando su asignación para maximizar las conversiones. Esto permite que incluso las PYMES y los fundadores de SaaS independientes realicen optimizaciones sofisticadas en tiempo real sin necesidad de un equipo de ciencia de datos dedicado. Es una forma eficiente de garantizar que el texto de su pop-up, generado por nuestro modelo de lenguaje, siempre tenga el máximo rendimiento.

Lo que la IA/LLM modernas añaden a cómo funciona nuestro modelo de ML de intención de salida

La integración de la IA moderna y los modelos de lenguaje grandes (LLM) cambia fundamentalmente el juego para la optimización de pop-ups en comparación con las herramientas heredadas basadas en reglas. Así es como LeadYup aprovecha esta tecnología avanzada:

• Generación de texto por página: en lugar de mensajes de pop-up genéricos, nuestro LLM analiza el contenido específico de cada página que un usuario está viendo para generar un texto de pop-up altamente relevante y personalizado. Esto asegura que el mensaje resuene directamente con el interés inmediato del usuario, aumentando significativamente la participación.
• Muestreo de Thompson a escala: la IA nos permite implementar el muestreo de Thompson para la optimización de titulares y CTA en miles de campañas concurrentes, algo poco práctico con las pruebas A/B manuales. Esto permite un aprendizaje y una adaptación continuos en tiempo real, incluso para volúmenes de tráfico más pequeños.
• Fusión de señales de comportamiento a través de XGBoost: nuestro modelo ExitSense ML utiliza algoritmos avanzados de aprendizaje automático como XGBoost para fusionar las 26 señales de comportamiento en una única probabilidad de salida altamente predictiva. Este sofisticado procesamiento de señales va mucho más allá de las simples reglas de 'si-entonces', capturando relaciones no lineales complejas entre las acciones del usuario y la intención de salida. Este es un componente central de cómo funciona nuestro modelo de ML de intención de salida.

Compromisos honestos: lo que funciona y lo que no

Si bien el ML avanzado ofrece ventajas significativas, es importante reconocer que no todas las tácticas funcionan universalmente. Los pop-ups agresivos e inmediatos, incluso si están perfectamente programados, aún pueden percibirse como intrusivos si la oferta no es atractiva o el diseño es deficiente. La investigación de UX de Nielsen Norman Group muestra consistentemente que los pop-ups mal implementados pueden dañar la experiencia del usuario y la percepción de la marca.

Lo que funciona consistentemente es un enfoque basado en el valor: ofrecer un valor genuino a cambio de una dirección de correo electrónico o participación. Esto podría ser un descuento exclusivo, una valiosa mejora de contenido o acceso a una herramienta. Lo que no funciona bien son las ofertas genéricas y poco inspiradas o los pop-ups que aparecen con demasiada frecuencia para el mismo usuario. Nuestro modelo de ML ayuda a mitigar esto al aprender la fatiga del usuario y ajustar la frecuencia de visualización, pero la calidad de la oferta subyacente sigue siendo primordial. Para obtener más información táctica, consulte cómo funciona nuestro modelo de ML de intención de salida en la práctica.

LeadYup Editorial

Product & growth team

Hands-on operators behind LeadYup's popup engine, ExitSense ML model, and A/B infra. We write what we ship, not what we wish.