Cómo funciona realmente nuestro modelo de ML de intención de salida: una mirada honesta a 26 señales vs. herramientas heredadas

El problema con el 'mouse-out' y por qué lo superamos

Durante años, el estándar de la industria para los popups de intención de salida se basó casi exclusivamente en una única señal: el cursor del usuario saliendo del área visible del navegador. Si bien esto fue una innovación revolucionaria en su momento, es un instrumento tosco en el complejo panorama digital actual. A menudo se activa prematuramente, pasa por alto la intención de salida genuina y falla por completo en dispositivos táctiles.

Nuestra investigación inicial, que refleja los hallazgos del Nielsen Norman Group sobre la frustración del usuario con los popups intrusivos, mostró que un enfoque de una sola señal conducía a altas tasas de rebote y un sentimiento negativo por parte del usuario. Necesitábamos una comprensión más matizada del comportamiento del usuario para ofrecer una experiencia verdaderamente efectiva.

Las 26 señales que monitorea nuestro ML de popups: una inmersión profunda en el comportamiento

En lugar de un solo disparador, el modelo de ML ExitSense de LeadYup monitorea continuamente 26 señales de comportamiento distintas. Estas señales van desde movimientos sutiles del mouse y patrones de desplazamiento hasta la profundidad de interacción de la página e incluso temporizadores de inactividad. Por ejemplo, un movimiento rápido y errático del mouse hacia la esquina superior derecha combinado con la falta de clics recientes es un fuerte indicador de una salida inminente.

En los más de 1,000 sitios que ejecutan popups de LeadYup, la intención de salida en dispositivos móviles generalmente necesita una combinación híbrida de desplazamiento hacia arriba + inactividad porque el 'mouse-out' no se activa. Este es solo un ejemplo de cómo nuestro enfoque de múltiples señales se adapta a los comportamientos específicos del dispositivo, una ventaja crítica sobre los sistemas heredados. Nuestro modelo aprende la ponderación única de estas señales para cada usuario individual y contexto de página, prediciendo el momento óptimo para interactuar.

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

La integración de la IA moderna y los Grandes Modelos de Lenguaje (LLM) cambia fundamentalmente cómo funciona realmente nuestro modelo de ML de intención de salida en comparación con las herramientas heredadas basadas en reglas. En primer lugar, los LLM permiten la generación de texto por página. En lugar de texto genérico para popups, LeadYup puede crear dinámicamente texto altamente relevante y persuasivo adaptado al contenido específico de la página que el usuario está viendo, lo que aumenta significativamente las tasas de participación.

En segundo lugar, nuestro sistema emplea el muestreo de Thompson, explicado para especialistas en marketing como una metodología avanzada de pruebas A/B. A diferencia de las pruebas A/B tradicionales que requieren grandes tamaños de muestra y duraciones fijas, el muestreo de Thompson aprende continuamente y asigna más impresiones a las variaciones ganadoras, incluso a escala de pequeñas y medianas empresas (SMB). Esto significa una optimización más rápida y tasas de conversión más altas sin intervención manual.

Finalmente, la fusión de las 26 señales de comportamiento no es solo una simple suma; se procesa a través de algoritmos sofisticados de aprendizaje automático como XGBoost, lo que permite interacciones complejas y no lineales entre las señales. Esto permite una predicción mucho más precisa de la intención de salida de lo que cualquier conjunto de reglas codificadas podría lograr, lo que lleva a tasas de conversión que a menudo superan el promedio de la industria del 3.09% citado por el estudio de Sumo de 2016.

Lo que aprendimos de más de 10,000 impresiones de popups: tácticas que funcionan (y las que no)

Al analizar decenas de miles de impresiones de popups, hemos recopilado información invaluable. Hemos visto que ofrecer una propuesta de valor clara e inmediata (por ejemplo, un código de descuento o contenido exclusivo) supera consistentemente a los mensajes genéricos de 'suscribirse'. Los informes de referencia de la industria de Wisepops muestran consistentemente que las ofertas personalizadas convierten mejor.

Por el contrario, los popups demasiado agresivos o frecuentes, incluso los bien programados, provocan fatiga en el usuario y rendimientos decrecientes. Existe un delicado equilibrio entre captar la atención e interrumpir la experiencia del usuario. Nuestro modelo aprende este equilibrio para cada sitio, asegurando que los popups aparezcan solo cuando la probabilidad de conversión es más alta y la interrupción se minimiza. Para una inmersión más profunda en las aplicaciones prácticas, vea cómo funciona realmente nuestro modelo de ML de intención de salida en la práctica.

Las compensaciones honestas: cuando el ML no es una bala mágica

Si bien nuestro modelo de ML mejora significativamente el rendimiento de los popups, no es una bala mágica. Requiere una base de tráfico de usuarios para aprender de manera efectiva. Las páginas nuevas o los sitios con muy poco tráfico podrían inicialmente funcionar de manera similar a un sistema basado en reglas hasta que se recopilen suficientes datos. Además, la calidad de la oferta del popup en sí sigue siendo primordial. Incluso el mejor momento no convertirá una oferta irrelevante o poco atractiva.

También reconocemos que algunos usuarios inherentemente no les gustan los popups, independientemente del momento o la relevancia. Nuestro objetivo no es convertir al 100% de los visitantes, sino maximizar las conversiones de aquellos que están realmente indecisos. Para obtener más detalles técnicos sobre nuestro enfoque, explore cómo funciona realmente nuestro modelo de ML de intención de salida bajo el capó.

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.