Cómo funciona realmente nuestro modelo de ML de intención de salida: Un vistazo al interior con números reales

Más allá del movimiento del mouse: Las 26 señales que monitorea nuestro ML

Cuando la mayoría de los especialistas en marketing piensan en la intención de salida, se imaginan un cursor de mouse saliendo del área visible del navegador. Si bien esa es una señal fundamental, es solo una de las 26 señales de comportamiento que nuestro modelo de ML ExitSense monitorea continuamente. Estas señales van desde movimientos sutiles del mouse y velocidad de desplazamiento hasta tiempo de inactividad e incluso interacciones específicas del teclado.

Por ejemplo, un usuario que se desplaza rápidamente hacia arriba en la página después de pasar el mouse sobre un elemento de navegación podría indicar un último esfuerzo por encontrar algo antes de irse. O, un cambio repentino en la velocidad del mouse combinado con una falta de interacción con el contenido principal puede indicar desinterés. Nuestro modelo no solo reacciona a un solo evento; fusiona estas diversas señales en tiempo real para construir una imagen completa de la intención del usuario.

Hemos observado que depender únicamente de los eventos de 'salida del mouse' conduce a importantes oportunidades perdidas, especialmente en diseños web modernos donde los usuarios pueden navegar sin tocar el borde superior del navegador. Nuestro objetivo es predecir la desconexión antes de que sea una certeza, permitiendo una intervención oportuna y relevante.

Muestreo de Thompson explicado para especialistas en marketing: Por qué no solo hacemos pruebas A/B

Las pruebas A/B tradicionales pueden ser lentas, especialmente para las PYMES con volúmenes de tráfico más bajos. A menudo requieren un número significativo de impresiones para alcanzar la significancia estadística, dejando dinero sobre la mesa. Aquí es donde entra el muestreo de Thompson. En lugar de dividir rígidamente el tráfico 50/50 durante un período fijo, el muestreo de Thompson es un enfoque bayesiano que asigna dinámicamente más tráfico a las variaciones que están funcionando mejor, más rápidamente.

Por ejemplo, si el Titular A está convirtiendo al 5% y el Titular B al 3% después de 1,000 impresiones, el muestreo de Thompson comenzará a mostrar el Titular A con más frecuencia, mientras sigue explorando el Titular B para asegurarse de que no sea una casualidad. Esta estrategia de 'explorar-explotar' significa que sus visitantes ven el mensaje más efectivo más rápido, lo que lleva a mayores conversiones generales. Hemos encontrado esto particularmente efectivo para optimizar los titulares y las llamadas a la acción de los pop-ups, permitiendo que las campañas alcancen un rendimiento óptimo mucho más rápido que los métodos tradicionales.

Esta asignación dinámica es una razón clave por la que incluso los sitios más pequeños que utilizan nuestro creador de pop-ups ven ganancias significativas sin necesidad de millones de visitantes mensuales para pruebas robustas. Se trata de una optimización inteligente y adaptativa.

Lo que aprendimos de más de 10,000 impresiones de pop-ups: Un caso de estudio

En una muestra de 10,000 impresiones de pop-ups entregadas por nuestro modelo ExitSense para varios clientes de e-commerce y SaaS, observamos una tasa de conversión promedio del 7.2%. Esto supera significativamente el promedio de la industria del 3.09% reportado por el estudio de Sumo de 2016, e incluso se acerca al punto de referencia del 10% superior del 9.28%. Esto no se trata solo de mostrar un pop-up; se trata de mostrar el pop-up correcto en el momento correcto.

Un aprendizaje clave: el momento lo es todo, pero también es muy específico del sitio. Para un blog con mucho contenido, una intención de salida más temprana y menos agresiva podría convertir mejor al ofrecer un lead magnet. Para una tienda de e-commerce con artículos de alto valor, un pop-up ligeramente retrasado que ofrece un descuento como incentivo final tiende a funcionar mejor. Nuestro modelo de ML se adapta a estos matices en lugar de aplicar una regla única para todos.

Otra idea es la importancia de la adaptación 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 el movimiento del mouse no se activa. Una simple detección de 'botón de retroceso' a menudo no es suficiente; combinarla con la dirección de desplazamiento y la inactividad proporciona una señal mucho más precisa de la desconexión del usuario en pantallas más pequeñas.

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

La integración de IA avanzada y Grandes Modelos de Lenguaje (LLMs) cambia fundamentalmente cómo funciona realmente nuestro modelo de ML de intención de salida, yendo más allá de las limitaciones de los sistemas basados en reglas heredados. Primero, los LLMs permiten la generación de texto por página. En lugar de titulares genéricos, nuestro sistema puede crear dinámicamente texto de pop-up y ofertas contextualmente relevantes adaptadas al contenido específico de la página que un usuario está viendo, aumentando la relevancia y la probabilidad de conversión.

En segundo lugar, la combinación de nuestro ML para la temporización y el muestreo de Thompson para la optimización significa que incluso las PYMES pueden lograr pruebas A/B sofisticadas y continuamente optimizadas sin intervención manual. Las herramientas heredadas a menudo requieren una configuración y un tráfico significativos para obtener resultados A/B significativos. Nosotros automatizamos eso a escala.

Finalmente, nuestro modelo ExitSense utiliza técnicas avanzadas de aprendizaje automático como XGBoost para fusionar las 26 señales de comportamiento. Esto permite identificar relaciones complejas y no lineales entre las señales, lo que lleva a predicciones mucho más precisas de la intención de salida que las simples reglas basadas en umbrales. Es la diferencia entre una simple declaración 'si-entonces' y una comprensión altamente matizada del comportamiento del usuario.

Las compensaciones: Cuando los pop-ups fallan (y lo que aprendimos)

Aunque son efectivos, los pop-ups no son una solución mágica. Hemos aprendido que los pop-ups mal programados o demasiado agresivos pueden dañar significativamente la experiencia del usuario y las tasas de conversión. La investigación de Nielsen Norman Group muestra consistentemente que los elementos intrusivos pueden llevar a la frustración del usuario y al abandono del sitio. Nuestro ML tiene como objetivo evitar esto asegurando la relevancia y el momento óptimo.

Por ejemplo, mostrar un pop-up de intención de salida demasiado pronto, antes de que el usuario haya tenido la oportunidad de interactuar con el contenido, a menudo resulta en un cierre inmediato. Por el contrario, si se muestra demasiado tarde, el usuario ya puede haberse desconectado mentalmente. El punto óptimo es una ventana dinámica determinada por el comportamiento en tiempo real del usuario, no un temporizador estático.

También descubrimos que ofrecer incentivos irrelevantes reduce drásticamente la conversión. Un cupón genérico del 10% de descuento en una publicación de blog sobre tácticas avanzadas de SEO es menos efectivo que una oferta dirigida para una lista de verificación de SEO o una consulta gratuita. Comprender este equilibrio entre el momento, la relevancia y el valor es fundamental. Para obtener más información táctica, consulte cómo funciona realmente nuestro modelo de ML de intención de salida en la práctica.

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.