Cómo funciona realmente nuestro modelo de ML de intención de salida: una inmersión profunda en ExitSense de LeadYup

Más allá de la salida del mouse: por qué la intención de salida heredada se queda corta

Durante años, la tecnología de intención de salida se centró principalmente en detectar el cursor del mouse de un usuario saliendo de la ventana del navegador. Si bien fue un avance con respecto a los popups temporizados, este método tiene limitaciones significativas. A menudo es impreciso en dispositivos táctiles, se activa fácilmente por movimientos accidentales y no tiene en cuenta el comportamiento de navegación genuino.

El Nielsen Norman Group ha destacado constantemente que los popups intrusivos, incluso los de intención de salida, pueden crear experiencias de usuario negativas si no se implementan de manera inteligente. Nuestro objetivo con ExitSense fue ir más allá de estas señales rudimentarias y construir una comprensión más matizada de la intención del usuario.

Las 26 señales que monitorea nuestro ML de popups

El modelo ML ExitSense de LeadYup no solo observa si el mouse sale de la ventana; procesa un rico tapiz de 26 señales de comportamiento distintas. Estas señales van desde interacciones básicas hasta patrones más complejos que revelan el verdadero nivel de compromiso de un usuario. Algunos ejemplos incluyen:

• Velocidad y dirección del movimiento del mouse: Los movimientos rápidos y erráticos pueden indicar frustración o un intento de salir.
• Profundidad y velocidad de desplazamiento: Un desplazamiento repentino hacia arriba después de estar profundamente en una página a menudo precede a una salida.
• Tiempo en la página vs. promedio: Las desviaciones de los patrones de compromiso típicos son clave.
• Número de clics e interacciones: Un bajo compromiso a pesar de un tiempo significativo en la página puede indicar desinterés.
• Frecuencia de cambio de pestañas: Un usuario que alterna entre pestañas podría estar buscando alternativas.
• Interacción con campos de formulario: Los formularios abandonados son un fuerte indicador de intención de salida.

Al combinar estas señales granulares, el modelo construye una puntuación de probabilidad en tiempo real de la partida inminente de un usuario, lo que permite una sincronización precisa y efectiva del popup. Este enfoque de múltiples señales es una parte central de cómo funciona realmente nuestro modelo de ML de intención de salida.

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

Ejecutar LeadYup en miles de sitios ha proporcionado datos invaluables del mundo real. Hemos observado que la tasa de conversión promedio para popups bien programados y relevantes ronda el 3.09%, una cifra consistente con los hallazgos de estudios como la investigación de Sumo de 2016. Sin embargo, los popups de mayor rendimiento, que a menudo aprovechan la sincronización avanzada y la personalización, pueden superar el 9.28%.

Una observación clave basada en la experiencia: en los más de 1,000 sitios que ejecutan popups de LeadYup, la intención de salida en dispositivos móviles generalmente necesita un híbrido de desplazamiento hacia arriba + inactividad porque la salida del mouse tradicional no se activa. Confiar únicamente en los disparadores centrados en el escritorio para las audiencias móviles reduce drásticamente la efectividad. Esta información moldeó cómo nuestro modelo de ML prioriza las señales de comportamiento específicas para dispositivos móviles.

También aprendimos que la relevancia del contenido es primordial. Incluso con una sincronización perfecta, una oferta genérica tendrá un rendimiento inferior a una altamente personalizada, lo que nos lleva al papel de la IA en la generación y optimización de contenido.

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

La integración de la IA y los Grandes Modelos de Lenguaje (LLMs) transforma cómo funciona realmente nuestro modelo de ML de intención de salida, yendo más allá de la mera detección de disparadores hacia un compromiso inteligente. Esto es lo que la IA/LLMs modernos permiten:

1. Generación de texto por página: A diferencia de las herramientas heredadas basadas en reglas que dependen de plantillas estáticas, LeadYup utiliza LLMs para generar texto de popup único y contextualmente relevante para cada página específica que un usuario está viendo. Esto significa que la oferta y el mensaje siempre se adaptan al contenido, lo que aumenta significativamente la relevancia y el potencial de conversión.
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. Empleamos el muestreo de Thompson, una técnica avanzada de optimización bayesiana, para explorar inteligentemente diferentes titulares y llamadas a la acción. Esto permite que el sistema identifique rápidamente las variaciones ganadoras y les asigne más tráfico, incluso con menos impresiones, proporcionando capacidades de optimización robustas que antes solo estaban disponibles para grandes empresas. Este es un componente crítico de cómo funciona realmente nuestro modelo de ML de intención de salida.
3. Fusión de señales de comportamiento a través de XGBoost: Nuestro modelo ML ExitSense aprovecha algoritmos como XGBoost para fusionar las 26 señales de comportamiento. XGBoost es un potente marco de gradient boosting conocido por su eficiencia y precisión en el manejo de conjuntos de datos complejos. No solo analiza las señales de forma aislada; comprende sus intrincadas relaciones y las pondera dinámicamente para predecir la intención de salida con alta precisión, superando con creces lo que pueden lograr las reglas simples basadas en umbrales.

Muestreo de Thompson explicado para especialistas en marketing: pruebas A/B más inteligentes

Para los especialistas en marketing, comprender el muestreo de Thompson es clave para apreciar la sofisticación de la optimización moderna de popups. Imagina que tienes varios titulares para tu popup. En lugar de dividir el tráfico por igual (pruebas A/B/C/D) y esperar mucho tiempo para ver cuál funciona mejor, el muestreo de Thompson es más ágil.

Comienza explorando todas las opciones, pero rápidamente comienza a favorecer las variaciones que muestran signos tempranos de éxito. A medida que llegan más datos, asigna un porcentaje creciente de tráfico a los ganadores probados, mientras que aún les da a las variantes menos exitosas una pequeña oportunidad de probarse a sí mismas (para evitar quedarse atascado en un óptimo local). Esto significa que tus campañas se optimizan más rápido, logrando tasas de conversión más altas antes, y se adaptan continuamente al comportamiento del usuario sin intervención manual. Es un enfoque pragmático para la mejora continua, asegurando que los mensajes más efectivos se muestren siempre al mayor número de visitantes, mejorando cómo funciona realmente nuestro modelo de ML de intención de salida.

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.