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

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

By LeadYup Editorial · Product & growth team · Published · 4 min read
Comprender cómo funciona realmente nuestro modelo de ML de intención de salida puede desmitificar la optimización de la conversión de pop-ups. Esta lista de verificación táctica desglosa los componentes principales, ofreciendo información sobre el aprendizaje automático detrás de los pop-ups perfectamente programados. Exploraremos las señales de comportamiento, el papel de los modelos de lenguaje en la copia dinámica y los métodos estadísticos que ofrecen variaciones ganadoras.

La base: Más que solo el movimiento del mouse hacia afuera

Históricamente, los pop-ups de intención de salida se activaban principalmente cuando el cursor del usuario salía del área visible del navegador. Si bien es efectivo para computadoras de escritorio, este enfoque basado en reglas pasa por alto matices críticos y falla en dispositivos móviles. El enfoque de LeadYup para determinar cuándo activar un pop-up de intención de salida que realmente convierte comienza con una base robusta de múltiples señales.

Nuestro modelo de ML analiza continuamente el comportamiento del usuario en una página determinada, yendo más allá de los simples movimientos del cursor. Por ejemplo, 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 hacia afuera no se activa. Esta observación del mundo real destaca las limitaciones de las reglas estáticas y la necesidad de un aprendizaje automático adaptativo.

Las 26 señales que nuestro ML de pop-ups observa 👀

Cuando hablamos de cómo funciona realmente nuestro modelo de ML de intención de salida, es crucial comprender la amplitud de los puntos de datos que consume. Nuestro modelo propietario ExitSense ML observa 26 señales de comportamiento distintas en tiempo real. Estas no son solo interacciones superficiales; abarcan una combinación de acciones explícitas y estados implícitos del usuario.

Por ejemplo, un usuario que se ha desplazado el 90% de una página de ventas de formato largo, se detuvo durante 30 segundos y luego se desplazó rápidamente hacia arriba, presenta una señal de intención muy diferente a la de alguien que acaba de llegar e inmediatamente navegó hacia el botón de retroceso del navegador. Las 26 señales incluyen:

Cada señal contribuye con una entrada ponderada a nuestro modelo, lo que le permite predecir la intención de salida con una precisión significativamente mayor que los sistemas basados en reglas. Este análisis granular es clave para mejorar las tasas de conversión, que promedian el 3.09% para los pop-ups según el estudio de Sumo de 2016, con los de mejor rendimiento logrando más del 9.28%.

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

La integración de IA avanzada y modelos de lenguaje grandes (LLM) cambia fundamentalmente cómo funciona realmente nuestro modelo de ML de intención de salida en comparación con las mejores herramientas de creación de pop-ups de 2026 tradicionales. Los sistemas basados en reglas son estáticos; no se adaptan. LeadYup aprovecha la IA de varias maneras transformadoras:

  1. Generación de copia por página: Nuestros LLM analizan el contenido de la página específica en la que se encuentra un usuario (por ejemplo, descripción del producto, publicación de blog, página de categoría). Luego genera una copia de pop-up y ofertas contextualmente relevantes y atractivas que se alinean con el interés inmediato del usuario, en lugar de depender de mensajes genéricos y estáticos. Esta personalización aumenta significativamente el compromiso.
  2. Muestreo de Thompson para pruebas A/B dinámicas: En lugar de las pruebas A/B/n tradicionales que requieren un tráfico significativo para lograr una significancia estadística para cada variante, empleamos el muestreo de Thompson. Este enfoque bayesiano asigna dinámicamente más tráfico a las variaciones ganadoras más rápido, incluso con un menor número de impresiones. Permite a las PYMES y a los propietarios de comercio electrónico optimizar continuamente los titulares y las ofertas sin esperar semanas para obtener resultados, lo que proporciona una ventaja crucial sobre el software de pop-ups de intención de salida de 2026 más antiguo.
  3. Fusión de señales de comportamiento a través de XGBoost: Las 26 señales de comportamiento no solo se suman. Nuestro modelo de ML utiliza un clasificador XGBoost, un potente marco de aumento de gradiente, para aprender la compleja interacción y las relaciones no lineales entre estas señales. Esto permite una predicción más matizada y precisa de la intención de salida que las regresiones lineales simples o los umbrales codificados, lo que permite una sincronización precisa para un impacto máximo.

Lo que aprendimos de más de 10,000 impresiones de pop-ups (y lo que no funciona)

El análisis de más de 10,000 impresiones de pop-ups en diversas industrias ha proporcionado información invaluable sobre la optimización de la conversión. Una conclusión clave es que el momento es primordial, pero no es el único factor. Un pop-up mal diseñado, incluso perfectamente programado, seguirá teniendo un rendimiento inferior. La investigación del ConversionXL Institute muestra consistentemente que la relevancia y la propuesta de valor superan el momento intrusivo si la oferta es débil.

Hemos descubierto que las ofertas genéricas como 'Suscríbase a nuestro boletín' sin un beneficio claro tienen un rendimiento consistentemente inferior. Los usuarios son más astutos; esperan un intercambio de valor. Lo que funciona:

Lo que no funciona bien: