Cómo funciona realmente nuestro modelo ML de intención de salida: una lista de verificación táctica para especialistas en marketing

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

Las soluciones heredadas de intención de salida a menudo se basan únicamente en que el cursor del mouse de un usuario abandone la ventana de visualización. Si bien esta es una señal fundamental, está lejos de ser la imagen completa. Nuestro modelo de ML, denominado ExitSense, monitorea 26 señales de comportamiento distintas en tiempo real para predecir la intención de un usuario de irse. Estas señales van desde interacciones básicas como la velocidad y dirección de desplazamiento hasta indicadores más matizados como el cambio de pestaña, el tiempo de inactividad e incluso atajos de teclado específicos. Por ejemplo, un desplazamiento rápido hacia arriba combinado con una pausa repentina a menudo indica que un usuario está reconsiderando su partida, ofreciendo un momento ideal para la intervención.

Hemos observado que 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 la salida del mouse no se activa. Esto resalta la necesidad de un enfoque de múltiples señales, especialmente con el creciente dominio del tráfico móvil. Confiar en una sola señal, como una simple salida del mouse, puede llevar a oportunidades perdidas o, peor aún, a pop-ups intrusivos que molestan a los usuarios y dañan las tasas de conversión. La investigación de UX de Nielsen Norman Group muestra consistentemente que las interrupciones mal programadas son una fuente importante de frustración para el usuario.

Muestreo de Thompson explicado para especialistas en marketing: optimización dinámica de titulares

Una vez que nuestro modelo ML ExitSense determina el momento óptimo para mostrar un pop-up, el siguiente desafío es presentar el mensaje más efectivo. Aquí es donde entra en juego el muestreo de Thompson, que ofrece una alternativa más eficiente a las pruebas A/B tradicionales, especialmente para PYMES y fundadores independientes con menos tráfico. En lugar de dividir el tráfico de manera uniforme y esperar la significación estadística, el muestreo de Thompson asigna dinámicamente más impresiones a las variaciones (por ejemplo, titulares, ofertas) que están funcionando mejor, mientras que aún explora opciones menos exitosas para asegurar que no se pase por alto ninguna alternativa mejor.

Lo que aprendimos de 10,000 impresiones de pop-ups es que incluso pequeñas variaciones en el texto del titular pueden afectar drásticamente las tasas de conversión. El muestreo de Thompson nos permite identificar rápidamente titulares ganadores para páginas y segmentos de usuarios específicos sin desperdiciar valiosas impresiones en opciones de bajo rendimiento. Este proceso de aprendizaje iterativo refina continuamente la efectividad del pop-up, asegurando que el mensaje correcto se entregue en el momento adecuado. Este enfoque es particularmente poderoso cuando se combina con la generación de texto por página, ya que permite una mensajería altamente relevante y optimizada.

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

La integración de la IA moderna y los Grandes Modelos de Lenguaje (LLMs) eleva significativamente las capacidades de nuestra solución de intención de salida más allá de lo que pueden ofrecer las herramientas heredadas basadas en reglas. En primer lugar, los LLMs permiten la generación de texto por página. En lugar de crear manualmente mensajes de pop-up para cada página, nuestro sistema puede analizar el contenido de la página y generar texto altamente relevante y persuasivo sobre la marcha. Esto garantiza la precisión contextual y reduce el esfuerzo manual para los especialistas en marketing, lo que hace factible tener pop-ups únicos y optimizados en cientos o miles de páginas.

En segundo lugar, la fusión de señales de comportamiento a través de modelos ML avanzados como XGBoost permite una comprensión mucho más matizada de la intención del usuario. Mientras que las herramientas heredadas podrían activarse cuando el 'mouse sale de la ventana de visualización', nuestro sistema procesa las 26 señales para construir un modelo predictivo de la probabilidad de salida. Esto permite una sincronización precisa, minimizando las molestias y maximizando la conversión. Por último, la optimización dinámica que ofrece el muestreo de Thompson, impulsada por la retroalimentación continua del ML, significa que nuestro creador de pop-ups está aprendiendo y mejorando constantemente. Esto contrasta fuertemente con las pruebas A/B estáticas que requieren intervención manual y a menudo se ejecutan durante períodos prolongados, retrasando la optimización.

El impacto en la conversión: resultados basados en datos

El objetivo final de comprender cómo funciona realmente nuestro modelo ML de intención de salida es impulsar mejoras tangibles en la tasa de conversión. Los puntos de referencia de la industria, como el estudio de Sumo de 2016, indican una tasa de conversión promedio de pop-ups del 3.09%, con el 10% superior alcanzando el 9.28% o más. Nuestro enfoque multisignal y basado en IA tiene como objetivo impulsar consistentemente a los usuarios a ese nivel superior.

Hemos visto que al sincronizar con precisión los pop-ups y optimizar dinámicamente su contenido, las tasas de conversión pueden experimentar mejoras significativas. Por ejemplo, un pop-up genérico de 'suscríbase a nuestro boletín' podría funcionar adecuadamente, pero una oferta contextualmente relevante, programada perfectamente cuando un usuario está a punto de abandonar su carrito, puede producir resultados dramáticamente mejores. La capacidad de personalizar el mensaje y la entrega basándose en señales de comportamiento en tiempo real es el diferenciador clave. No se trata solo de mostrar un pop-up; se trata de mostrar el pop-up correcto en el momento correcto con el mensaje correcto.

Lista de verificación táctica para aprovechar la intención de salida con IA

• Comprenda el recorrido de su usuario: Antes de implementar, trace las rutas típicas de los usuarios en su sitio. ¿Cuáles son los puntos de salida comunes? ¿Qué valor puede ofrecer en esos momentos?
• Segmente sus ofertas: No utilice un enfoque único para todos. Utilice la capacidad de la IA para generar texto por página para adaptar las ofertas. Un lector de blog podría obtener una mejora de contenido, mientras que un visitante de una página de producto obtiene un descuento.
• Confíe en el muestreo de Thompson: Permita que el sistema explore y explote. Resista la tentación de intervenir manualmente demasiado, especialmente en las primeras etapas. El algoritmo encontrará a los ganadores.
• Monitoree las métricas clave: Más allá de la tasa de conversión, realice un seguimiento de la tasa de rebote, el tiempo en la página y los comentarios de los usuarios. Una alta tasa de conversión en un pop-up no es buena si está ahuyentando a los usuarios que se habrían convertido orgánicamente.
• Pruebas A/B de su IA: Si bien la IA optimiza internamente, ocasionalmente enfrente un pop-up totalmente impulsado por IA contra uno optimizado manualmente y basado en reglas para validar el rendimiento. Esto le ayuda a comprender cómo funciona realmente nuestro modelo ML de intención de salida en comparación con los métodos tradicionales.
• Itere y refine: La belleza del ML es el aprendizaje continuo. Revise regularmente los datos de rendimiento y busque patrones. ¿Ciertas señales son más predictivas para su audiencia?

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.