Cómo funciona realmente nuestro modelo de ML de intención de salida: Una mirada honesta bajo el capó
El problema con la intención de salida 'basada en reglas'
Durante años, los popups de intención de salida basados en reglas dependieron de un único disparador: el cursor del ratón de un usuario saliendo de la ventana del navegador. Aunque efectivo en sus inicios, este enfoque se está quedando rápidamente obsoleto. Las experiencias web modernas son más complejas, involucrando trackpads, pantallas táctiles e intenciones de usuario variadas.
Una simple salida del ratón a menudo pasa por alto una intención de salida genuina o, peor aún, se activa prematuramente, molestando a los usuarios. Descubrimos que depender únicamente de la 'salida del ratón' para computadoras de escritorio, por ejemplo, conducía a una alta tasa de rebote en el propio popup en lugar de conversiones exitosas. La tasa de conversión promedio para los popups ronda el 3.09%, según un estudio de Sumo de 2016, pero los de mejor rendimiento alcanzan el 9.28% o más. La brecha a menudo radica en la sincronización inteligente.
Lo que aprendimos de 10,000 impresiones de popups
Después de analizar más de 10,000 impresiones de popups en varias industrias y segmentos de usuarios, surgió un patrón claro: ninguna señal única define la intención de salida. En cambio, es una confluencia de comportamientos sutiles. Nuestras iteraciones iniciales, que se centraron en 5-7 señales, mostraron mejoras marginales sobre los métodos tradicionales.
Sin embargo, cuando ampliamos nuestra recopilación de datos a 26 señales de comportamiento distintas, la eficacia de nuestro mecanismo de intención de salida mejoró drásticamente. Observamos un aumento de 3 veces en las tasas de participación para los popups activados por el modelo de múltiples señales en comparación con una simple salida del ratón. Por ejemplo, un usuario que se desplaza rápidamente hacia arriba y hacia abajo, luego se detiene sobre el botón de retroceso, combinado con un breve período de inactividad, fue un indicador mucho más fuerte de intención de salida que solo el ratón saliendo de la ventana de visualización.
Las 26 señales que observa nuestro ML de popups
Nuestro modelo propietario ExitSense ML monitorea continuamente 26 señales de comportamiento de usuario distintas para predecir cuándo un visitante está a punto de irse. Estas señales abarcan una variedad de interacciones, desde movimientos del ratón y velocidad de desplazamiento hasta tiempo de inactividad e interacciones con campos de formulario. Algunas categorías clave incluyen:
- Comportamiento del ratón y del puntero: Velocidad, dirección, distancia de los bordes de la ventana de visualización, pasar el cursor sobre elementos de la interfaz de usuario como pestañas o botones de retroceso.
- Dinámica de desplazamiento: Velocidad de desplazamiento, cambios de dirección (por ejemplo, desplazamiento rápido hacia arriba), profundidad de desplazamiento.
- Interacción con la página: Tiempo en la página, tiempo de inactividad, cambio de pestañas, intento de selección de texto.
- Formulario y entrada: Campos de formulario abandonados, velocidad de escritura, intento de copiar/pegar.
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 ratón no se activa. Esta observación basada en la experiencia dio forma a nuestra ponderación de señales específicas para dispositivos móviles dentro del modelo. Puedes obtener más información sobre cómo funciona realmente nuestro modelo de ML de intención de salida en nuestro desglose detallado.
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 nuestro enfoque sobre cómo funciona realmente nuestro modelo de ML de intención de salida más allá de los sistemas tradicionales basados en reglas. Así es como:
- Generación dinámica de copias por página: A diferencia de los popups estáticos, LeadYup utiliza LLMs para generar copias de popups hiperrelevantes por página. El modelo de lenguaje analiza el contenido de la página específica en la que se encuentra un usuario y elabora una oferta o mensaje que se alinea perfectamente con su contexto actual, aumentando el atractivo y la probabilidad de conversión.
- Muestreo de Thompson para titulares ganadores (a escala de PYMES): En lugar de las pruebas A/B manuales, que a menudo son demasiado lentas y requieren muchos recursos para las PYMES, empleamos el muestreo de Thompson. Este enfoque bayesiano asigna dinámicamente más impresiones a los titulares de mejor rendimiento, identificando rápidamente las variaciones ganadoras sin requerir grandes volúmenes de tráfico o intervención manual. Esto significa que la optimización ocurre de forma continua y automática.
- Fusión de señales de comportamiento a través de XGBoost: Nuestro modelo ExitSense ML aprovecha algoritmos avanzados de aprendizaje automático como XGBoost. Esto va más allá de los umbrales simples, ponderando y combinando inteligentemente las 26 señales de comportamiento para predecir la intención de salida con alta precisión. No es solo 'si A entonces B', sino 'si A, B y C con estas probabilidades, entonces activar'. Esta sofisticada fusión de señales permite una toma de decisiones matizada y en tiempo real que los sistemas basados en reglas simplemente no pueden replicar. Nuestro artículo cómo funciona realmente nuestro modelo de ML de intención de salida proporciona más detalles técnicos.
Compromisos honestos: lo que no siempre funciona
Si bien nuestro modelo de ML supera significativamente los métodos tradicionales, es esencial reconocer sus limitaciones y lo que no siempre funciona como se espera. Por ejemplo, las sesiones de usuario extremadamente cortas (menos de 5 segundos) a menudo no proporcionan suficientes datos de comportamiento para que el modelo haga una predicción precisa. En estos casos, un disparador más generalizado y basado en el tiempo aún podría ser necesario como respaldo, aunque con menor precisión.
Además, los popups excesivamente agresivos o repetitivos, incluso cuando están perfectamente sincronizados, aún pueden provocar fatiga en el usuario. Nuestro modelo prioriza la sincronización, pero el contenido y la frecuencia siguen siendo cruciales. La investigación de UX de Nielsen Norman Group destaca constantemente que los popups intrusivos pueden dañar la experiencia del usuario si no se manejan con cuidado. Incluso el mejor ML no puede superar por completo una oferta mal concebida o una visualización excesivamente frecuente. Es una herramienta, no una bala mágica. Por esta razón, los usuarios de nuestro creador de popups también tienen un control granular sobre la limitación de frecuencia y las reglas de visualización.
FAQ
¿En qué se diferencia la intención de salida de LeadYup de los popups tradicionales?LeadYup utiliza un modelo avanzado de ML llamado ExitSense que monitorea 26 señales de comportamiento para predecir la intención de salida genuina. A diferencia de los popups tradicionales que dependen de simples disparadores de salida del ratón, nuestro sistema ofrece una sincronización dinámica y basada en datos para una mayor relevancia y conversión.¿Qué es el muestreo de Thompson y cómo ayuda a los especialistas en marketing?El muestreo de Thompson es un enfoque bayesiano utilizado en LeadYup para probar y optimizar automáticamente los titulares de los popups. Identifica rápidamente los titulares de mejor rendimiento asignando más impresiones a las variaciones que muestran resultados superiores, lo que ayuda a los especialistas en marketing a mejorar las conversiones sin complejas pruebas A/B manuales.¿Puede el modelo de ML predecir la intención de salida en dispositivos móviles?Sí, nuestro modelo ExitSense ML está diseñado para funcionar en todos los dispositivos. En dispositivos móviles, donde las señales de salida del ratón están ausentes, se adapta monitoreando los gestos táctiles, los patrones de desplazamiento (como el desplazamiento rápido hacia arriba) y el tiempo de inactividad para predecir con precisión cuándo un usuario tiene la intención de irse.¿Hay algún escenario en el que el modelo de ML podría no ser efectivo?Aunque es altamente efectivo, el modelo de ML puede tener datos limitados para sesiones de usuario extremadamente cortas (menos de 5 segundos), lo que dificulta las predicciones precisas. Además, incluso los popups perfectamente sincronizados no se convertirán si la oferta o el contenido son irrelevantes, lo que enfatiza la importancia de un mensaje sólido.¿Listo para ver el poder de la intención de salida inteligente? Prueba LeadYup gratis durante 14 días y transforma tus conversiones.
Start 14-day free trial →No credit card required · Free plan also available.
Cómo LeadYup lo hace por ti
ExitSense MLModelo XGBoost con 26 señales elige el momento exacto para disparar — supera el simple mouse-out en 3–5×.
Copy con IA por páginaLLM reescribe el titular/subtítulo en cada landing según la intención — sin configurar A/B manualmente.
Thompson samplingMulti-armed bandit elige la variante ganadora en días, incluso con tráfico SMB.
Más de 10 integracionesSlack, 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.