Cómo funciona realmente nuestro modelo de ML de intención de salida

El problema con la intención de salida basada en reglas

Durante años, la tecnología de intención de salida se basó en disparadores simples basados en reglas, principalmente detectando que el mouse salía del área visible del navegador. Si bien esto fue una mejora con respecto a los pop-ups intrusivos e inmediatos, su efectividad era limitada. La investigación de Nielsen Norman Group destaca constantemente que los pop-ups mal programados o irrelevantes generan una frustración significativa en el usuario, lo que a menudo lleva al abandono inmediato del sitio en lugar de la interacción.

El problema central es que un evento de salida del mouse no siempre indica una verdadera intención de irse. Los usuarios pueden estar navegando a otra pestaña, buscando un segundo monitor o simplemente ajustando su postura. Un enfoque contundente y único para todos pierde los matices del comportamiento del usuario, lo que lleva a una alta tasa de falsos positivos y una experiencia de usuario diluida.

Lo que aprendimos de 10000 impresiones de pop-ups: Más allá de la salida del mouse

El análisis de datos de cientos de millones de impresiones de pop-ups en varias industrias reveló un patrón claro: la señal singular de salida del mouse era insuficiente. Por ejemplo, en los más de 1,000 sitios que ejecutan pop-ups 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 del mundo real subraya la necesidad de un enfoque más completo. Los sistemas basados en reglas también tienen dificultades con los hábitos de navegación modernos, como el cambio de pestañas o la navegación rápida entre aplicaciones, a menudo activándose prematuramente o perdiendo oportunidades genuinas de salida.

Descubrimos que la verdadera intención de salida es una señal compleja y multifacética. No se trata solo de hacia dónde va el mouse, sino de cómo un usuario interactúa (o deja de interactuar) con la página. Esta comprensión sentó las bases para desarrollar un enfoque de aprendizaje automático capaz de discernir el desinterés genuino de la navegación casual.

Cómo funciona realmente nuestro modelo de ML de intención de salida: Las 26 señales

Nuestro modelo de ML ExitSense va más allá de la detección básica de salida del mouse al monitorear 26 señales de comportamiento distintas en tiempo real. Estas señales abarcan varias categorías, incluidos los movimientos del mouse, el comportamiento de desplazamiento, la actividad del teclado, el tiempo en la página, la visibilidad de la pestaña e incluso los patrones de interacción con elementos específicos de la página. Por ejemplo, el desplazamiento rápido combinado con un cese repentino del movimiento del mouse hacia la parte superior del área visible a menudo indica una salida inminente.

El modelo aprende y se adapta continuamente, identificando patrones complejos que las reglas definidas por humanos nunca podrían capturar. En lugar de una declaración rígida de 'si-entonces', calcula una probabilidad de salida basada en la confluencia de estas 26 señales. Este enfoque probabilístico permite un control mucho más preciso sobre el tiempo de los pop-ups, asegurando que las ofertas aparezcan precisamente cuando es más probable que un usuario se desconecte, pero antes de que se haya ido por completo. ¿Quieres saber más? Aquí te explicamos cómo funciona realmente nuestro modelo de ML de intención de salida en una lista de verificación táctica para especialistas en marketing.

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

La integración de la IA moderna y los modelos de lenguaje grandes (LLM) eleva significativamente la sofisticación de nuestra estrategia de intención de salida en comparación con las herramientas heredadas. Primero, los LLM permiten la generación de copias por página. En lugar de titulares genéricos, nuestro sistema puede analizar el contenido de la página y la intención del usuario para crear mensajes de pop-up altamente relevantes y convincentes de forma dinámica. Esta personalización aumenta drásticamente las tasas de conversión, como lo demuestran los informes de referencia de la industria de Wisepops que muestran que el contenido personalizado supera al genérico por un margen significativo.

En segundo lugar, LeadYup aprovecha el muestreo de Thompson para las pruebas A/B en tiempo real, incluso a escala de pequeñas y medianas empresas. Las pruebas A/B tradicionales requieren un tráfico y un tiempo significativos para alcanzar la significación estadística. El muestreo de Thompson, un enfoque bayesiano avanzado, permite a nuestra plataforma identificar rápidamente titulares y ofertas ganadoras con muchos menos datos, asignando más impresiones a variaciones de alto rendimiento mucho más rápido. Esta optimización continua simplemente no es factible con sistemas basados en reglas.

Finalmente, el núcleo de nuestro modelo ExitSense, un conjunto XGBoost, sobresale en la fusión de señales de comportamiento. No solo observa las señales individuales; comprende cómo interactúan y se combinan para predecir la intención del usuario. Esto permite una predicción más robusta y precisa de la intención de salida que los umbrales simples o los modelos lineales utilizados en sistemas más antiguos. Explora cómo funciona realmente nuestro modelo de ML de intención de salida en una mirada sincera bajo el capó para 2026.

Muestreo de Thompson explicado para especialistas en marketing: Optimización continua

El muestreo de Thompson es un componente crítico de nuestra estrategia para maximizar la efectividad de los pop-ups. A diferencia de las pruebas A/B tradicionales, donde el tráfico se divide equitativamente hasta que se declara un ganador, el muestreo de Thompson es un algoritmo de 'exploración-explotación'. Asigna más tráfico a las variaciones que están funcionando mejor, mientras que sigue explorando las menos exitosas para asegurarse de que no se pierdan posibles ganadores. Esto significa que tus pop-ups de mejor rendimiento se ven con más frecuencia, lo que lleva a tasas de conversión generales más altas sin esperar un largo período de prueba.

Para los especialistas en marketing, esto se traduce en ciclos de optimización más rápidos y un camino más rápido hacia el aumento de clientes potenciales o ventas. Es especialmente poderoso para sitios o campañas más pequeños donde cada impresión cuenta, lo que les permite beneficiarse de una optimización sofisticada que antes solo estaba disponible para grandes empresas. Para una inmersión más profunda en la mecánica, considera el enfoque de nuestro creador de pop-ups.

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.