Cómo funciona realmente nuestro modelo de ML de intención de salida: una inmersión técnica profunda para especialistas en marketing

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

Cuando hablamos de intención de salida, la mayoría de los especialistas en marketing todavía piensan en un usuario moviendo el cursor del mouse fuera de la ventana del navegador. Si bien esa es una señal, es solo una de muchas. El modelo ML ExitSense de nuestro creador de popups monitorea activamente 26 señales de comportamiento distintas para predecir con precisión la intención de un usuario de irse.

Estas señales van desde la velocidad y dirección del desplazamiento, el tiempo dedicado a elementos específicos de la página, los cambios de pestaña e incluso los patrones de escritura. Por ejemplo, un usuario que se desplaza rápidamente hacia arriba después de un período de inactividad podría indicar que está buscando el botón 'atrás' o considerando cerrar la pestaña. Hemos observado que 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 no se activa, lo que requiere un enfoque más matizado.

Ignorar estas señales más profundas puede llevar a popups mal programados que molestan a los usuarios en lugar de involucrarlos. Los sistemas tradicionales basados en reglas a menudo pasan por alto estas señales sutiles, lo que lleva a una experiencia de usuario subóptima y tasas de conversión más bajas.

Muestreo de Thompson explicado para especialistas en marketing: optimización del rendimiento de los titulares

Un componente crítico de un popup de alto rendimiento no es solo cuándo se muestra, sino lo que dice. Nuestra plataforma no se basa en conjeturas para los titulares; utiliza el muestreo de Thompson para optimizarlos dinámicamente. A diferencia de las pruebas A/B tradicionales, que a menudo requieren un tráfico y un tiempo significativos para alcanzar la significación estadística, el muestreo de Thompson es un algoritmo de 'exploración-explotación'.

Aprende continuamente qué titulares están funcionando mejor y les asigna más impresiones, mientras sigue explorando opciones menos probadas para asegurarse de que no se pierda un rendimiento potencialmente mejor. Esto significa que incluso los sitios de comercio electrónico más pequeños o los fundadores de SaaS independientes pueden beneficiarse de una optimización sofisticada, identificando rápidamente variaciones ganadoras para su audiencia específica. Lo que aprendimos de 10,000 impresiones de popups es que incluso pequeños ajustes en los titulares, como cambiar una palabra, pueden afectar significativamente las tasas de conversión.

Este enfoque adaptativo ayuda a lograr las altas tasas de conversión observadas en los popups de mayor rendimiento, que un estudio de Sumo de 2018 encontró que podrían superar el 9.28%, muy por encima del promedio del 3.09%.

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

La diferencia fundamental entre el enfoque de LeadYup y las herramientas de popup heredadas radica en su profunda integración de IA y aprendizaje automático. Así es cómo funciona realmente nuestro modelo de ML de intención de salida de manera diferente gracias a la IA:

• Generación de copias por página: en lugar de copias estáticas y de talla única, nuestra plataforma aprovecha los LLM para generar copias de popup altamente relevantes y por página. Esto asegura que el mensaje resuene directamente con el contenido que el usuario está viendo actualmente, aumentando drásticamente el engagement.
• Fusión dinámica de señales de comportamiento: mientras que las herramientas heredadas se basan en unas pocas reglas preestablecidas, nuestro modelo ML ExitSense emplea algoritmos como XGBoost para fusionar las 26 señales de comportamiento en tiempo real. Esto permite identificar relaciones complejas y no lineales entre las señales, lo que lleva a predicciones de salida mucho más precisas.
• Pruebas A/B adaptativas a escala (muestreo de Thompson): como se mencionó, el muestreo de Thompson permite que incluso las PYMES se beneficien de la optimización continua sin los obstáculos de tráfico típicos de los métodos tradicionales. Es un enfoque impulsado por IA para garantizar que cada impresión trabaje para un objetivo de conversión más alto.

Estas capacidades impulsadas por IA van más allá de las simples reglas de 'si-entonces', ofreciendo un sistema predictivo y adaptativo que aprende y mejora constantemente el rendimiento.

Compromisos honestos: lo que funciona y lo que no

Si bien el ML avanzado aumenta significativamente la efectividad de los popups, es importante ser honesto sobre lo que funciona y lo que no. Los popups altamente agresivos e inmediatos que se activan al cargar la página sin ningún contexto de comportamiento consistentemente tienen un rendimiento inferior y pueden afectar negativamente la experiencia del usuario, como lo ha destacado la investigación de UX de Nielsen Norman Group.

Por el contrario, los popups demasiado sutiles que son difíciles de detectar o que se mezclan demasiado con el contenido de la página tampoco logran convertir. El punto óptimo, al que apunta nuestro ML, es un equilibrio entre visibilidad y relevancia, programado precisamente cuando un usuario está considerando irse, pero antes de que se haya ido. También hemos descubierto que una propuesta de valor sólida y clara no es negociable. Incluso el ML más inteligente no puede rescatar una oferta débil.

Otro error común es ignorar la capacidad de respuesta móvil. Los popups que no están optimizados para pantallas más pequeñas son frustrantes e ineficaces. Los puntos de referencia de la industria de Wisepops muestran consistentemente que la optimización móvil es crucial para mantener las tasas de conversión en todos los dispositivos.

El futuro: aprendizaje continuo y personalización mejorada

El desarrollo de cómo funciona realmente nuestro modelo de ML de intención de salida es un proceso continuo. Estamos refinando continuamente el modelo ExitSense, explorando nuevas señales de comportamiento y mejorando las capacidades predictivas. Las futuras iteraciones se centrarán en una personalización aún más profunda, integrándose potencialmente con los datos de CRM para adaptar las ofertas en función de las interacciones pasadas del cliente o el historial de compras.

El objetivo es avanzar hacia una experiencia de popup verdaderamente conversacional y consciente del contexto, donde la interacción se sienta menos como una interrupción y más como un asistente útil. Esto implica no solo predecir la intención de salida, sino también comprender la necesidad inmediata o la posible objeción del usuario, y abordarla de manera proactiva.

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.