Cómo funciona realmente nuestro modelo de ML de intención de salida: una lista de verificación táctica para especialistas en marketing

La base: señales de comportamiento y aprendizaje automático

En el corazón de cualquier estrategia efectiva de intención de salida está la capacidad de predecir con precisión la partida del usuario. Nuestro modelo va más allá de la simple detección de salida del mouse, monitoreando activamente 26 señales de comportamiento distintas. Estas señales van desde la velocidad y aceleración del cursor hasta la profundidad de desplazamiento, el tiempo de inactividad e incluso patrones específicos de pulsaciones de teclas. Alimentamos estos datos enriquecidos en un modelo de aprendizaje automático propietario, principalmente un conjunto de árboles potenciados por gradiente, para predecir el momento preciso en que es probable que un usuario abandone su sitio.

Este enfoque granular contrasta fuertemente con los sistemas más antiguos basados en reglas que a menudo se activan demasiado pronto o demasiado tarde, lo que provoca molestias al usuario u oportunidades perdidas. Según un estudio de Sumo de 2018, la tasa de conversión promedio de pop-ups es del 3.09%, pero el 10% superior logra tasas del 9.28% o más, una diferencia a menudo atribuible a una sincronización y segmentación sofisticadas. Comprender cómo funciona realmente nuestro modelo de ML de intención de salida es clave para alcanzar esas cifras de conversión de primer nivel.

Lo que aprendimos de más de 10,000 impresiones de pop-ups

Nuestros datos de millones de impresiones de pop-ups en varias industrias han proporcionado información invaluable. Uno de los aprendizajes más significativos es la diferencia matizada en los disparadores de intención de salida entre computadoras de escritorio y dispositivos móviles. 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 la salida del mouse no se activa. Esta observación nos llevó a refinar nuestro modelo de ML con pesos específicos para señales centradas en dispositivos móviles, asegurando un rendimiento constante en todos los dispositivos.

Otra conclusión clave es la importancia del contexto. Un usuario que exhibe un comportamiento de 'salida' en una página de producto podría estar buscando más información, mientras que el mismo comportamiento en una página de pago podría indicar abandono. Nuestro modelo ajusta dinámicamente sus predicciones basándose en el contenido de la página, el historial del usuario e incluso factores externos como los datos del referente. Esta conciencia contextual es un resultado directo del análisis de vastos conjuntos de datos y del entrenamiento continuo de nuestros modelos.

Muestreo de Thompson explicado para especialistas en marketing: más allá de las pruebas A/B

Una vez que se determina el momento óptimo para mostrar un pop-up, el siguiente desafío es presentar el mensaje y la oferta más efectivos. Aquí es donde brilla el muestreo de Thompson, ofreciendo una mejora significativa sobre las pruebas A/B tradicionales, especialmente para pymes y fundadores de SaaS independientes con volúmenes de tráfico más bajos. En lugar de dividir el tráfico por igual y esperar la significación estadística, el muestreo de Thompson asigna dinámicamente más tráfico a las variaciones que están funcionando mejor.

Imagine que tiene tres variaciones de pop-up. El muestreo de Thompson aprende continuamente de cada impresión, dando más peso a la que convierte mejor. Esta estrategia de 'explorar-explotar' garantiza que dedique menos tiempo a creatividades de bajo rendimiento y más tiempo a mostrar la combinación ganadora. ¿El resultado? Ciclos de optimización más rápidos y tasas de conversión generales más altas. Es un componente clave de cómo funciona realmente nuestro modelo de ML de intención de salida para ofrecer una mejora continua.

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

La IA moderna y los grandes modelos de lenguaje (LLM) han revolucionado las capacidades de las plataformas de pop-ups como la nuestra, yendo mucho más allá de lo que podían ofrecer las herramientas heredadas basadas en reglas. Primero, los LLM permiten la generación de copias por página. En lugar de elaborar manualmente copias para cientos de páginas, nuestro sistema puede analizar el contenido de la página y la intención del usuario para generar texto de pop-up altamente relevante y persuasivo sobre la marcha. Esto garantiza una experiencia de usuario fluida y personalizada.

En segundo lugar, la integración de los LLM permite la selección dinámica de titulares. Si bien el muestreo de Thompson optimiza el 'mejor' titular de un conjunto predefinido, un LLM puede generar titulares novedosos y contextualmente relevantes y luego alimentarlos al motor de muestreo de Thompson para pruebas en tiempo real. Esto crea una estrategia de contenido adaptativa que explora continuamente nuevas opciones potencialmente de mayor conversión. Finalmente, la fusión de 26 señales de comportamiento a través de modelos de ML avanzados como XGBoost proporciona un nivel de precisión predictiva que los simples disparadores de 'salida del mouse' no pueden igualar, lo que permite una sincronización verdaderamente inteligente para cada impresión de pop-up.

Tácticas que funcionan y las que no (compromisos honestos)

Funciona: Relevancia contextual. Un estudio del Nielsen Norman Group sobre la UX de pop-ups destaca constantemente que la relevancia mitiga las molestias. Ofrecer un descuento en el producto específico que un usuario está viendo, o un lead magnet relacionado con la publicación del blog que está leyendo, supera consistentemente a las ofertas genéricas. Nuestro modelo prioriza esto al comprender el contenido de la página y el recorrido del usuario.

No funciona: Sincronización excesivamente agresiva. Si bien nuestro modelo de ML apunta a una sincronización óptima, forzar los pop-ups demasiado pronto, especialmente sin una clara intención de salida, es perjudicial. Los usuarios a menudo lo perciben como intrusivo, lo que lleva al cierre inmediato de la pestaña. Establecer ciegamente un retraso de 5 segundos, por ejemplo, es mucho menos efectivo que un disparador sincronizado por ML. Las tácticas agresivas como mostrar repetidamente el mismo pop-up al mismo usuario dentro de una sesión corta también son contraproducentes.

Funciona: Propuesta de valor clara. Independientemente de la sincronización, el mensaje del pop-up debe ser inmediatamente claro y ofrecer un valor tangible. Los titulares ambiguos o las ofertas complicadas confunden a los usuarios. Concéntrese en un único beneficio convincente.

No funciona: Diseño abrumador. Los pop-ups que cubren toda la pantalla o son difíciles de cerrar son frustrantes. Mantenga un equilibrio entre la visibilidad y el control del usuario. Un creador de pop-ups bien diseñado respeta la experiencia del usuario al tiempo que transmite eficazmente su mensaje.

Roman Bootko

Founder & CEO, LeadYup

Roman has built lead-capture products since 2019, serving 1,000+ websites across 12 countries. He writes about exit-intent ML, popup conversion data, and the unsexy reality of growing SaaS from zero.