Cómo funciona realmente nuestro modelo de ML de intención de salida: una crítica honesta para los especialistas en marketing

Más allá del clic: las 26 señales que observa nuestro ML

Cuando comenzamos a construir LeadYup, la sabiduría convencional sobre la intención de salida era en gran medida reactiva: detectar un mouse moviéndose hacia el botón 'X' o fuera de la ventana. Si bien es un buen punto de partida, este enfoque pasa por alto un rico tapiz de comportamientos previos a la salida. Nuestro cómo funciona realmente nuestro modelo de ML de intención de salida se basa en la observación de 26 señales de comportamiento distintas, mucho más allá de un simple mouse-out. Estas señales incluyen patrones de micro-desplazamiento, aceleración y desaceleración del movimiento del cursor, tiempo dedicado a elementos específicos de la página, estado de la pestaña activa vs. inactiva, e incluso tiempo de inactividad después de una interacción significativa.

Por ejemplo, un usuario podría desplazarse rápidamente hasta la parte inferior de una página de precios, luego volver rápidamente a la parte superior antes de pasar el cursor sobre el botón de cerrar del navegador. Cada una de estas acciones contribuye a una puntuación de 'propensión a salir'. El modelo de ML de ExitSense no solo busca una prueba irrefutable; fusiona estas señales dispares para construir una curva de probabilidad en tiempo real de la inminente partida de un usuario. El objetivo es intervenir en el momento preciso en que un usuario está considerando irse, pero antes de que se haya desconectado mentalmente.

Aprendimos desde el principio que depender de una sola señal, como un mouse que se mueve fuera de la ventana, conducía a popups prematuros que molestaban a los usuarios o a popups tardíos que perdían la oportunidad por completo. El rico conjunto de datos de estas 26 señales permite una predicción mucho más matizada, mejorando significativamente las tasas de conversión en comparación con los sistemas estáticos basados en reglas. Esta observación granular es clave para entregar un mensaje oportuno y relevante.

Muestreo de Thompson explicado para especialistas en marketing: optimización dinámica de titulares

Uno de los desafíos persistentes en la optimización de la tasa de conversión (CRO) de popups es la fatiga de los titulares. Lo que funciona hoy podría tener un rendimiento inferior mañana, y lo que convierte en una página podría fallar en otra. Aquí es donde el muestreo de Thompson brilla para los especialistas en marketing, yendo más allá de las iteraciones más lentas y la asignación de tráfico fija de las pruebas A/B tradicionales. En lugar de dividir el tráfico por igual y esperar la significación estadística, el muestreo de Thompson asigna dinámicamente más impresiones a los titulares con mejor rendimiento a medida que se acumulan los datos.

Imagina que tienes cinco variaciones de titulares para un popup. El muestreo de Thompson no se compromete con un porcentaje fijo para cada uno. Actúa como un explorador curioso, probando cada titular varias veces, luego aumentando gradualmente la exposición para aquellos que muestran promesa, mientras que ocasionalmente prueba los de bajo rendimiento para asegurarse de no haber pasado por alto una tendencia o un cambio de contexto. Este equilibrio entre 'explorar-explotar' significa que, a lo largo de miles de impresiones, tu audiencia ve predominantemente los titulares con mejor rendimiento, mientras el sistema aprende y se adapta continuamente.

Para los fundadores de SaaS independientes o los propietarios de e-commerce de PYMES con volúmenes de tráfico más pequeños, esta asignación dinámica cambia las reglas del juego. No necesitas millones de visitas a la página para encontrar titulares ganadores. El muestreo de Thompson permite una optimización más rápida y mayores conversiones acumuladas incluso con tráfico moderado, lo que lo convierte en una herramienta poderosa para maximizar el impacto de cada impresión de popup. Se trata de algo más que encontrar un ganador; se trata de servir constantemente al mejor rendimiento actual.

