Cómo funciona realmente nuestro modelo de ML de intención de salida: una crítica honesta de LeadYup

Más allá de la salida del mouse: las 26 señales que monitorea nuestro ML

Cuando la mayoría de los especialistas en marketing piensan en 'intención de salida', se imaginan un cursor de mouse saliendo de la ventana del navegador. Si bien esa es una señal central, es solo una de las 26 señales de comportamiento que procesa nuestro modelo de ML ExitSense. Estas señales van desde patrones de desplazamiento rápido hasta inactividad prolongada en un elemento específico de la página, lo que indica una posible desconexión del usuario o su decisión de irse.

Por ejemplo, un usuario podría pasar el mouse repetidamente sobre el botón de retroceso, o cambiar abruptamente la dirección de su desplazamiento después de llegar al final de una página. Cada uno de estos micro-comportamientos, cuando se combinan, forma un conjunto de datos robusto que el modelo utiliza para predecir la probabilidad de salida. Este enfoque de múltiples señales mejora drásticamente la precisión de la predicción en comparación con los activadores de un solo evento, que a menudo conducen a popups prematuros o retrasados, lo que finalmente molesta a los usuarios.

Una observación crítica de nuestro equipo es que en dispositivos móviles, donde no existe un evento de salida del mouse, la intención de salida a menudo necesita un híbrido de desplazamiento hacia arriba + inactividad para activarse de manera confiable. Esta información específica provino del análisis de datos de conversión en los más de 1,000 sitios que ejecutan popups de LeadYup. Sin adaptarse a los comportamientos específicos de los dispositivos móviles, una parte significativa del tráfico se perdería o se le mostrarían mensajes irrelevantes. Para una inmersión más profunda en nuestra metodología, consulte cómo funciona realmente nuestro modelo de ML de intención de salida.

Lo que aprendimos de 10,000,000 de impresiones de popups

Analizar diez millones de impresiones de popups no se trata solo de grandes números; se trata de descubrir patrones que las pruebas A/B tradicionales podrían pasar por alto. Nuestros datos muestran consistentemente que la tasa de conversión promedio de popups ronda el 3.09%, lo que se alinea con la investigación de Sumo de 2016. Sin embargo, el 10% superior de nuestros popups logra tasas de conversión que superan el 9.28%, un testimonio de la sincronización precisa y el contenido relevante.

Un aprendizaje clave es el profundo impacto de la 'recencia'. Los usuarios que acaban de realizar una acción de alto valor (por ejemplo, agregar al carrito, ver precios) antes de exhibir la intención de salida tienen muchas más probabilidades de convertir desde un popup. Por el contrario, mostrar un popup genérico de 'suscribirse' a alguien que acaba de aterrizar en una publicación de blog y está a punto de irse produce resultados significativamente más bajos. También descubrimos que una sincronización demasiado agresiva, que intenta captar a los usuarios demasiado pronto en su recorrido, resulta contraproducente, aumentando las tasas de rebote y afectando negativamente la experiencia del usuario.

Otra idea: las ofertas personalizadas impulsadas por el contenido de la página funcionan dramáticamente mejor. Un popup que ofrece un descuento en una categoría de producto específica que un usuario estaba navegando supera un descuento en todo el sitio en 2 veces en promedio. Esto destaca la importancia de la relevancia del contenido, un principio que incorporamos en cómo funciona realmente nuestro modelo de ML de intención de salida.

Thompson sampling explicado para especialistas en marketing (sin matemáticas, solo impacto)

Olvídese de la jerga estadística compleja; Thompson sampling es, en esencia, una forma inteligente de garantizar que sus titulares y ofertas de mejor rendimiento se vean con más frecuencia, más rápido que las pruebas A/B/n tradicionales. En lugar de dividir el tráfico de manera uniforme y esperar la significación estadística, Thompson sampling asigna dinámicamente más impresiones a las variantes que muestran signos tempranos de ganar. Si un titular funciona bien, obtiene más exposición, acelerando el proceso de aprendizaje.

Esto significa que su audiencia está expuesta a creatividades de mejor rendimiento más rápidamente, maximizando las conversiones desde el principio. Para los especialistas en marketing, esto se traduce en menos tráfico desperdiciado en variantes de bajo rendimiento y un camino más rápido para optimizar sus campañas. A diferencia de las pruebas A/B simples, que pueden ser lentas e ineficientes, Thompson sampling aprende y se adapta continuamente, asegurando que su creador de popups siempre esté impulsando el contenido más efectivo. Es un componente central de cómo LeadYup garantiza que sus campañas siempre sean más inteligentes.

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

La IA moderna y los Grandes Modelos de Lenguaje (LLM) aportan varias capacidades transformadoras a la tecnología de popups, diferenciando herramientas como LeadYup de los sistemas heredados basados en reglas. En primer lugar, la generación de copias por página: en lugar de texto de popup estático y genérico, los LLM pueden generar dinámicamente titulares y llamadas a la acción hiperrelevantes basados en el contenido específico de la página que el usuario está viendo. Esto mejora drásticamente las tasas de conversión al ofrecer valor contextual y oportuno, lo cual era imposible con reglas codificadas a mano.

En segundo lugar, Thompson sampling, impulsado por algoritmos avanzados de ML como XGBoost, permite pruebas A/B altamente eficientes a escala de PYMES. Las pruebas A/B tradicionales requieren muchos recursos y a menudo son demasiado lentas para sitios más pequeños con menos tráfico. Los bandidos multi-brazo impulsados por ML como Thompson sampling optimizan continuamente, asegurando que incluso los sitios con poco tráfico puedan identificar rápidamente variaciones ganadoras sin una supervisión manual exhaustiva. En tercer lugar, la fusión de 26 señales de comportamiento a través de modelos de ML es mucho más sofisticada que la lógica simple basada en reglas. Un modelo XGBoost puede identificar interacciones matizadas entre señales (por ejemplo, desplazamiento rápido + tiempo de inactividad específico en una tabla de precios) que un conjunto de reglas 'si-entonces' definido por humanos pasaría por alto, lo que lleva a predicciones de salida más precisas y una sincronización superior. Este enfoque integral es fundamental para el éxito del creador de popups.

Compromisos honestos: lo que no funciona (y por qué)

Si bien la intención de salida es poderosa, no es una solución mágica. Hemos observado varias tácticas que consistentemente tienen un rendimiento inferior o incluso dañan la experiencia del usuario. Los popups demasiado agresivos que se activan demasiado rápido o reaparecen con demasiada frecuencia después de ser descartados frustran a los usuarios y pueden llevar a un aumento en las tasas de rebote, como se señala en la investigación de UX de Nielsen Norman Group sobre elementos intrusivos. De manera similar, los popups con copias irrelevantes o demasiado insistentes a menudo tienen un rendimiento deficiente, independientemente de la sincronización perfecta.

Otro error común es depender de ofertas genéricas en todo el sitio para la intención de salida. Es poco probable que los usuarios que abandonan una página de producto específica conviertan con un mensaje de 'suscríbase a nuestro boletín'; necesitan un incentivo dirigido relacionado con su interés inmediato. Nuestros datos también muestran que los popups que interrumpen los flujos críticos del usuario (por ejemplo, durante el pago) aumentan significativamente el abandono del carrito. El objetivo no es solo capturar un correo electrónico, sino proporcionar valor en el momento adecuado sin impedir el objetivo principal del usuario.

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.