¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una inmersión profunda en ExitSense de LeadYup

Las limitaciones de la intención de salida tradicional

Los popups de intención de salida tradicionales a menudo se basan en eventos simples de salida del mouse, detectando principalmente cuando el cursor de un usuario abandona la ventana del navegador. Si bien es efectivo hasta cierto punto, este método tiene limitaciones significativas. Por ejemplo, en dispositivos móviles, no hay cursor, lo que hace que la detección de salida del mouse sea inútil. Además, incluso en el escritorio, un usuario podría deslizar accidentalmente el mouse fuera de la pantalla sin intención de irse, lo que lleva a un popup prematuro y potencialmente molesto.

Según la investigación de Sumo, la tasa de conversión promedio para los popups ronda el 3.09%, y el 10% superior logra el 9.28% o más. La brecha entre el rendimiento promedio y el superior a menudo radica en la sofisticación del mecanismo de activación. En pocas palabras, un popup mal sincronizado puede ser tan perjudicial como ningún popup en absoluto, interrumpiendo la experiencia del usuario y potencialmente aumentando las tasas de rebote.

Desglosando ExitSense: Las 26 señales que monitorea nuestro ML

En el centro del modelo ExitSense de LeadYup hay 26 señales de comportamiento distintas. Estas señales van desde movimientos sutiles del mouse hasta patrones de desplazamiento, actividad de escritura e incluso tiempo de inactividad. No solo buscamos una 'señal' de partida; en cambio, nuestro modelo de aprendizaje automático, a menudo un árbol potenciado por gradiente como XGBoost, sintetiza estas señales en tiempo real para construir una puntuación probabilística de la intención del usuario.

Algunas señales clave incluyen:

• Velocidad y dirección del mouse: El movimiento rápido hacia la parte superior de la ventana del navegador, especialmente después de un período de inactividad, es un fuerte indicador.
• Profundidad y velocidad de desplazamiento: Un desplazamiento repentino y rápido hacia la parte superior o inferior de una página, o la falta de desplazamiento después de un tiempo significativo en la página, puede indicar desinterés.
• Cambio de pestaña y cambios de enfoque: ¿El usuario ha hecho clic en otra pestaña, o la ventana del navegador ha perdido el enfoque?
• Interacción con campos de formulario: El abandono de un formulario parcialmente lleno es una señal clara de posible salida.
• Tiempo de inactividad: Si bien es una señal simple, el tiempo de inactividad prolongado, especialmente en páginas con mucho contenido, puede preceder a una salida.

En los más de 1,000 sitios que ejecutan popups de LeadYup, nuestro equipo ha observado que 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 información impulsó el desarrollo de señales específicas centradas en dispositivos móviles dentro de ExitSense, yendo más allá de las suposiciones centradas en el escritorio.

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

La integración de la IA moderna y los grandes modelos de lenguaje (LLM) transforma fundamentalmente cómo funciona realmente nuestro modelo de ML de intención de salida, distinguiendo a LeadYup de los sistemas más antiguos basados en reglas. Esto es lo que nos diferencia:

1. Generación de texto por página: A diferencia de las herramientas heredadas que requieren la creación manual de texto, LeadYup utiliza LLM para generar texto de popup altamente relevante por página. El modelo de lenguaje analiza el contenido de la página específica en la que se encuentra un usuario y elabora titulares y textos corporales atractivos, lo que aumenta drásticamente la personalización y el potencial de conversión.
2. Muestreo de Thompson para pruebas A/B dinámicas: Para las PYMES e incluso las agencias, las pruebas A/B tradicionales pueden ser lentas y consumir muchos recursos. LeadYup emplea muestreo de Thompson, un enfoque bayesiano avanzado, para elegir dinámicamente titulares y ofertas ganadores en tiempo real, incluso con tráfico limitado. Esto garantiza que las variaciones más efectivas se muestren con mayor frecuencia, acelerando la optimización sin intervención manual. Esto es crucial para comprender cómo funciona realmente nuestro modelo de ML de intención de salida de manera eficiente.
3. Fusión sofisticada de señales de comportamiento: Los sistemas basados en reglas a menudo utilizan una lógica simple de 'si-entonces' para un puñado de señales. El ML de ExitSense de LeadYup, impulsado por algoritmos avanzados, puede fusionar las 26 señales de comportamiento para predecir la intención con una precisión mucho mayor. Esta compleja fusión de señales a través de técnicas como XGBoost permite una comprensión matizada del comportamiento del usuario, minimizando los falsos positivos y maximizando las oportunidades de conversión, lo cual es una parte clave de cómo funciona realmente nuestro modelo de ML de intención de salida.

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

Al analizar millones de interacciones de usuarios en nuestra plataforma, hemos obtenido información significativa sobre estrategias efectivas de popups. Un aprendizaje crítico es que el momento 'perfecto' no es universal. Lo que funciona para una tienda de comercio electrónico con compras impulsivas altas puede no funcionar para un proceso de registro de SaaS B2B.

También observamos que las tomas de pantalla completas intrusivas a menudo conducen a tasas de rebote más altas si no están perfectamente sincronizadas. Por el contrario, un deslizamiento sutil y bien sincronizado que ofrece un valor genuino (por ejemplo, un código de descuento relevante o una actualización de contenido) tiende a funcionar mejor en términos de compromiso y conversión a largo plazo sin irritar a los usuarios. Los puntos de referencia de la industria de Wisepops muestran consistentemente que la relevancia y la sincronización son primordiales para el éxito de los popups.

Otra conclusión clave es el poder del texto personalizado. Un popup genérico de 'Registrarse' convierte significativamente menos que uno que aborda el contexto de la página actual del usuario, una capacidad directamente habilitada por la generación de texto impulsada por LLM de LeadYup. Esto refuerza la necesidad de soluciones dinámicas y adaptables al considerar cómo funciona realmente nuestro modelo de ML de intención de salida en la práctica.

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

Ninguna tecnología es una bala de plata, y comprender los compromisos es esencial. Confiar únicamente en una sola señal de comportamiento, por fuerte que sea, a menudo conduce a resultados subóptimos. Por ejemplo, activar un popup puramente en 'el mouse moviéndose hacia el botón de cerrar' puede ser demasiado tarde, ya que el usuario ya ha tomado la decisión de irse. La fuerza de ExitSense radica en su enfoque predictivo y multisignal, con el objetivo de intervenir antes de que esa decisión sea firme.

Otro error común es ignorar la limitación de frecuencia. Incluso el popup perfectamente sincronizado puede volverse molesto si aparece en cada visita a la página. Nuestro sistema incorpora una limitación de frecuencia inteligente para garantizar una experiencia de usuario positiva. Por último, los popups mal diseñados, aquellos con fuentes ilegibles, ofertas irrelevantes o llamadas a la acción confusas, tendrán un rendimiento inferior independientemente de lo sofisticado que sea el disparador de intención de salida. Las mejores prácticas de UX, como lo destaca Nielsen Norman Group, siguen siendo fundamentales.

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.