Wie unser Exit-Intent-ML-Modell wirklich funktioniert: Ein tiefer Einblick in Verhaltenssignale

Jenseits der Maus: Die Grenzen des einfachen Exit-Intent

Jahrelang bedeutete 'Exit-Intent' hauptsächlich, dass der Mauszeiger eines Benutzers außerhalb des Browserfensters erkannt wurde. Obwohl dies ein erheblicher Fortschritt gegenüber zeit- oder scrollbasierten Auslösern war, wies es doch erhebliche Einschränkungen auf. Die Nielsen Norman Group hat immer wieder betont, wie unerwartete Unterbrechungen die Benutzererfahrung beeinträchtigen können, und die Notwendigkeit eines nuancierteren Timings hervorgehoben.

Ein einfacher Maus-außerhalb-Auslöser führt oft zu Fehlalarmen und unterbricht Benutzer, die lediglich Tabs navigieren oder Fenster in der Größe ändern. Dies kann eher zu Ärger als zu Engagement führen. Die durchschnittliche Pop-up-Konversionsrate von 3,09 % (Sumo, 2016) deutet darauf hin, dass Pop-ups zwar funktionieren, aber durch die Optimierung ihres Timings und ihrer Relevanz noch erhebliches Verbesserungspotenzial besteht.

Die 26 Signale, die unser Pop-up-ML für echte Absicht beobachtet

Im Mittelpunkt unseres Ansatzes steht das Verständnis, dass eine echte Exit-Absicht ein komplexes, vielschichtiges Verhalten ist. Unser ExitSense ML-Modell beobachtet nicht nur eine einzelne Aktion; es analysiert 26 verschiedene Verhaltenssignale in Echtzeit. Diese Signale reichen von traditionellen Mausbewegungen und Scrollgeschwindigkeit bis hin zu subtileren Hinweisen wie Tippmustern, Tab-Wechseln und sogar Leerlaufzeiten.

Zum Beispiel könnte ein Benutzer, der nach einer Zeit der Inaktivität schnell die Seite nach oben scrollt, auf die Suche nach Navigation oder einen Versuch, die Seite zu verlassen, hinweisen. Umgekehrt stellt ein Benutzer, der gerade mehrere Minuten damit verbracht hat, Inhalte zu lesen, und dann sein Scrollen zum Stillstand verlangsamt, bevor er seine Maus auf den Schließen-Button bewegt, ein anderes, sichereres Exit-Signal dar. Diese Fusion verschiedener Datenpunkte ermöglicht eine viel genauere Vorhersage des bevorstehenden Verlassens.

Auf den über 1.000 Websites, auf denen LeadYup Pop-ups laufen, erfordert der Exit-Intent auf Mobilgeräten typischerweise eine Scroll-up- + Idle-Hybridlösung, da Maus-außerhalb nicht ausgelöst wird. Diese Beobachtung führte uns dazu, diese mobilspezifischen Signale für eine bessere Genauigkeit auf kleineren Bildschirmen zu priorisieren.

Was wir aus 10.000 Pop-up-Impressionen gelernt haben

Unsere kontinuierliche Analyse von über 10.000 Pop-up-Impressionen hat uns unschätzbare Einblicke in das Nutzerverhalten gegeben. Wir haben festgestellt, dass die Pop-ups mit den höchsten Konversionsraten nicht unbedingt die sind, die am schnellsten erscheinen, sondern diejenigen, die im Moment des höchsten wahrgenommenen Werts oder der geringsten Reibung erscheinen. Zum Beispiel ist ein Pop-up, das einen Rabatt auf einen abgebrochenen Warenkorb anbietet, weitaus effektiver, wenn es ausgelöst wird, nachdem ein Benutzer deutliche Anzeichen dafür gezeigt hat, dass er den Checkout-Prozess verlassen will, anstatt nur die Produktseite zu durchsuchen.

