¿Cómo funciona nuestro modelo de ML de intención de salida? Una lista de verificación táctica para especialistas en marketing

La base: ¿Qué es la intención de salida y por qué es importante?

La tecnología de intención de salida tiene como objetivo detectar cuándo un usuario está a punto de abandonar un sitio web, presentando una oferta o mensaje de última instancia para retenerlo. No se trata solo de molestar; los pop-ups de intención de salida bien programados pueden aumentar significativamente las tasas de conversión. Estudios, como la investigación de Sumo de 2016, encontraron que el pop-up promedio convierte al 3.09%, y los de mejor rendimiento alcanzan más del 9.28%.

El 'por qué' es simple: los visitantes que están a punto de irse a menudo todavía están comprometidos, pero no han encontrado lo que necesitan o están dudando. Una oferta relevante y oportuna puede volver a involucrarlos, convirtiendo un posible rebote en un lead o una venta. El desafío radica en predecir con precisión ese momento de 'a punto de irse' sin ser intrusivo.

Las 26 señales que monitorea nuestro ML de pop-ups: Más allá del movimiento del mouse fuera de la ventana

La intención de salida tradicional a menudo se basa únicamente en eventos de mouse-out, cuando el cursor de un usuario abandona la ventana del navegador. Si bien es una señal fundamental, está lejos de ser suficiente para una predicción matizada. Nuestro modelo de ML ExitSense procesa 26 señales de comportamiento distintas para construir una imagen completa de la intención del usuario. Estas señales incluyen, entre otras:

• Patrones de movimiento del mouse: Velocidad, dirección y proximidad al botón de retroceso o a las pestañas del navegador.
• Profundidad y velocidad de desplazamiento: El desplazamiento rápido hacia arriba, o la interrupción repentina del desplazamiento, pueden indicar desinterés.
• Tiempo en la página/sitio: Tiempos más largos podrían significar un compromiso más profundo, pero también una posible frustración si no se produce una conversión.
• Interacción con formularios: Campos de formulario abandonados o correcciones repetidas.
• Cambio de pestañas: El cambio frecuente a otras pestañas sugiere distracción o comparación de compras.
• Duración de la inactividad: Un período sin interacción puede indicar que un usuario se ha alejado o ha perdido interés.
• Vistas de página por sesión: Un bajo número de vistas de página combinado con otras señales podría indicar una salida rápida.
• Fuente de referencia: Los usuarios de ciertas fuentes pueden tener diferentes comportamientos de salida.
• Tipo de dispositivo: Los usuarios de dispositivos móviles exhiben diferentes patrones de interacción que los usuarios de computadoras de escritorio.

En los más de 1,000 sitios que ejecutan pop-ups de LeadYup, hemos observado que la intención de salida en dispositivos móviles generalmente necesita un híbrido de desplazamiento hacia arriba + inactividad porque el evento de 'mouse-out' no se activa. Esto resalta la importancia del análisis de múltiples señales para una segmentación móvil precisa.

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

Las herramientas de pop-ups heredadas, basadas en reglas, operan con disparadores predefinidos: 'mostrar pop-up después de 30 segundos' o 'al salir el mouse'. Si bien son funcionales, carecen de adaptabilidad. La IA moderna y los Grandes Modelos de Lenguaje (LLM) cambian fundamentalmente cómo funciona nuestro modelo de ML de intención de salida al introducir inteligencia dinámica basada en datos.

• Generación de texto por página: En lugar de mensajes genéricos, los LLM pueden generar textos de pop-up altamente relevantes y específicos para el contexto, basados en el contenido de la página que el usuario está viendo. Esta personalización aumenta significativamente el compromiso, como lo señala la investigación del ConversionXL Institute sobre la relevancia del mensaje.
• Thompson sampling para la optimización de titulares: Las pruebas A/B tradicionales pueden ser lentas e ineficientes, especialmente para las PYMES. Thompson sampling, un enfoque bayesiano, asigna dinámicamente más tráfico a las variaciones de mejor rendimiento más rápidamente, lo que permite una optimización rápida de titulares y ofertas sin intervención manual. Esto significa que sus pop-ups siempre están aprendiendo y mejorando.
• Fusión de señales de comportamiento a través de XGBoost: Nuestro modelo de ML ExitSense utiliza algoritmos avanzados como XGBoost para fusionar las 26 señales de comportamiento. A diferencia de las reglas simples de 'si-entonces', XGBoost puede identificar relaciones complejas y no lineales entre las señales, prediciendo la intención de salida con mucha mayor precisión. Esto permite una sincronización precisa, asegurando que el pop-up aparezca en el momento óptimo, no demasiado pronto para molestar, ni demasiado tarde para perder la oportunidad. Esta es una parte central de cómo funciona nuestro modelo de ML de intención de salida.

Thompson Sampling explicado para especialistas en marketing: Pruebas A/B más inteligentes

Probablemente haya oído hablar de las pruebas A/B, donde se divide el tráfico 50/50 entre dos variaciones para ver cuál funciona mejor. Si bien es efectivo, puede ser lento y deja a una parte significativa de su audiencia expuesta a la opción de peor rendimiento durante un período prolongado. Aquí es donde Thompson sampling brilla, especialmente para optimizar elementos como los titulares de los pop-ups.

Thompson sampling es un algoritmo de bandit multi-brazo que ajusta dinámicamente la distribución del tráfico en función del rendimiento en tiempo real. Comienza explorando diferentes variaciones (por ejemplo, titulares de pop-ups) pero rápidamente comienza a explotar las variaciones que muestran una promesa temprana. Esto significa que más de sus visitantes ven el titular ganador antes, maximizando las conversiones durante el período de prueba. Es una forma más eficiente de aprender y adaptarse, asegurando que cómo funciona nuestro modelo de ML de intención de salida siempre esté utilizando los elementos de mejor rendimiento.

Lo que aprendimos de 10,000 impresiones de pop-ups (y más allá)

El análisis de datos de decenas de miles de impresiones de pop-ups en diversas industrias ha proporcionado información invaluable sobre lo que funciona y lo que no. Una conclusión clave es que la relevancia supera a todo. Un pop-up genérico de 'Suscríbete a nuestro boletín', incluso perfectamente programado, tendrá un rendimiento inferior en comparación con una oferta específica del contexto, como 'Obtén un 15% de descuento en tu primer pedido de [categoría de producto]'.

"Los pop-ups más efectivos no se tratan solo de la sincronización; se trata de entregar el mensaje correcto a la persona adecuada en el momento adecuado." – Observación del equipo de LeadYup

También hemos visto que la dependencia excesiva de una sola señal, como solo el mouse-out, conduce a una mala experiencia de usuario y menores conversiones. Las 26 señales son cruciales para la precisión. Además, si bien los pop-ups agresivos a veces pueden generar altas tasas de conversión iniciales, a menudo conducen a tasas de rebote más altas y una percepción negativa de la marca a largo plazo. Un enfoque equilibrado, que priorice la experiencia del usuario junto con los objetivos de conversión, es consistentemente más sostenible y efectivo. Por eso nuestro creador de pop-ups enfatiza la sincronización inteligente.

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.