¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una inmersión profunda en las señales de comportamiento

Más allá del mouse: las limitaciones de la intención de salida básica

Durante años, la 'intención de salida' significó principalmente detectar el movimiento del cursor del mouse de un usuario fuera de la ventana del navegador. Si bien esto fue un avance significativo sobre los activadores basados en el tiempo o en el desplazamiento, presentó limitaciones notables. El Nielsen Norman Group ha destacado constantemente cómo las interrupciones inesperadas pueden degradar la experiencia del usuario, enfatizando la necesidad de una sincronización más matizada.

Un simple activador de salida del mouse a menudo conduce a falsos positivos, interrumpiendo a los usuarios que simplemente están navegando por pestañas o cambiando el tamaño de las ventanas. Esto puede provocar irritación en lugar de compromiso. La tasa de conversión promedio de popups del 3.09% (Sumo, 2016) sugiere que, si bien los popups funcionan, hay un margen significativo de mejora al optimizar su sincronización y relevancia.

Las 26 señales que nuestro ML de popups observa para una verdadera intención

En el centro de nuestro enfoque está la comprensión de que la verdadera intención de salida es un comportamiento complejo y multifacético. Nuestro modelo de ML ExitSense no solo observa una sola acción; analiza 26 señales de comportamiento distintas en tiempo real. Estas señales van desde movimientos tradicionales del mouse y velocidad de desplazamiento hasta señales más sutiles como patrones de escritura, cambios de pestaña e incluso tiempo de inactividad.

Por ejemplo, un usuario que se desplaza rápidamente por la página después de un período de inactividad podría indicar una búsqueda de navegación o un intento de salir. Por el contrario, un usuario que acaba de pasar varios minutos leyendo contenido y luego ralentiza su desplazamiento hasta detenerse antes de mover el mouse hacia el botón de cerrar presenta una señal de salida diferente y más segura. Esta fusión de diversos puntos de datos permite una predicción mucho más precisa de la partida inminente.

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 mouse no se activa. Esta observación nos llevó a priorizar estas señales específicas para dispositivos móviles para una mayor precisión en pantallas más pequeñas.

Lo que aprendimos de 10,000 impresiones de popups

Nuestro análisis continuo de más de 10,000 impresiones de popups ha proporcionado información invaluable sobre el comportamiento del usuario. Hemos visto que los popups con mayor conversión no son necesariamente los que aparecen más rápido, sino los que aparecen en el momento de mayor valor percibido o menor fricción. Por ejemplo, un popup que ofrece un descuento en un carrito abandonado es mucho más efectivo cuando se activa después de que un usuario ha mostrado claras señales de abandonar el flujo de pago, en lugar de simplemente navegar por la página del producto.

También descubrimos que el 10% superior de los popups, que logran tasas de conversión del 9.28% o más (Sumo, 2016), exhibieron constantemente mensajes altamente personalizados y una sincronización impecable. Esto refuerza la necesidad tanto de una sincronización inteligente como de contenido relevante.

Para un desglose detallado de estos aprendizajes y estrategias accionables, puede explorar cómo funciona realmente nuestro modelo de ML de intención de salida en la práctica.

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

La IA moderna y los Grandes Modelos de Lenguaje (LLMs) elevan significativamente las capacidades de herramientas como LeadYup más allá de lo que los sistemas heredados basados en reglas pueden ofrecer. Así es como:

• Generación de texto por página: En lugar de depender de un único mensaje de popup estático, los LLMs permiten a LeadYup generar texto único y contextualmente relevante para cada página que un usuario está viendo. Esta personalización aumenta drásticamente el compromiso, ya que la oferta se relaciona directamente con el interés actual del usuario.
• Thompson sampling para pruebas A/B a escala: Las pruebas A/B tradicionales pueden ser lentas y consumir muchos recursos, especialmente para las PYMES. Nuestra integración de Thompson sampling permite la optimización dinámica y en tiempo real de los titulares y ofertas de los popups. El sistema aprende qué variaciones funcionan mejor y les asigna más impresiones, acelerando el descubrimiento de combinaciones ganadoras sin requerir volúmenes masivos de tráfico. Esto significa que incluso los sitios más pequeños pueden beneficiarse de una optimización sofisticada.
• Fusión de señales de comportamiento a través de XGBoost: Si bien los sistemas heredados pueden usar umbrales simples, nuestro modelo de ML ExitSense utiliza algoritmos avanzados como XGBoost para fusionar las 26 señales de comportamiento. Esto permite que el modelo identifique relaciones complejas y no lineales entre las señales, lo que lleva a una predicción mucho más precisa de la intención de salida de lo que las reglas simples IF/THEN podrían lograr. Esta sofisticada fusión garantiza que los popups se muestren en el momento preciso de máximo impacto.

Thompson sampling explicado para especialistas en marketing: optimización dinámica

Thompson sampling es un potente algoritmo de optimización bayesiana que permite realizar pruebas A/B eficientes y una mejora continua. Para los especialistas en marketing, esto significa que no tiene que esperar un período fijo para declarar un ganador. En cambio, el sistema asigna dinámicamente el tráfico a diferentes variaciones de popup en función de su rendimiento observado. Si un titular o una oferta está funcionando significativamente mejor, Thompson sampling le dirige rápidamente más impresiones, maximizando las conversiones mientras explora simultáneamente otras opciones.

Este equilibrio entre 'explorar y explotar' es crucial. Asegura que sus popups más efectivos se muestren con más frecuencia, al tiempo que permite el descubrimiento de alternativas aún mejores. Es un proceso de aprendizaje continuo que ofrece resultados superiores más rápido que los métodos tradicionales de pruebas A/B, lo que lo hace ideal para optimizar todo, desde la elección del titular hasta el texto del botón de llamada a la acción dentro de su creador de popups.

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.