Cómo funciona realmente nuestro modelo de ML de intención de salida: una crítica honesta para especialistas en marketing

Las 26 señales que monitorea nuestro ML de Pop-ups 🕵️

Los pop-ups de intención de salida basados en reglas a menudo dependen de una sola señal: la velocidad del mouse hacia la barra superior del navegador. Si bien es efectivo hasta cierto punto, este enfoque omite una parte significativa del comportamiento del usuario. Nuestro modelo de ML ExitSense, por el contrario, monitorea 26 señales de comportamiento distintas, creando un perfil mucho más rico de la intención del usuario.

Estas señales incluyen la profundidad de desplazamiento, la velocidad de desplazamiento, el tiempo de inactividad, los patrones de aceleración y desaceleración del cursor, las interacciones específicas con elementos (pasar el cursor sobre los botones de 'atrás', abrir nuevas pestañas en segundo plano) e incluso los micromovimientos que indican frustración o confusión. El modelo no solo busca una señal de 'salida'; predice la probabilidad de desinterés basándose en una compleja interacción de estos factores. Este enfoque multisignal mejora drásticamente la precisión del tiempo, un factor crítico para las tasas de conversión.

Lo que aprendimos de 10,000 impresiones de pop-ups

El análisis de datos de más de 10,000 impresiones de pop-ups en varias industrias proporcionó información invaluable sobre el comportamiento del usuario y la eficacia de los pop-ups. Una conclusión clave es que el momento 'óptimo' para un pop-up de intención de salida rara vez es universal. Lo que funciona para una página de producto de comercio electrónico de alta intención difiere significativamente de una publicación de blog o una página de precios de SaaS. La tasa de conversión promedio para los pop-ups generalmente ronda el 3.09%, pero el 10% superior logra el 9.28% o más, según los estudios fundamentales de Sumo. Esta brecha a menudo se debe a una orientación y un tiempo superiores, que nuestro modelo de ML busca cerrar.

También observamos que los pop-ups agresivos e inmediatos a menudo resultan contraproducentes, lo que lleva a tasas de rebote más altas y experiencias de usuario negativas. Por otro lado, esperar demasiado significa perder la oportunidad por completo. El modelo de ML ajusta dinámicamente el tiempo basándose en datos de comportamiento en tiempo real, asegurando que el pop-up aparezca en el 'momento de la verdad' del usuario, justo antes de que esté a punto de irse, pero no tan pronto como para interrumpir su flujo. Para una inmersión más profunda, lea cómo funciona realmente nuestro modelo de ML de intención de salida.

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

Las herramientas de pop-ups heredadas se basan en gran medida en reglas, lo que significa que siguen un conjunto predefinido de condiciones. La IA y los LLM modernos, sin embargo, introducen varias capacidades transformadoras en cómo funciona realmente nuestro modelo de ML de intención de salida:

1. Generación de texto por página: En lugar de mensajes genéricos, los LLM permiten a LeadYup escribir textos de pop-ups contextualmente relevantes por página. Esto significa que un usuario en una página de 'precios' podría ver una oferta de descuento, mientras que un usuario en una página de 'características' podría recibir una invitación a una demostración, todo adaptado por el LLM en función del contenido de la página.
2. Muestreo de Thompson para pruebas A/B a escala: Las pruebas A/B tradicionales pueden ser lentas y consumir muchos recursos, especialmente para las PYMES. Nuestro sistema utiliza el muestreo de Thompson, un enfoque bayesiano avanzado, para identificar rápidamente los titulares y las ofertas ganadoras. Esto permite una optimización continua en miles de variaciones sin intervención manual, acelerando significativamente los ciclos de aprendizaje.
3. Fusión de señales de comportamiento a través de XGBoost: Nuestro modelo de ML ExitSense utiliza técnicas como XGBoost para fusionar las 26 señales de comportamiento. Esto le permite comprender relaciones complejas y no lineales entre las señales, prediciendo la intención de salida con una precisión mucho mayor que las reglas simples de 'si-entonces'. No es solo 'el mouse se mueve hacia arriba'; es 'el usuario se desplazó rápidamente, se detuvo en el enlace de un competidor y luego mostró un aumento en la inestabilidad del mouse', una predicción mucho más matizada.

Muestreo de Thompson explicado para especialistas en marketing

El muestreo de Thompson es una poderosa técnica estadística para resolver el 'problema del bandido multi-brazo', esencialmente, elegir la mejor opción entre varias alternativas inciertas. En marketing, esto se traduce en identificar rápidamente qué titulares de pop-ups, ofertas o variaciones creativas funcionan mejor. A diferencia de las pruebas A/B tradicionales, que a menudo requieren un tamaño de muestra predeterminado y pueden desperdiciar impresiones en variantes de bajo rendimiento, el muestreo de Thompson asigna continuamente más tráfico a las variaciones que muestran promesa.

Esta estrategia de 'explorar-explotar' es altamente eficiente. Simultáneamente explora nuevas opciones mientras explota las de mejor rendimiento, acelerando la convergencia a la solución óptima. Para los especialistas en marketing, esto significa ciclos de optimización más rápidos y tasas de conversión más altas sin la sobrecarga manual. Nuestro creador de pop-ups aprovecha esto para garantizar que sus campañas siempre estén aprendiendo y mejorando.

Compromisos honestos y lo que no siempre funciona

Si bien los modelos avanzados de ML ofrecen ventajas significativas, es crucial reconocer sus limitaciones. Un error común es la 'sobreoptimización', donde los modelos se vuelven demasiado sensibles a fluctuaciones menores, lo que lleva a un comportamiento errático. Nuestros modelos se reentrenan regularmente y cuentan con salvaguardas incorporadas para evitar esto. Otro desafío es la intención de salida móvil. 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 los eventos tradicionales de salida del mouse no se activan de manera consistente. Confiar únicamente en señales centradas en el escritorio para dispositivos móviles es un error común que conduce a una mala experiencia de usuario.

Además, incluso el modelo de ML más sofisticado no puede compensar un contenido realmente poco atractivo u ofertas irrelevantes. Un pop-up, por perfectamente sincronizado que esté, fallará si su mensaje no resuena con el usuario. La IA optimiza la entrega, pero la propuesta de valor subyacente sigue siendo primordial. Para obtener información más detallada, consulte cómo funciona realmente nuestro modelo de ML de intención de salida.

LeadYup Editorial

Product & growth team

Hands-on operators behind LeadYup's popup engine, ExitSense ML model, and A/B infra. We write what we ship, not what we wish.