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

El problema central: por qué la intención de salida es más difícil de lo que parece

La intención de salida basada en reglas, que a menudo se basa únicamente en que el mouse de un usuario abandone la ventana, pierde un contexto crucial. Si bien es simple, es propensa a falsos positivos y puede molestar a los usuarios, lo que lleva a una experiencia negativa. El verdadero desafío es distinguir el desinterés genuino de los movimientos momentáneos del cursor.

Por ejemplo, un usuario podría mover el mouse fuera de la pantalla para revisar su reloj u otra pestaña, no necesariamente para abandonar el sitio. El disparo excesivo de popups basado en estas acciones triviales puede reducir las tasas de conversión generales y la percepción de la marca. La investigación de Nielsen Norman Group muestra consistentemente que las interrupciones mal programadas degradan la experiencia del usuario.

Por eso, comprender cómo funciona realmente nuestro modelo de ML de intención de salida es clave para ir más allá de estas limitaciones básicas.

Las 26 señales que observa nuestro ML de popups 🕵️

Nuestro modelo de ML ExitSense no se basa en un solo disparador. En cambio, monitorea continuamente 26 señales de comportamiento distintas. Estas señales se dividen en categorías como movimiento del mouse, comportamiento de desplazamiento, métricas de participación y duración de la sesión. La combinación de estos diversos puntos de datos proporciona una imagen mucho más rica de la intención del usuario.

• Movimiento y posición del mouse: Velocidad, aceleración, patrones de trayectoria, proximidad a los elementos de la interfaz de usuario del navegador (botón de retroceso, barra de pestañas).
• Comportamiento de desplazamiento: Profundidad de desplazamiento, velocidad de desplazamiento, desplazamientos repentinos hacia arriba (a menudo indicando una reevaluación antes de irse).
• Métricas de participación: Tiempo en la página, número de clics, interacciones con campos de formulario, tiempo de inactividad del cursor.
• Contexto de la sesión: Referente, tipo de dispositivo, participación histórica con su sitio (si está disponible).

Al procesar estas señales en tiempo real, el modelo construye una evaluación probabilística de si es probable que un usuario abandone la página. Este enfoque de múltiples señales reduce significativamente los falsos positivos en comparación con los métodos tradicionales.

Thompson sampling explicado para especialistas en marketing: más allá de las pruebas A/B

Una vez que el modelo ExitSense determina un momento oportuno, el siguiente desafío es presentar el popup más efectivo. Aquí es donde entra en juego Thompson sampling. A diferencia de las pruebas A/B tradicionales, que requieren un tamaño de muestra fijo y pueden desperdiciar impresiones en variantes de bajo rendimiento, Thompson sampling es un enfoque adaptativo.

En esencia, Thompson sampling aprende continuamente qué titulares y variaciones de texto de popup funcionan mejor y asigna más impresiones a esos ganadores con el tiempo. Equilibra la exploración (probar nuevas variantes) y la explotación (usar ganadores conocidos). Esto significa que su audiencia ve más de lo que funciona, más rápido.

Lo que aprendimos de 10,000 impresiones de popups en varias campañas es que Thompson sampling permite a las PYMES y agencias optimizar a una escala que antes estaba reservada para las empresas. Es particularmente efectivo para identificar ofertas y mensajes ganadores sin necesidad de grandes volúmenes de tráfico para cada variante de prueba.

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

La IA y los Grandes Modelos de Lenguaje (LLMs) actuales mejoran significativamente las capacidades de las plataformas de popups como LeadYup más allá de lo que los sistemas tradicionales basados en reglas pueden ofrecer. Aquí hay 2-3 diferenciadores clave:

1. Generación de texto y titulares por página: En lugar de crear variaciones manualmente, los LLMs pueden analizar el contenido de la página y la intención del usuario para generar titulares y textos de cuerpo altamente relevantes y atractivos para los popups. Esto significa un mensaje único y optimizado para cada página de producto o publicación de blog sin esfuerzo manual.
2. Thompson sampling dinámico para PYMES: La combinación de señales de comportamiento con contenido generado por LLM significa que el mecanismo de Thompson sampling tiene un conjunto más rico de variaciones para probar. Esto democratiza las pruebas A/B sofisticadas, haciéndolas accesibles y efectivas incluso para sitios con tráfico moderado, ya que el sistema puede identificar e implementar rápidamente contenido de alto rendimiento automáticamente.
3. Fusión de señales de comportamiento a través de XGBoost: Los modelos avanzados de ML como XGBoost son expertos en fusionar las 26 señales de comportamiento en una única puntuación predictiva. Este método de conjunto sobresale en la identificación de relaciones complejas y no lineales entre señales que un humano o un conjunto de reglas más simple pasarían por alto, lo que lleva a predicciones de intención de salida más precisas. Este es un componente central de cómo funciona realmente nuestro modelo de ML de intención de salida a un nivel más profundo.

Observaciones y compensaciones basadas en la experiencia

Nuestra experiencia implementando LeadYup en cientos de sitios ha proporcionado información valiosa sobre lo que funciona y lo que no. Si bien la tasa de conversión promedio de popups ronda el 3.09% (estudio de Sumo de 2016), las campañas de mayor rendimiento alcanzan más del 9.28%.

Lo que funciona: Propuestas de valor sólidas y claras. Las ofertas que son genuinamente atractivas (por ejemplo, un descuento significativo, contenido exclusivo o una herramienta gratuita) superan constantemente a las indicaciones genéricas de 'suscríbase a nuestro boletín'. La relevancia contextual, impulsada por nuestra generación de texto por página, también es un factor enorme.

Lo que no funciona: Tiempos excesivamente agresivos u ofertas irrelevantes. Incluso el mejor modelo de ML no puede salvar una mala oferta. Además, 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 el mouse-out no se activa. Una simple intención de 'botón de retroceso' a menudo significa combinar un desplazamiento rápido hacia arriba con un período de inactividad para medir con precisión el desinterés. Este matiz está integrado en nuestro modelo móvil.

Finalmente, si bien nuestro creador de popups con IA se encarga de gran parte del trabajo pesado, el contenido 'semilla' inicial y la comprensión de las necesidades principales de su audiencia siguen siendo primordiales. La IA optimiza, pero usted aún define la oferta estratégica.

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.