Cómo funciona realmente nuestro modelo de ML de intención de salida: una inmersión profunda para especialistas en marketing

El problema con la intención de salida tradicional: por qué el simple movimiento del ratón falla

Durante años, la 'intención de salida' fue sinónimo de un cursor de ratón abandonando la ventana del navegador. Aunque revolucionario en su momento, este disparador básico a menudo conduce a dos problemas: falsos positivos y oportunidades perdidas. Los falsos positivos molestan a los usuarios que simplemente están navegando entre pestañas, lo que lleva a que lo ignoren. Las oportunidades perdidas ocurren cuando la intención de un usuario de irse es clara, pero su cursor nunca cruza el límite, piense en usuarios de tabletas o aquellos que se desplazan rápidamente.

Investigaciones tempranas, como el estudio de conversión de popups de Sumo de 2016, mostraron tasas de conversión promedio alrededor del 3.09%, con los de mejor rendimiento alcanzando el 9.28%. Esta amplia brecha demostró que el momento y la relevancia son críticos, no solo la presencia de un popup. Nuestro objetivo con el modelo de ML ExitSense de LeadYup fue cerrar esa brecha haciendo que la intención de salida fuera más inteligente.

Las 26 señales que nuestro ML de popups observa 🕵️‍♀️

En lugar de un solo disparador, nuestro modelo de ML ExitSense monitorea continuamente 26 señales de comportamiento distintas. Estas señales se alimentan a un algoritmo de aprendizaje automático, principalmente un modelo XGBoost optimizado, para predecir la probabilidad de que un usuario abandone el sitio en los próximos segundos. Esto no se trata solo del movimiento del ratón; abarca una visión holística del compromiso del usuario.

Algunas de las señales clave incluyen:

• Actividad del ratón: velocidad, dirección, aceleración, distancia desde la parte superior/inferior/lateral de la ventana.
• Comportamiento de desplazamiento: velocidad de desplazamiento, dirección de desplazamiento (el desplazamiento hacia arriba a menudo indica la intención de salir, especialmente en páginas largas), distancia de desplazamiento, paradas repentinas.
• Métricas de interacción: tiempo en la página, estado de la pestaña activa, número de páginas visitadas, estado de interacción con formularios (por ejemplo, ¿el usuario ha comenzado a escribir en un campo de formulario?).
• Señales específicas del dispositivo: En los más de 1,000 sitios que ejecutan popups de LeadYup, la intención de salida en dispositivos móviles generalmente necesita un híbrido de desplazamiento hacia arriba + inactividad porque el movimiento del ratón no se activa. También analizamos los gestos de pellizcar para hacer zoom y los patrones de toque.
• Indicadores de carga cognitiva: cambio rápido de pestañas, tiempo de inactividad prolongado después de la interacción.

Al combinar estas señales, el modelo aprende a identificar patrones que preceden a la salida real, proporcionando una comprensión mucho más matizada que los sistemas basados en reglas.

Lo que aprendimos de 10,000 impresiones de popups (y contando)

El análisis de datos de decenas de miles de impresiones de popups ha ofrecido información invaluable sobre el comportamiento del usuario. Un hallazgo significativo es que el momento 'único para todos' es un mito. Un popup que convierte bien en una página de producto de comercio electrónico podría ser disruptivo en una publicación de blog B2B. El momento óptimo es dinámico y depende en gran medida del contexto, el recorrido del usuario e incluso la hora del día.

También observamos que el contenido del popup es tan crucial como su momento. Un popup perfectamente programado con mensajes irrelevantes sigue fallando. Esto nos llevó a integrar la generación de copias por página y pruebas avanzadas de titulares en la plataforma LeadYup. Nuestros hallazgos se alinean con la investigación de UX de Nielsen Norman Group, que enfatiza consistentemente la relevancia y el control del usuario como primordiales para una experiencia de usuario positiva.

Para un desglose detallado de cómo aplicamos estos conocimientos, consulte cómo funciona realmente nuestro modelo de ML de intención de salida en la práctica.

Lo que la IA/LLMs modernos añaden a cómo funciona realmente nuestro modelo de ML de intención de salida

La IA moderna y los Grandes Modelos de Lenguaje (LLM) mejoran significativamente las capacidades de nuestro creador de popups y el modelo de ML ExitSense, yendo más allá de lo que las herramientas tradicionales basadas en reglas pueden ofrecer.

• Generación de copias por página: A diferencia de las herramientas heredadas que requieren la creación manual de copias, LeadYup utiliza un LLM para generar copias de popups altamente relevantes y por página. Esto asegura que el mensaje siempre se adapte al contexto actual del usuario, aumentando la participación y las tasas de conversión.
• Thompson sampling explicado para especialistas en marketing: Para la optimización de titulares, empleamos Thompson sampling, un método de prueba A/B bayesiano. En lugar de dividir rígidamente el tráfico 50/50, Thompson sampling asigna dinámicamente más tráfico a los titulares de mejor rendimiento más rápido, maximizando las conversiones incluso a escala de SMB. Esto significa que no necesita millones de impresiones para encontrar un titular ganador; el sistema aprende y se adapta de manera eficiente.
• Fusión de señales de comportamiento a través de XGBoost: Nuestro modelo de ML ExitSense aprovecha algoritmos avanzados como XGBoost para fusionar las 26 señales de comportamiento. Esto permite identificar relaciones complejas y no lineales entre las señales, lo que lleva a una predicción mucho más precisa de la intención de salida que los umbrales simples o los modelos lineales. Este procesamiento sofisticado de señales es un sello distintivo de las aplicaciones modernas de ML.

Estas características impulsadas por la IA significan que nuestro creador de popups no se trata solo de mostrar un popup; se trata de mostrar el popup correcto, con el mensaje correcto, en el momento correcto.

Compromisos honestos: qué no funciona y por qué

Si bien nuestro modelo de ML mejora significativamente la precisión de la intención de salida, no es una solución mágica sin advertencias. Por ejemplo, las páginas extremadamente cortas (por ejemplo, páginas de destino de una sola línea) ofrecen menos señales de comportamiento, lo que hace que la predicción precisa sea más desafiante. En tales casos, un disparador de retardo de tiempo aún podría ser más efectivo que un modelo de ML apenas entrenado.

Otra área donde se necesita precaución es la frecuencia excesivamente agresiva de los popups. Incluso el popup más inteligente puede volverse intrusivo si se muestra repetidamente al mismo usuario con demasiada frecuencia. Recomendamos limitar cuidadosamente las impresiones por usuario por sesión para mantener una experiencia de usuario positiva. La confianza se construye respetando el flujo del usuario, no interrumpiéndolo. Los informes de referencia de la industria de Wisepops muestran consistentemente que los popups de alto rendimiento se integran perfectamente en el recorrido del usuario.

Comprender estas limitaciones es crucial para implementar una estrategia que realmente funcione. Para obtener consejos más tácticos, consulte cómo funciona realmente nuestro modelo de ML de intención de salida desde un punto de vista práctico.

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.