Cómo funciona realmente nuestro modelo de ML de intención de salida: una inmersión profunda para especialistas en marketing en 2026

Más allá del mouse: las 26 señales que monitorea nuestro ML de pop-ups

Cuando hablamos de intención de salida, la mayoría de la gente se imagina un cursor de mouse saliendo de la ventana del navegador. Si bien esa es una señal, es solo la punta del iceberg. Nuestro modelo de ML ExitSense monitorea continuamente 26 señales de comportamiento distintas para predecir la intención de un usuario de irse. Estas señales abarcan desde la velocidad y dirección del desplazamiento hasta el tiempo de inactividad, el cambio de pestañas, la interacción con formularios e incluso sutiles micromovimientos del puntero.

Por ejemplo, un usuario que se desplaza rápidamente hasta la parte inferior de una página, luego se desplaza rápidamente hacia arriba, hace una pausa y luego se detiene cerca de un elemento de navegación prominente, podría estar señalando un tipo específico de 'intención perdida'. Cada señal contribuye con un valor ponderado al modelo, creando un perfil de usuario dinámico que se actualiza en tiempo real. Esto nos permite ir más allá de los simples disparadores basados en reglas y, en cambio, responder a los matices de los viajes del usuario. Esta comprensión granular es clave para cómo funciona realmente nuestro modelo de ML de intención de salida.

Muestreo de Thompson explicado para especialistas en marketing: por qué no solo hacemos pruebas A/B

Las pruebas A/B tradicionales son valiosas, pero pueden ser lentas, especialmente para optimizar elementos como los titulares de pop-ups donde muchas variaciones son posibles. Por eso empleamos el muestreo de Thompson. En lugar de dividir el tráfico 50/50 y esperar la significación estadística, el muestreo de Thompson asigna dinámicamente más tráfico a las variaciones que están funcionando mejor, más rápido. Es un enfoque de 'bandido multi-brazo' donde el sistema aprende y se adapta en tiempo real.

Piénsalo como un jugador de casino probando diferentes máquinas tragamonedas: el muestreo de Thompson identifica las máquinas 'ganadoras' (titulares, ofertas, creatividades) de manera más eficiente al explorar las opciones menos prometedoras con menos frecuencia. Esto significa que tus campañas de pop-ups alcanzan un rendimiento óptimo mucho más rápido, lo que se traduce directamente en tasas de conversión más altas. Aprovechamos esto para la optimización de titulares por página, asegurando que tu mensaje esté siempre afinado al contenido específico que un usuario está viendo.

Lo que aprendimos de 10,000 impresiones de pop-ups: conocimientos del mundo real

Al analizar datos de decenas de miles de impresiones de pop-ups en cientos de sitios, hemos obtenido información crucial. Una de las principales conclusiones es que el momento es primordial: un pop-up mal programado, por muy buena que sea la oferta, puede ser contraproducente. La investigación de Nielsen Norman Group demuestra consistentemente que los pop-ups intrusivos dañan la experiencia del usuario, pero los bien programados y relevantes pueden ser muy efectivos.

También observamos que la tasa de conversión promedio para pop-ups bien implementados ronda el 3.09%, una cifra consistente con el estudio de Sumo de 2016. Sin embargo, el 10% superior de nuestros pop-ups logra tasas de conversión del 9.28% o más, en gran parte debido a la precisión del modelo de ML de ExitSense y el contenido dinámico. En los más de 1,000 sitios que ejecutan pop-ups de LeadYup, la intención de salida en dispositivos móviles generalmente necesita un disparador híbrido de desplazamiento hacia arriba + inactividad porque un simple evento de 'mouse-out' no existe en dispositivos táctiles. Los disparadores puros de tiempo en la página a menudo son demasiado burdos, perdiendo señales de intención reales.

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

La integración de IA avanzada y modelos de lenguaje grandes (LLMs) eleva significativamente nuestro enfoque en comparación con las herramientas de pop-ups heredadas basadas en reglas. Así es como:

• Generación de texto por página: Las herramientas tradicionales requieren pruebas A/B manuales de texto estático. Nuestro LLM genera dinámicamente texto de pop-up adaptado al contenido específico de la página que el usuario está viendo. Esta hiperpersonalización, impulsada por la comprensión del contexto de la página, conduce a tasas de engagement significativamente más altas.
• Fusión de señales de comportamiento a través de XGBoost: En lugar de simples reglas de 'si/entonces', utilizamos algoritmos de aprendizaje automático sofisticados como XGBoost para fusionar las 26 señales de comportamiento. Esto permite que el modelo identifique relaciones complejas y no lineales entre las señales que indican la intención de salida, lo que lleva a una sincronización mucho más precisa y matizada que cualquier conjunto de reglas codificadas manualmente.
• Aprendizaje adaptativo con muestreo de Thompson: Como se mencionó, el muestreo de Thompson, impulsado por ML, refina continuamente la efectividad de los titulares y las ofertas sin los largos tiempos de espera de las pruebas A/B tradicionales. Esto significa que las empresas más pequeñas y los fundadores independientes pueden lograr velocidades de optimización que antes solo estaban disponibles para grandes empresas con equipos de CRO dedicados. Esta es una parte central de cómo funciona realmente nuestro modelo de ML de intención de salida.

Los inconvenientes: lo que no siempre funciona (y por qué)

Si bien la intención de salida impulsada por IA es poderosa, no es una solución mágica. Una frecuencia de pop-ups excesivamente agresiva, incluso si está perfectamente sincronizada, aún puede molestar a los usuarios. Nuestro modelo aprende a detectar la 'fatiga de pop-ups' y puede reducir temporalmente los disparadores para visitantes recurrentes. Además, las ofertas genéricas y no dirigidas siempre tendrán un rendimiento inferior, independientemente del momento. Incluso el mejor modelo de ML no puede solucionar una mala oferta o un mensaje irrelevante. El contenido de tu pop-up sigue siendo inmensamente importante. Hemos visto que los pop-ups que ofrecen un '10% de descuento' genérico sin una propuesta de valor clara a menudo funcionan peor que las ofertas altamente específicas y que resuelven problemas, incluso con una sincronización óptima. A veces, una llamada a la acción simple y clara en un creador de pop-ups bien diseñado es más efectiva que una excesivamente compleja y personalizada si la oferta principal no es atractiva.

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.