Como nosso modelo de ML de intenção de saída realmente funciona: Uma Visão Sincera dos Bastidores para 2026

P1: O que exatamente é 'intenção de saída' e por que é tão eficaz?

Intenção de saída é a intenção prevista de um visitante do site de deixar uma página sem completar uma ação desejada. É eficaz porque apresenta uma oferta de última chance – um desconto, um lead magnet ou um prompt de assinatura – no momento em que o visitante está se desengajando. Pesquisas tradicionais, como o estudo da Sumo de 2016, descobriram que a taxa média de conversão de popups é de cerca de 3,09%, com os de melhor desempenho atingindo mais de 9,28%.

O poder reside no contexto: você não está interrompendo um usuário engajado, mas sim reengajando alguém que já estava de saída. Isso torna a intervenção menos intrusiva e mais propensa a ser percebida como útil, especialmente quando a oferta é relevante. Ao entender como nosso modelo de ML de intenção de saída realmente funciona, os profissionais de marketing podem aproveitar este momento de forma eficaz.

P2: Quais são os 26 sinais que nosso ML de popup observa para prever a saída?

Nosso modelo de ML ExitSense não procura apenas um mouse se movendo em direção ao botão de fechar do navegador. Ele monitora ativamente 26 sinais comportamentais, criando um perfil abrangente do nível de engajamento do usuário. Esses sinais variam de movimentos básicos do cursor a interações mais sutis.

• Dinâmica do Mouse/Ponteiro: Velocidade, aceleração, trajetória em direção ao topo da janela do navegador, mudanças repentinas de direção e 'jitter' (movimentos pequenos e erráticos).
• Comportamento de Rolagem: Velocidade de rolagem para cima, rolagem repetida para cima e para baixo, paradas repentinas na rolagem e a profundidade total de rolagem alcançada.
• Métricas de Engajamento: Tempo gasto na página, tempo ocioso (sem atividade), troca de abas (mudanças de foco) e interações com elementos da página (cliques, hovers).
• Interação com Formulários: Campos de formulário abandonados, velocidade de digitação e posição do cursor dentro dos campos de entrada do formulário.
• Contexto da Sessão: Número de páginas visitadas na sessão atual, informações de referência e tipo de dispositivo.

Esses sinais são alimentados em nosso modelo de aprendizado de máquina, que aprende a identificar padrões indicativos de uma saída iminente, muito além do que regras simples podem alcançar.

P3: O que aprendemos com 10.000 impressões de popup e além?

A análise de dados de dezenas de milhares de impressões de popup em diversos sites de clientes forneceu insights inestimáveis. Vimos que o timing 'perfeito' não é universal; ele varia significativamente por setor, público e até mesmo pelo conteúdo específico da página. Por exemplo, em sites de e-commerce, um popup rápido de 'voltar ao carrinho' na intenção de saída pode recuperar uma receita significativa, enquanto para testes de SaaS, uma atualização de conteúdo ou oferta de demonstração tem melhor desempenho.

Uma observação crítica: nos mais de 1.000 sites que executam popups da LeadYup, a intenção de saída em dispositivos móveis geralmente precisa de um híbrido de rolagem para cima + ocioso porque o mouse-out não dispara de forma tão confiável em dispositivos de toque. Isso nos levou a refinar significativamente nossa detecção de intenção de saída em dispositivos móveis. Também aprendemos que popups excessivamente agressivos, mesmo com timing perfeito, podem levar a um sentimento negativo do usuário se a oferta não for genuinamente valiosa, reforçando as diretrizes de UX do Nielsen Norman Group sobre diálogos modais.

P4: Como a amostragem de Thompson escolhe títulos vencedores para esses popups?

Uma vez que o modelo de ML ExitSense identifica um momento de intenção de saída, o próximo desafio é apresentar a mensagem mais eficaz. É aqui que a amostragem de Thompson entra em jogo para selecionar títulos vencedores, oferecendo uma alternativa mais eficiente ao teste A/B tradicional, especialmente para PMEs e fundadores de SaaS independentes com menos tráfego.

A amostragem de Thompson é um algoritmo 'multi-armed bandit'. Em vez de dividir rigidamente o tráfego (como no teste A/B) e esperar pela significância estatística, ele aloca dinamicamente mais impressões aos títulos que estão tendo melhor desempenho, mais rapidamente. Ele explora novas opções enquanto simultaneamente explora as que têm melhor desempenho. Isso significa que, com o tempo, o algoritmo prioriza automaticamente os títulos com a maior probabilidade de conversão, maximizando seus resultados desde o primeiro dia, em vez de esperar que um teste seja concluído. É assim que nosso construtor de popups garante otimização contínua.

P5: O que as IAs/LLMs modernas adicionam a como nosso modelo de ML de intenção de saída realmente funciona

As IAs modernas e os Grandes Modelos de Linguagem (LLMs) aprimoram significativamente a abordagem da LeadYup sobre como nosso modelo de ML de intenção de saída realmente funciona, indo além das capacidades de ferramentas legadas baseadas em regras. Veja o que nos diferencia:

1. Geração de Copy e Títulos por Página: Ferramentas tradicionais exigem criação manual de copy. A LeadYup aproveita os LLMs para gerar copy e títulos de popup altamente relevantes por página. O modelo de linguagem analisa o conteúdo da página e a intenção do usuário para sugerir textos atraentes adaptados a esse contexto específico, reduzindo drasticamente o esforço manual e melhorando a relevância.
2. Fusão Adaptativa de Sinais Comportamentais via XGBoost: Nosso modelo de ML ExitSense usa algoritmos avançados como o XGBoost para fundir os 26 sinais comportamentais. Ao contrário de regras simples de 'se-então', o XGBoost pode identificar relações complexas e não lineares entre os sinais e adaptar suas previsões em tempo real com base em novos dados. Isso permite uma detecção de intenção de saída muito mais precisa e matizada.
3. Amostragem de Thompson para Escala de PMEs: Como mencionado, a amostragem de Thompson torna a otimização contínua viável mesmo para sites com tráfego moderado. Os LLMs auxiliam aqui gerando um conjunto inicial diversificado de títulos para o bandit testar, garantindo um forte ponto de partida para a otimização. Isso significa que empresas menores podem alcançar resultados sofisticados de teste A/B sem precisar de grandes volumes de tráfego ou especialistas dedicados em CRO.

Essas capacidades impulsionadas pela IA significam que os popups não são apenas cronometrados perfeitamente, mas também personalizados e otimizados para o máximo impacto automaticamente.

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.