¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una mirada honesta bajo el capó
El problema con la intención de salida 'tradicional'
Históricamente, los pop-ups de intención de salida se basaban en la detección básica de la salida del cursor. En el momento en que el cursor de un usuario abandonaba la ventana, se activaba un pop-up. Si bien esto fue un avance significativo sobre los disparadores basados en el tiempo o el desplazamiento, tenía limitaciones. Los falsos positivos eran comunes: los usuarios podían mover el ratón demasiado lejos accidentalmente, o simplemente abrir una nueva pestaña sin intención de irse. Esto a menudo conducía a una experiencia de usuario frustrante y diluía el potencial de conversión.
Un estudio de 2016 de Sumo encontró que la tasa de conversión promedio de los pop-ups era del 3.09%, y los de mejor rendimiento alcanzaban más del 9.28%. Esta gran variación a menudo se debía a la segmentación y la sincronización. Activar ciegamente un pop-up basándose en una sola señal a menudo no daba en el blanco, lo que llevaba a resultados subóptimos y a la molestia del usuario, lo que la investigación de Nielsen Norman Group señala constantemente como un gran defecto de UX.
Más allá de la salida del cursor: Las 26 señales que monitorea nuestro ML
Nuestro enfoque sobre cómo funciona realmente nuestro modelo de ML de intención de salida es fundamentalmente diferente. En lugar de un solo disparador, el modelo de ML ExitSense de LeadYup monitorea continuamente 26 señales de comportamiento distintas. Estas señales se dividen en varias categorías:
- Movimiento del ratón: Velocidad, trayectoria, distancia de los bordes del navegador y patrones típicos asociados con la salida.
- Comportamiento de desplazamiento: Velocidad de desplazamiento, dirección (especialmente desplazamientos hacia arriba después de un desplazamiento significativo hacia abajo) y pausas de desplazamiento.
- Métricas de engagement: Tiempo en la página, número de clics, interacción con campos de formulario e inactividad del cursor.
- Gestión de pestañas: Detección de nuevas aperturas de pestañas o cambio de la pestaña actual.
- Contexto de la sesión: Fuente de referencia, páginas vistas anteriormente y duración total de la sesión.
Al analizar este rico tapiz de datos, nuestro modelo construye una puntuación de probabilidad en tiempo real para la salida del usuario. Esto nos permite predecir la intención con mucha mayor precisión que los sistemas simples basados en reglas. Por ejemplo, en los más de 1,000 sitios que ejecutan pop-ups de LeadYup, hemos notado que la intención de salida en dispositivos móviles generalmente requiere un híbrido de desplazamiento hacia arriba + inactividad porque los eventos de salida del ratón no se activan de manera confiable en dispositivos táctiles.
Lo que la IA/LLMs modernos añaden a cómo funciona realmente nuestro modelo de ML de intención de salida
La integración de la IA moderna y los Grandes Modelos de Lenguaje (LLMs) eleva significativamente las capacidades de LeadYup más allá de los constructores de pop-ups tradicionales. Esto no se trata solo de la sincronización; se trata de hacer que cada pop-up sea altamente relevante y efectivo:
- Generación de texto por página: Los LLMs nos permiten generar texto altamente personalizado y contextualmente relevante para cada pop-up, específico de la página que el usuario está viendo. En lugar de mensajes genéricos como '¡No te vayas!', los usuarios ven ofertas adaptadas a su interés de contenido actual, lo que aumenta drásticamente el engagement.
- Muestreo de Thompson para pruebas A/B dinámicas: Nuestro sistema emplea el muestreo de Thompson, un enfoque bayesiano para las pruebas A/B, para aprender continuamente y elegir los titulares y ofertas ganadores. Esto significa que incluso los propietarios de e-commerce de PYMES pueden optimizar las variaciones de manera efectiva sin necesidad de grandes volúmenes de tráfico o intervención manual. El sistema asigna dinámicamente más impresiones a las variantes de mejor rendimiento, lo que garantiza una optimización más rápida que las pruebas A/B/n tradicionales.
- Fusión de señales de comportamiento a través de XGBoost: El modelo de ML ExitSense aprovecha algoritmos avanzados como XGBoost para fusionar las 26 señales de comportamiento. Esto le permite identificar relaciones complejas y no lineales entre las señales que indican la intención de salida, lo que lleva a un poder predictivo superior en comparación con modelos de regresión o árboles de decisión más simples. Esta interpretación integral de las señales es clave para cómo funciona realmente nuestro modelo de ML de intención de salida.
Equilibrando la conversión con la experiencia del usuario: Hallazgos de más de 10,000 impresiones
Lo que aprendimos de más de 10,000 impresiones de pop-ups en diversos sitios es que la sincronización es primordial para la experiencia del usuario. Un pop-up activado demasiado pronto es intrusivo; uno activado demasiado tarde es ineficaz. Nuestro modelo de ML refina constantemente su comprensión de lo 'justo' para cada sitio y segmento de usuario únicos.
Hemos observado que un pop-up bien sincronizado, incluso con una oferta sólida, todavía necesita una creatividad convincente. Aquí es donde entran en juego el texto personalizado y las llamadas a la acción claras. Según el Benchmark de la Industria 2024 de Wisepops, las tasas de conversión pueden variar enormemente según la relevancia de la oferta y la calidad del diseño. Integrar esta sincronización basada en datos con contenido generado dinámicamente es esencial para un pop-up de intención de salida que realmente convierte.
La verdad honesta: Lo que no siempre funciona
Si bien el ML avanzado mejora significativamente el rendimiento, no es una solución mágica para ofertas deficientes o contenido irrelevante. Un pop-up, por perfectamente sincronizado que esté, no convertirá si la oferta no es atractiva o si la experiencia de la página de destino está rota. Hemos visto casos en los que incluso nuestros mejores modelos no pudieron salvar una promoción que simplemente no resonó con la audiencia.
Además, el uso excesivo de pop-ups, incluso los inteligentes, puede provocar 'fatiga de pop-ups'. Los especialistas en marketing deben considerar el recorrido completo del usuario y la ubicación estratégica. A veces, menos es más. Nuestro enfoque es hacer que las interacciones individuales de los pop-ups sean lo más efectivas posible, pero abogamos por una estrategia CRO holística. Se trata de un pop-up de intención de salida que realmente convierte, no solo que se activa.
FAQ
Vea la diferencia que hace la sincronización de precisión por sí mismo: pruebe LeadYup gratis durante 14 días y potencie sus conversiones.
Start 14-day free trial →
Cómo LeadYup lo hace por ti
Modelo XGBoost con 26 señales elige el momento exacto para disparar — supera el simple mouse-out en 3–5×.
LLM reescribe el titular/subtítulo en cada landing según la intención — sin configurar A/B manualmente.
Multi-armed bandit elige la variante ganadora en días, incluso con tráfico SMB.
Slack, Zapier, HubSpot, webhooks, email — los leads llegan donde ya trabaja tu equipo.
Hazle una pregunta a Roman
¿Tienes una pregunta real sobre how our exit-intent ML model actually works? La leeré personalmente y te responderé dentro de un día. Las preguntas seleccionadas se publican debajo de este artículo.