¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una crítica honesta de LeadYup

Más allá del 'mouse-out': Las 26 señales que monitorea nuestro ML de pop-ups

Cuando la mayoría de los especialistas en marketing piensan en 'intención de salida', imaginan un cursor del mouse saliendo de la ventana del navegador. Si bien esta señal es fundamental, es solo una de las 26 señales que nuestro modelo de ML de LeadYup, llamado ExitSense, monitorea en tiempo real. Estas señales abarcan toda la sesión de un usuario, desde patrones de navegación y profundidad de desplazamiento hasta tiempo de inactividad e incluso interacciones específicas del teclado.

Por ejemplo, un desplazamiento rápido y repentino hacia arriba, seguido de la vacilación del cursor cerca de la barra superior del navegador, es un fuerte indicador de intención de salida. Por el contrario, un desplazamiento profundo combinado con un tiempo de permanencia prolongado en un bloque de contenido específico sugiere un alto compromiso, lo que hace que una salida inmediata sea poco probable. Nuestro modelo sopesa continuamente estos factores, aprendiendo qué combinaciones preceden de manera más confiable a un rebote para tipos de página y segmentos de usuario específicos. Este enfoque granular va mucho más allá de las simples reglas de umbral, lo que permite una intervención mucho más matizada y efectiva.

Lo que aprendimos de 10,000 impresiones de pop-ups (y contando) 📈

El análisis de datos de decenas de miles de impresiones de pop-ups ha ofrecido información invaluable sobre el comportamiento del usuario y la eficacia de los pop-ups. Una conclusión clave es que la tasa de conversión 'promedio' de pop-ups del 3.09% (según el estudio de Sumo de 2016) es en gran medida irrelevante para campañas verdaderamente optimizadas. Nuestros pop-ups con mejor rendimiento (el 10% superior) alcanzan constantemente tasas de conversión superiores al 9.28% al integrarse profundamente con el contexto del usuario.

También observamos que el tiempo es primordial. Un pop-up que se muestra demasiado pronto a menudo molesta, mientras que uno que se muestra demasiado tarde pierde la oportunidad. El modelo ExitSense ajusta dinámicamente el tiempo basándose en el comportamiento en tiempo real, lo que lleva a tasas de participación significativamente más altas que los temporizadores estáticos o los simples disparadores de 'mouse-out'. Este tiempo basado en datos es un diferenciador importante, lo que demuestra que la entrega inteligente supera la mera presencia.

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 el 'mouse-out' no se activa. Esta distinción de comportamiento está directamente incorporada en nuestros modelos específicos para dispositivos móviles, lo que evita pop-ups irrelevantes y mejora la UX. Para una inmersión más profunda en nuestra metodología, consulte cómo funciona realmente nuestro modelo de ML de intención de salida.

Thompson Sampling explicado para especialistas en marketing: más allá de las pruebas A/B

Las pruebas A/B tradicionales son efectivas pero pueden ser lentas e ineficientes, especialmente para optimizar múltiples variables. Aquí es donde entra en juego Thompson sampling. En lugar de dividir el tráfico por igual y esperar la significación estadística, Thompson sampling es un algoritmo de optimización bayesiano que asigna adaptativamente más tráfico a las variaciones que están funcionando mejor, más pronto.

Para los especialistas en marketing, esto significa una identificación más rápida de titulares, ofertas o elementos creativos ganadores dentro de sus pop-ups. Aprende y explora continuamente, minimizando el 'arrepentimiento' de mostrar variaciones de bajo rendimiento. A diferencia de una prueba A/B estática que podría durar semanas, Thompson sampling puede converger en una solución óptima en días, especialmente valioso al probar múltiples opciones de texto dinámicas generadas por nuestro modelo de lenguaje. Este método acelera significativamente el ciclo de optimización, asegurando que siempre esté presentando el mensaje más efectivo a su audiencia.

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, particularmente los Grandes Modelos de Lenguaje (LLM) y las técnicas avanzadas de ML como XGBoost, marca una desviación significativa de las herramientas de pop-ups basadas en reglas heredadas. Esto es lo que aportan:

1. Generación de texto por página: En lugar de mensajes genéricos, los LLM permiten a LeadYup escribir texto de pop-up contextualmente relevante por página. El modelo de lenguaje analiza el contenido de la página y las señales de intención del usuario para elaborar titulares y llamadas a la acción personalizados, lo que aumenta significativamente la relevancia y las tasas de conversión.
2. Pruebas A/B adaptativas a escala: Como se mencionó, Thompson sampling permite la optimización continua y dinámica de múltiples elementos de pop-up (titulares, ofertas, imágenes) en miles de pruebas simultáneas, una hazaña imposible con las pruebas A/B manuales. Esto democratiza la CRO sofisticada para PYMES y agencias.
3. Fusión de señales de comportamiento: XGBoost, un potente marco de refuerzo de gradiente, es el núcleo de nuestro modelo ExitSense. Fusiona eficazmente las 26 diversas señales de comportamiento, identificando relaciones complejas y no lineales que los motores de reglas tradicionales o los modelos de regresión más simples pasarían por alto. Este procesamiento sofisticado de señales es clave para una predicción precisa de la salida, proporcionando una ventaja crítica en la comprensión de la intención del usuario. Para una descripción técnica más detallada, consulte cómo funciona realmente nuestro modelo de ML de intención de salida.

La verdad honesta: Dónde nuestro ML aún enfrenta desafíos

Si bien nuestro modelo de ML es increíblemente efectivo, no es una solución mágica. Un desafío es predecir con precisión la intención en visitas a páginas extremadamente cortas, donde el usuario rebota casi de inmediato. En estos casos, el modelo tiene menos señales para procesar, lo que dificulta la sincronización precisa.

Otra área de refinamiento continuo es distinguir entre una intención de salida genuina y un usuario que simplemente navega a otra página interna. Nuestro modelo es bueno en esto, pero aún pueden ocurrir falsos positivos. Es por eso que continuamente entrenamos y reentrenamos ExitSense con nuevos datos, asegurando que evolucione con los patrones de comportamiento del usuario. No hay un 'configúralo y olvídate' con el ML avanzado, especialmente en el mundo dinámico del análisis web y un creador de pop-ups.

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.