Como nosso modelo de ML de intenção de saída realmente funciona: um mergulho profundo no ExitSense da LeadYup

Além do Mouse-Out: Por que a Intenção de Saída Legada Fica Aquém

Por anos, a tecnologia de intenção de saída focou principalmente em detectar o cursor do mouse de um usuário saindo da área visível do navegador. Embora seja um avanço em relação aos pop-ups temporizados, este método tem limitações significativas. É frequentemente impreciso em dispositivos de toque, facilmente acionado por movimentos acidentais e não leva em conta o comportamento genuíno de navegação.

O Nielsen Norman Group tem consistentemente destacado que pop-ups intrusivos, mesmo os de intenção de saída, podem criar experiências negativas para o usuário se não forem implementados de forma inteligente. Nosso objetivo com o ExitSense foi ir além desses sinais rudimentares e construir uma compreensão mais nuançada da intenção do usuário.

Os 26 Sinais que Nosso ML de Pop-up Monitora

O modelo de ML ExitSense da LeadYup não apenas observa a saída do mouse da janela; ele processa uma rica tapeçaria de 26 sinais comportamentais distintos. Esses sinais variam de interações básicas a padrões mais complexos que revelam o verdadeiro nível de engajamento do usuário. Alguns exemplos incluem:

• Velocidade e direção do movimento do mouse: Movimentos rápidos e erráticos podem indicar frustração ou uma tentativa de sair.
• Profundidade e velocidade de rolagem: Uma rolagem repentina para cima após estar em uma parte profunda da página frequentemente precede uma saída.
• Tempo gasto na página vs. média: Desvios dos padrões típicos de engajamento são cruciais.
• Número de cliques e interações: Baixo engajamento apesar de tempo significativo na página pode sinalizar desinteresse.
• Frequência de troca de abas: Um usuário alternando entre abas pode estar procurando alternativas.
• Interação com campos de formulário: Formulários abandonados são um forte indicador de intenção de saída.

Ao combinar esses sinais granulares, o modelo constrói uma pontuação de probabilidade em tempo real para a saída iminente de um usuário, permitindo um tempo de exibição de pop-up preciso e eficaz. Essa abordagem multi-sinal é uma parte central de como nosso modelo de ML de intenção de saída realmente funciona.

O Que Aprendemos com Mais de 10.000 Impressões de Pop-ups 📊

A execução do LeadYup em milhares de sites forneceu dados reais inestimáveis. Observamos que a taxa de conversão média para pop-ups bem cronometrados e relevantes gira em torno de 3,09%, um número consistente com as descobertas de estudos como a pesquisa da Sumo de 2016. No entanto, pop-ups de alto desempenho, frequentemente utilizando timing avançado e personalização, podem exceder 9,28%.

Uma observação chave baseada na experiência: Nos mais de 1.000 sites que executam pop-ups LeadYup, a intenção de saída em dispositivos móveis geralmente precisa de um híbrido de rolagem para cima + inatividade, porque o 'mouse-out' tradicional não é acionado. Confiar apenas em gatilhos centrados em desktop para públicos móveis reduz drasticamente a eficácia. Essa percepção moldou como nosso modelo de ML prioriza as dicas comportamentais específicas para dispositivos móveis.

Também aprendemos que a relevância do conteúdo é primordial. Mesmo com o timing perfeito, uma oferta genérica terá um desempenho inferior a uma altamente personalizada, o que nos leva ao papel da IA na geração e otimização de conteúdo.

O Que IAs/LLMs Modernos Agregam a Como Nosso Modelo de ML de Intenção de Saída Realmente Funciona

A integração de IA e Large Language Models (LLMs) transforma como nosso modelo de ML de intenção de saída realmente funciona, indo além da mera detecção de gatilhos para um engajamento inteligente. Veja o que as IAs/LLMs modernas permitem:

1. Geração de Conteúdo por Página: Ao contrário das ferramentas legadas baseadas em regras que dependem de modelos estáticos, o LeadYup usa LLMs para gerar conteúdo de pop-up único e contextualmente relevante para cada página específica que um usuário está visualizando. Isso significa que a oferta e a mensagem são sempre adaptadas ao conteúdo, aumentando significativamente a relevância e o potencial de conversão.
2. Thompson Sampling para Testes A/B em Escala: O teste A/B tradicional pode ser lento e intensivo em recursos, especialmente para PMEs. Empregamos o Thompson sampling, uma técnica avançada de otimização Bayesiana, para explorar inteligentemente diferentes títulos e chamadas para ação. Isso permite que o sistema identifique rapidamente as variações vencedoras e aloque mais tráfego a elas, mesmo com menos impressões, fornecendo capacidades de otimização robustas que antes estavam disponíveis apenas para grandes empresas. Este é um componente crítico de como nosso modelo de ML de intenção de saída realmente funciona.
3. Fusão de Sinais Comportamentais via XGBoost: Nosso modelo de ML ExitSense utiliza algoritmos como o XGBoost para fundir os 26 sinais comportamentais. O XGBoost é uma poderosa estrutura de 'gradient boosting' conhecida por sua eficiência e precisão no tratamento de conjuntos de dados complexos. Ele não apenas analisa os sinais isoladamente; ele entende suas intrincadas relações e os pondera dinamicamente para prever a intenção de saída com alta precisão, superando em muito o que regras simples baseadas em limite podem alcançar.

Thompson Sampling Explicado para Marketers: Testes A/B Mais Inteligentes

Para os profissionais de marketing, entender o Thompson sampling é fundamental para apreciar a sofisticação da otimização moderna de pop-ups. Imagine que você tem vários títulos para o seu pop-up. Em vez de dividir o tráfego igualmente (testes A/B/C/D) e esperar muito tempo para ver qual tem o melhor desempenho, o Thompson sampling é mais ágil.

Ele começa explorando todas as opções, mas rapidamente começa a favorecer as variações que mostram sinais iniciais de sucesso. À medida que mais dados chegam, ele aloca uma porcentagem crescente de tráfego para os vencedores comprovados, enquanto ainda dá às variantes menos bem-sucedidas uma pequena chance de provar seu valor (para evitar ficar preso em um ótimo local). Isso significa que suas campanhas otimizam mais rapidamente, alcançando taxas de conversão mais altas mais cedo e se adaptam continuamente ao comportamento do usuário sem intervenção manual. É uma abordagem pragmática para a melhoria contínua, garantindo que as mensagens mais eficazes sejam sempre mostradas ao número máximo de visitantes, aprimorando como nosso modelo de ML de intenção de saída realmente funciona.

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.