¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una mirada honesta bajo el capó

¿Qué es la intención de salida y por qué es importante la sincronización?

La tecnología de intención de salida detecta cuando un visitante está a punto de abandonar un sitio web, activando un popup dirigido en ese momento preciso. No se trata de molestar a los usuarios; se trata de ofrecer una oferta o mensaje de última oportunidad para volver a involucrarlos. Según un estudio de Sumo de 2016, la tasa de conversión promedio de los popups es de alrededor del 3.09%, pero el 10% superior de los popups convierte al 9.28% o más. El diferenciador clave para estos de alto rendimiento es a menudo una sincronización y relevancia impecables.

Una mala sincronización puede ser perjudicial. Un popup que aparece demasiado pronto interrumpe la experiencia del usuario, mientras que uno que aparece demasiado tarde pierde la oportunidad por completo. Nuestro objetivo es encontrar ese punto óptimo donde el usuario ha procesado el contenido de la página pero no se ha desvinculado por completo, maximizando la posibilidad de conversión sin causar frustración. Este delicado equilibrio es donde el aprendizaje automático realmente brilla.

Las 26 señales que observa nuestro ML de popups

A diferencia de los sistemas básicos basados en reglas que solo rastrean los eventos de salida del mouse, nuestro modelo ExitSense ML observa 26 señales de comportamiento distintas. Estas señales se monitorean continuamente y se alimentan a nuestros algoritmos de aprendizaje automático para construir una imagen completa de la intención del usuario. Incluyen una combinación de indicadores directos e indirectos:

• Patrones de movimiento del mouse: Velocidad, trayectoria, distancia a la barra superior del navegador, cambios repentinos de dirección.
• Comportamiento de desplazamiento: Profundidad de desplazamiento, velocidad, dirección (por ejemplo, desplazamiento rápido hacia arriba que indica la intención de salir).
• Métricas de participación: Tiempo en la página, número de clics, interacción con elementos específicos de la página.
• Interacción con formularios: Comenzar a llenar un formulario pero abandonarlo, pasar el mouse sobre los botones de envío.
• Actividad de pestañas: Cambiar de pestaña, minimizar la ventana del navegador.
• Señales específicas del dispositivo: En dispositivos móviles, gestos de 'deslizar para volver', o una combinación de desplazamiento hacia arriba y tiempo de inactividad, que hemos aprendido que es un fuerte indicador de intención de salida móvil porque la salida tradicional del mouse no se activa.

Al analizar estas señales en tiempo real, nuestro modelo puede predecir con alta precisión cuándo un usuario se está preparando para salir, lo que permite un popup perfectamente sincronizado. Este enfoque de múltiples señales supera significativamente los métodos de una sola señal, lo que lleva a mayores tasas de participación y conversión.

Cómo funciona realmente nuestro modelo de ML de intención de salida: el núcleo algorítmico

En el corazón de cómo funciona realmente nuestro modelo de ML de intención de salida hay una sofisticada tubería de aprendizaje automático. Utilizamos un conjunto de modelos, principalmente árboles potenciados por gradiente como XGBoost, que son excelentes para manejar conjuntos de datos diversos y de alta dimensión y detectar patrones sutiles. Cada una de las 26 señales de comportamiento se pondera y combina para generar una 'puntuación de probabilidad de salida' en tiempo real para cada visitante.

Cuando esta puntuación cruza un umbral ajustado dinámicamente, se activa el popup. Este umbral no es estático; se adapta en función del rendimiento general del sitio, el segmento de usuarios e incluso la oferta específica que se presenta. Este ajuste dinámico es crucial porque lo que constituye 'intención de salida' puede variar significativamente entre una publicación de blog y una página de pago. Nuestro modelo aprende y refina constantemente sus predicciones basándose en las interacciones y los resultados de conversión en curso, lo que garantiza un rendimiento óptimo.

Para seleccionar los mejores titulares y textos de popup, empleamos muestreo de Thompson explicado para especialistas en marketing. En lugar de las pruebas A/B tradicionales, que a menudo requieren un tráfico y un tiempo significativos, el muestreo de Thompson explora eficientemente diferentes variaciones y converge rápidamente en la opción de mayor rendimiento. Esto permite que incluso las PYMES y los fundadores de SaaS independientes optimicen rápidamente sus mensajes de popup sin necesidad de volúmenes masivos de visitantes.

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

La integración de la IA moderna y los Grandes Modelos de Lenguaje (LLMs) eleva significativamente las capacidades de nuestra plataforma más allá de las herramientas heredadas basadas en reglas. Esto es lo que distingue a LeadYup:

1. Generación de texto por página: En lugar de escribir manualmente el texto para cada página, nuestros LLMs analizan el contenido específico de la página y la intención del usuario para generar titulares y textos de popup altamente relevantes y atractivos. Esto asegura que cada popup se sienta hecho a medida para el contexto actual del usuario, mejorando la efectividad del creador de popups.
2. Pruebas de titulares adaptativas mediante muestreo de Thompson: Si bien las herramientas tradicionales pueden ofrecer pruebas A/B básicas, el uso del muestreo de Thompson por parte de LeadYup permite una optimización mucho más rápida y eficiente de los titulares. Asigna inteligentemente el tráfico a las variaciones ganadoras antes, maximizando las conversiones desde el principio, incluso con impresiones limitadas. Esto aborda 'lo que aprendimos de 10000 impresiones de popups', que la velocidad a la variación óptima es importante.
3. Fusión de señales de comportamiento con ML avanzado: Los sistemas más antiguos a menudo se basan en reglas simples de 'si-entonces' (por ejemplo, 'si el mouse sale de los 100px superiores, mostrar popup'). El modelo ExitSense ML de LeadYup, construido con técnicas como XGBoost, fusiona las 26 señales de comportamiento en un modelo predictivo matizado. Esto permite una detección mucho más precisa y sutil de la verdadera intención de salida, minimizando los falsos positivos y mejorando la experiencia del usuario. Este aprendizaje profundo a partir de múltiples señales es algo que los sistemas basados en reglas simplemente no pueden replicar.

Estas mejoras impulsadas por la IA significan que nuestros popups no solo están perfectamente sincronizados, sino que también se dirigen directamente a las necesidades del visitante, lo que lleva a tasas de conversión demostrablemente mejores.

Compromisos honestos y mejores prácticas

Si bien nuestro modelo de ML es altamente efectivo, es importante reconocer que ninguna solución es una bala mágica. El uso excesivo o las ofertas irrelevantes aún pueden provocar 'fatiga de popup'. La investigación de UX de Nielsen Norman Group destaca constantemente la importancia de la propuesta de valor en los popups: si la oferta no es atractiva, incluso la sincronización perfecta no la salvará.

Lo que funciona: Ofrecer valor genuino, como un descuento, una actualización de contenido exclusiva o un lead magnet útil. Segmentar su audiencia y adaptar las ofertas en consecuencia también aumenta significativamente el rendimiento. Por ejemplo, un cliente recurrente podría ver una oferta diferente a la de un visitante por primera vez. También hemos aprendido que las pruebas A/B de diferentes tipos de ofertas, no solo de titulares, son cruciales.

Lo que no funciona: Popups genéricos de 'suscríbase a nuestro boletín' sin un beneficio claro, o popups que bloquean inmediatamente el contenido sin dar al usuario la oportunidad de navegar. La frecuencia agresiva, mostrando el mismo popup varias veces en una sesión corta, también es contraproducente. El equilibrio es clave. Nuestro modelo proporciona la inteligencia de sincronización; su oferta proporciona el motor de conversión.

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.