¿Cómo funciona realmente nuestro modelo de ML de intención de salida? Una mirada honesta bajo el capó para 2026
¿Cuáles son las 26 señales que observa nuestro ML de popups?
Nuestro modelo de ML ExitSense no se basa en un solo comportamiento; sintetiza datos de 26 señales distintas en tiempo real. Estas van desde acciones explícitas del usuario como la velocidad y aceleración del mouse, la profundidad de desplazamiento y la posición del cursor en relación con la ventana del navegador, hasta señales más sutiles como el tiempo de inactividad, los cambios de pestaña e incluso la selección de texto. También rastreamos la interacción con formularios, los sobrevuelos de botones y si un usuario ha llegado al final del contenido. Esta visión holística nos permite construir un perfil de riesgo integral para la salida inminente de cada visitante.
Por ejemplo, una rápida aceleración hacia la esquina superior derecha del navegador, combinada con un desplazamiento significativo hacia arriba después de una inactividad prolongada, es un fuerte indicador de intención de salida. Por el contrario, el desplazamiento deliberado y la participación activa con los elementos de la página sugieren un interés continuo. Cada señal se pondera dinámicamente en función de su poder predictivo para esa sesión de usuario específica y el contexto de la página. Para profundizar en nuestra metodología, puedes leer más sobre cómo funciona realmente nuestro modelo de ML de intención de salida.
¿Cómo predice el modelo de ML una salida en lugar de solo una pausa?
Aquí es donde el 'aprendizaje' en el aprendizaje automático se vuelve crítico. Nuestro modelo ExitSense está entrenado en millones de sesiones de usuario pasadas, correlacionando patrones de señales específicos con salidas eventuales o compromiso continuo. No es un sistema basado en reglas que dice 'si X, entonces Y'. En cambio, aprende relaciones complejas entre las 26 señales. Por ejemplo, un usuario podría hacer una pausa para leer un párrafo o mirar una imagen; nuestro modelo diferencia esto de una pausa que indica un cambio mental hacia la salida. Reconoce que una pausa momentánea seguida de un desplazamiento o clic adicional es distinta de una pausa que precede a un gesto rápido de salida del mouse. Este aprendizaje continuo de cómo funciona realmente nuestro modelo de ML de intención de salida permite predicciones altamente matizadas.
Una idea clave que obtuvimos al observar más de 10,000 impresiones de popups en varios sitios es que la secuencia y la duración de las señales son a menudo más importantes que la fuerza de la señal individual. Un usuario que se detiene sobre un botón de 'comprar ahora' y luego se aleja sin hacer clic, es muy diferente de un usuario que simplemente navega y se detiene momentáneamente. Nuestro modelo, que a menudo emplea algoritmos como XGBoost, se destaca en la identificación de estos sutiles patrones temporales.
Lo que aprendimos de 10,000 impresiones de popups: éxitos y trampas
En los miles de sitios que ejecutan popups de LeadYup, hemos recopilado datos sustanciales sobre lo que funciona y lo que no. Hemos visto tasas de conversión promedio de popups alrededor del punto de referencia de la industria del 3-5%, con los de mejor rendimiento logrando más del 9% como lo señalan estudios como la investigación de Sumo de 2016. Un hallazgo consistente es que la relevancia y el momento son primordiales. Un popup genérico que se muestra demasiado pronto o demasiado tarde tiene un rendimiento deficiente. El contenido debe alinearse directamente con el contexto actual de la página del usuario y la intención percibida.
Un inconveniente significativo que observamos es la 'fatiga de popups' que surge de ofertas inoportunas o irrelevantes. Los popups agresivos y de activación temprana a menudo conducen a rebotes inmediatos, dañando la experiencia del usuario. 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 los eventos tradicionales de salida del mouse no se activan. Esto resalta la necesidad de una lógica dinámica y consciente del dispositivo en lugar de reglas estáticas. Además, hemos descubierto que las variaciones de las pruebas A/B, incluso pequeñas como los ajustes de titulares, son cruciales. Esto nos lleva a nuestro siguiente punto sobre el muestreo de Thompson.
Muestreo de Thompson explicado para especialistas en marketing: Más allá de las simples pruebas A/B
El muestreo de Thompson es un método avanzado para las pruebas A/B que nuestro creador de popups utiliza para asignar dinámicamente el tráfico a las variaciones ganadoras. A diferencia de las pruebas A/B tradicionales donde el tráfico se divide 50/50 durante un período determinado, el muestreo de Thompson ajusta continuamente la asignación de tráfico hacia las variaciones que están funcionando mejor. Esto significa que se capturan más leads con la creatividad de popup de mejor rendimiento, más rápido.
Para los especialistas en marketing, esto se traduce en una optimización más rápida y tasas de conversión generales más altas. En lugar de esperar la significación estadística, el muestreo de Thompson explora diferentes opciones mientras explota simultáneamente las mejores. Es particularmente poderoso para pequeñas empresas o aquellas con volúmenes de tráfico más bajos, ya que encuentra soluciones óptimas de manera más eficiente. Este enfoque nos permite identificar rápidamente los titulares y ofertas más efectivos sin sacrificar conversiones durante la fase de prueba.
Lo que la IA/LLMs modernos añaden a cómo funciona realmente nuestro modelo de ML de intención de salida
La IA moderna y los Grandes Modelos de Lenguaje (LLMs) mejoran significativamente las capacidades de nuestros popups de intención de salida más allá de lo que los sistemas tradicionales basados en reglas pueden ofrecer. En primer lugar, los LLMs permiten la generación dinámica de copias por página. En lugar de pre-escribir múltiples mensajes de popup, la IA de LeadYup puede analizar el contenido de la página específica que un usuario está viendo y generar titulares y ofertas altamente relevantes y atractivos sobre la marcha. Esta relevancia contextual aumenta drásticamente las tasas de participación y conversión, como lo citan los estudios de optimización de conversión que enfatizan la coincidencia de mensajes.
En segundo lugar, la integración de ML avanzado permite una verdadera fusión de señales de comportamiento. Las herramientas heredadas a menudo usan un umbral simple para una o dos señales. Nuestro modelo ExitSense, sin embargo, utiliza redes neuronales complejas o modelos de aumento de gradiente como XGBoost para combinar las 26 señales, identificando patrones no lineales que indican una verdadera intención de salida con una precisión mucho mayor. Finalmente, la combinación de la generación de copias por página con el muestreo de Thompson significa que no solo se adapta la copia, sino que el sistema optimiza continua y eficientemente qué copia adaptada funciona mejor, incluso para las PYMES sin equipos de CRO dedicados. Este nivel de optimización personalizada y adaptativa antes solo estaba disponible para grandes empresas.
FAQ
¿Listo para ver cómo los popups inteligentes pueden transformar tus conversiones? Prueba LeadYup gratis durante 14 días.
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.