¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una mirada honesta bajo el capó para 2026
P1: ¿Qué es exactamente la 'intención de salida' y por qué es tan efectiva?
La intención de salida es la intención predicha de un visitante de un sitio web de abandonar una página sin completar una acción deseada. Es efectiva porque presenta una oferta de última oportunidad –un descuento, un lead magnet o una solicitud de suscripción– en el momento en que un visitante se está desconectando. Investigaciones tradicionales, como el estudio de Sumo de 2016, encontraron que la tasa de conversión promedio de los popups es de alrededor del 3.09%, con los de mejor rendimiento alcanzando más del 9.28%.
El poder reside en el contexto: no estás interrumpiendo a un usuario comprometido, sino volviendo a involucrar a alguien que ya estaba a punto de irse. Esto hace que la intervención sea menos intrusiva y más probable que se perciba como útil, especialmente cuando la oferta es relevante. Al comprender cómo funciona realmente nuestro modelo de ML de intención de salida, los especialistas en marketing pueden aprovechar este momento de manera efectiva.
P2: ¿Cuáles son las 26 señales que nuestro ML de popups observa para predecir la salida?
Nuestro modelo de ML ExitSense no solo busca un ratón moviéndose hacia el botón de cerrar del navegador. Monitorea activamente 26 señales de comportamiento, creando un perfil completo del nivel de compromiso de un usuario. Estas señales van desde movimientos básicos del cursor hasta interacciones más sutiles.
- Dinámica del ratón/puntero: Velocidad, aceleración, trayectoria hacia la parte superior de la ventana del navegador, cambios repentinos de dirección y 'jitter' (movimientos pequeños y erráticos).
- Comportamiento de desplazamiento: Velocidad de desplazamiento hacia arriba, desplazamiento repetido hacia arriba y hacia abajo, paradas repentinas en el desplazamiento y la profundidad total de desplazamiento alcanzada.
- Métricas de compromiso: Tiempo en la página, tiempo de inactividad (sin actividad), cambio de pestañas (cambios de enfoque) e interacciones con elementos de la página (clics, pasar el ratón por encima).
- Interacción con formularios: Campos de formulario abandonados, velocidad de escritura y posición del cursor dentro de las entradas del formulario.
- Contexto de la sesión: Número de páginas visitadas en la sesión actual, información del referente y tipo de dispositivo.
Estas señales se introducen en nuestro modelo de aprendizaje automático, que aprende a identificar patrones indicativos de una salida inminente, mucho más allá de lo que pueden lograr las reglas simples.
P3: ¿Qué aprendimos de 10,000 impresiones de popups y más allá?
El análisis de datos de decenas de miles de impresiones de popups en diversos sitios de clientes ha proporcionado información invaluable. Hemos visto que el momento 'perfecto' no es universal; varía significativamente según la industria, la audiencia e incluso el contenido específico de la página. Por ejemplo, en sitios de comercio electrónico, un popup rápido de 'volver al carrito' al momento de la intención de salida puede recuperar ingresos significativos, mientras que para las pruebas de SaaS, una actualización de contenido o una oferta de demostración funciona mejor.
Una observación crítica: 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 la salida del ratón no se activa de manera tan confiable en dispositivos táctiles. Esto nos llevó a refinar significativamente nuestra detección de intención de salida móvil. También aprendimos que los popups excesivamente agresivos, incluso con una sincronización perfecta, pueden generar un sentimiento negativo en el usuario si la oferta no es realmente valiosa, lo que refuerza las pautas de UX de Nielsen Norman Group sobre los diálogos modales.
P4: ¿Cómo selecciona Thompson sampling los titulares ganadores para estos popups?
Una vez que el modelo de ML ExitSense identifica un momento de intención de salida, el siguiente desafío es presentar el mensaje más efectivo. Aquí es donde Thompson sampling entra en juego para seleccionar titulares ganadores, ofreciendo una alternativa más eficiente a las pruebas A/B tradicionales, especialmente para PYMES y fundadores de SaaS independientes con menos tráfico.
Thompson sampling es un algoritmo de 'bandido multi-brazo'. En lugar de dividir rígidamente el tráfico (como las pruebas A/B) y esperar la significancia estadística, asigna dinámicamente más impresiones a los titulares que están funcionando mejor, más rápido. Explora nuevas opciones mientras explota simultáneamente las de mejor rendimiento. Esto significa que, con el tiempo, el algoritmo prioriza automáticamente los titulares con la mayor probabilidad de conversión, maximizando sus resultados desde el primer día, en lugar de esperar a que concluya una prueba. Así es como nuestro creador de popups garantiza una optimización continua.
P5: Qué añaden las IA/LLMs modernas a cómo funciona realmente nuestro modelo de ML de intención de salida
La IA moderna y los Grandes Modelos de Lenguaje (LLMs) mejoran significativamente el enfoque de LeadYup sobre cómo funciona realmente nuestro modelo de ML de intención de salida, yendo más allá de las capacidades de las herramientas heredadas basadas en reglas. Esto es lo que nos diferencia:
- Generación de texto y titulares por página: Las herramientas tradicionales requieren la creación manual de textos. LeadYup aprovecha los LLMs para generar textos y titulares de popups altamente relevantes por página. El modelo de lenguaje analiza el contenido de la página y la intención del usuario para sugerir textos atractivos adaptados a ese contexto específico, reduciendo drásticamente el esfuerzo manual y mejorando la relevancia.
- Fusión adaptativa de señales de comportamiento mediante XGBoost: Nuestro modelo de ML ExitSense utiliza algoritmos avanzados como XGBoost para fusionar las 26 señales de comportamiento. A diferencia de las reglas simples de 'si-entonces', XGBoost puede identificar relaciones complejas y no lineales entre las señales y adaptar sus predicciones en tiempo real basándose en nuevos datos. Esto permite una detección de intención de salida mucho más precisa y matizada.
- Thompson sampling para la escala de PYMES: Como se mencionó, Thompson sampling hace que la optimización continua sea viable incluso para sitios con tráfico moderado. Los LLMs ayudan aquí generando un conjunto inicial diverso de titulares para que el bandido los pruebe, asegurando un fuerte punto de partida para la optimización. Esto significa que las empresas más pequeñas pueden lograr resultados sofisticados de pruebas A/B sin necesidad de grandes volúmenes de tráfico o especialistas dedicados en CRO.
Estas capacidades impulsadas por la IA significan que los popups no solo se programan perfectamente, sino que también se personalizan y optimizan para un impacto máximo automáticamente.
FAQ
¿Listo para ver el poder de la intención de salida impulsada por IA en acción? Prueba LeadYup gratis durante 14 días y transforma tus conversiones.
Start 14-day free trial →
Cómo LeadYup lo hace por ti
Modelo XGBoost con 26 señales elige el momento exacto para disparar — supera el simple mouse-out en 3–5×.
LLM reescribe el titular/subtítulo en cada landing según la intención — sin configurar A/B manualmente.
Multi-armed bandit elige la variante ganadora en días, incluso con tráfico SMB.
Slack, Zapier, HubSpot, webhooks, email — los leads llegan donde ya trabaja tu equipo.
Hazle una pregunta a Roman
¿Tienes una pregunta real sobre how our exit-intent ML model actually works? La leeré personalmente y te responderé dentro de un día. Las preguntas seleccionadas se publican debajo de este artículo.