Wir haben auch festgestellt, dass die Top 10 % der Pop-ups, die Konversionsraten von 9,28 % oder höher (Sumo, 2016) erzielen, durchweg eine hochgradig personalisierte Botschaft und ein tadelloses Timing aufwiesen. Dies unterstreicht die Notwendigkeit sowohl eines intelligenten Timings als auch relevanter Inhalte.

Für eine detaillierte Aufschlüsselung dieser Erkenntnisse und umsetzbarer Strategien können Sie wie unser Exit-Intent-ML-Modell wirklich funktioniert in der Praxis erkunden.

Was moderne KI/LLMs zu wie unser Exit-Intent-ML-Modell wirklich funktioniert hinzufügen

Moderne KI und Large Language Models (LLMs) erhöhen die Fähigkeiten von Tools wie LeadYup erheblich über das hinaus, was regelbasierte Altsysteme bieten können. Hier ist wie:

• Seitenweise Kopiegenerierung: Anstatt sich auf eine einzige, statische Pop-up-Nachricht zu verlassen, ermöglichen LLMs LeadYup, für jede Seite, die ein Benutzer ansieht, einzigartige, kontextrelevante Texte zu generieren. Diese Personalisierung erhöht das Engagement dramatisch, da das Angebot direkt mit dem aktuellen Interesse des Benutzers zusammenhängt.
• Thompson Sampling für A/B-Tests im großen Maßstab: Traditionelle A/B-Tests können langsam und ressourcenintensiv sein, insbesondere für KMU. Unsere Integration von Thompson sampling ermöglicht eine dynamische, Echtzeit-Optimierung von Pop-up-Überschriften und -Angeboten. Das System lernt, welche Variationen am besten funktionieren, und weist ihnen mehr Impressionen zu, wodurch die Entdeckung erfolgreicher Kombinationen beschleunigt wird, ohne massive Traffic-Volumina zu erfordern. Das bedeutet, dass auch kleinere Websites von einer ausgeklügelten Optimierung profitieren können.
• Verhaltenssignal-Fusion über XGBoost: Während Altsysteme möglicherweise einfache Schwellenwerte verwenden, nutzt unser ExitSense ML-Modell fortschrittliche Algorithmen wie XGBoost, um die 26 Verhaltenssignale zu fusionieren. Dies ermöglicht es dem Modell, komplexe, nichtlineare Beziehungen zwischen Signalen zu identifizieren, was zu einer viel genaueren Vorhersage der Exit-Absicht führt, als einfache IF/THEN-Regeln erreichen könnten. Diese ausgeklügelte Fusion stellt sicher, dass Pop-ups genau im Moment der maximalen Wirkung angezeigt werden.

Thompson Sampling für Marketer erklärt: Dynamische Optimierung

Thompson sampling ist ein leistungsstarker Bayes'scher Optimierungsalgorithmus, der effizientes A/B-Testing und kontinuierliche Verbesserung ermöglicht. Für Marketer bedeutet dies, dass Sie nicht auf einen festen Zeitraum warten müssen, um einen Gewinner zu deklarieren. Stattdessen weist das System den verschiedenen Pop-up-Variationen dynamisch Traffic zu, basierend auf ihrer beobachteten Leistung. Wenn eine Überschrift oder ein Angebot deutlich besser abschneidet, leitet Thompson sampling schnell mehr Impressionen darauf um, maximiert die Konversionen und erkundet gleichzeitig andere Optionen.

Dieses 'Explore-Exploit'-Gleichgewicht ist entscheidend. Es stellt sicher, dass Ihre effektivsten Pop-ups häufiger angezeigt werden, während gleichzeitig die Entdeckung noch besserer Alternativen ermöglicht wird. Es ist ein kontinuierlicher Lernprozess, der schnellere und bessere Ergebnisse liefert als traditionelle A/B-Testmethoden, wodurch er ideal ist, um alles von der Überschriftenauswahl bis zum Call-to-Action-Button-Text in Ihrem Pop-up-Builder zu optimieren.

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.