Lo que aprendimos de 10,000 impresiones de popups: lo bueno, lo malo y lo móvil

Nuestros datos de la observación de más de 10,000 impresiones de popups en varias industrias han arrojado información crítica. La tasa de conversión promedio para los popups, según el estudio de Sumo de 2016, fue de alrededor del 3.09%, con los de mejor rendimiento alcanzando más del 9%. Nuestros propios datos se alinean con esto, mostrando que los popups altamente dirigidos y conscientes del contexto superan significativamente a los genéricos. Lo 'malo' más grande es, sin duda, los popups mal sincronizados o irrelevantes. La investigación de UX de Nielsen Norman Group destaca constantemente la frustración del usuario con las interfaces disruptivas, y los popups no son una excepción si no se manejan con delicadeza.

Una observación basada en la experiencia que destaca: 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 el mouse-out no se activa. Los usuarios de dispositivos móviles no tienen un cursor de mouse para 'salir' de la ventana. En cambio, señales como el desplazamiento rápido hacia arriba (que indica un posible gesto de 'atrás' o intentar alcanzar los controles del navegador), combinado con un período de inactividad, son indicadores mucho más confiables de la intención de salida. Simplemente confiar en los clics del botón de retroceso a menudo pasa por alto una parte significativa de los usuarios que se van.

¿Qué funciona generalmente? Popups con propuestas de valor claras, texto conciso (a menudo generado por página por nuestro modelo de lenguaje) y una única llamada a la acción. ¿Qué no funciona? Formularios demasiado complejos, tiempos agresivos u ofertas que no se alinean con el contenido de la página. La honestidad sobre estas compensaciones es crucial para una CRO efectiva. Un cómo funciona realmente nuestro modelo de ML de intención de salida bien diseñado se trata de respetar la experiencia del usuario, no solo de captar leads a cualquier costo.

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

La IA moderna, particularmente los Grandes Modelos de Lenguaje (LLM) y las técnicas avanzadas de aprendizaje automático, cambia fundamentalmente cómo funciona realmente nuestro modelo de ML de intención de salida en comparación con los sistemas heredados. Las herramientas de popup basadas en reglas de hace unos años se limitaban a declaraciones IF-THEN: SI el mouse sale de la ventana, ENTONCES mostrar popup. Esto es estático y frágil. El enfoque de LeadYup es dinámicamente adaptativo y personalizado.

En primer lugar, la generación de texto por página con un modelo de lenguaje permite una mensajería hiperrelevante. En lugar de un único titular genérico en todo un sitio, nuestro LLM analiza el contenido de la página específica que un usuario está viendo y elabora un titular y un cuerpo de texto de popup adaptados a ese contexto. Esto aumenta significativamente el compromiso porque la oferta se siente personalizada y oportuna. Por ejemplo, un usuario en una página de 'precios' podría ver una oferta de 'demostración', mientras que un usuario en una página de 'características' podría obtener una oferta de 'descargar guía'.

En segundo lugar, la integración del muestreo de Thompson para la selección de titulares, como se discutió, es un enfoque impulsado por ML para la optimización continua. Los sistemas heredados a menudo requieren la configuración y el análisis manual de pruebas A/B, lo que limita el número de variaciones y ralentiza el aprendizaje. LeadYup automatiza esto, asegurando que la creatividad de mejor rendimiento se muestre casi siempre sin supervisión manual.

Finalmente, el modelo de ML central de ExitSense es un testimonio de la IA moderna. Aprovechando técnicas como XGBoost o métodos de conjunto similares, puede fusionar las 26 señales de comportamiento con una precisión mucho mayor que los umbrales simples. Esto permite una sincronización probabilística, no solo 'sí/no' sino '¿qué tan probable es que este usuario salga en los próximos 5 segundos?', lo que permite una intervención mucho más precisa y menos intrusiva. Este nivel de análisis predictivo simplemente no es posible con sistemas más antiguos basados en reglas, lo que ofrece una ventaja competitiva significativa para los usuarios de LeadYup.

LeadYup Editorial

Product & growth team

Hands-on operators behind LeadYup's popup engine, ExitSense ML model, and A/B infra. We write what we ship, not what we wish.