Wie unser Exit-Intent-ML-Modell wirklich funktioniert: Eine ehrliche Kritik

Jenseits des Maus-Out: Die 26 Signale, die unser ML beobachtet

Jahrelang war 'Exit-Intent' gleichbedeutend damit, dass der Mauszeiger eines Benutzers den Browser-Viewport verließ. Obwohl dies ein Kernsignal bleibt, ist es ein grobes Instrument. Unser ExitSense ML-Modell, das durch umfangreiche Tests entwickelt wurde, überwacht 26 verschiedene Verhaltenssignale, um das Verlassen des Benutzers mit weitaus größerer Genauigkeit vorherzusagen. Diese Signale reichen von subtilen Änderungen der Scroll-Geschwindigkeit und -Richtung bis hin zu Tab-Wechseln, Inaktivitätszeiten und sogar der Rate der Formularfeldinteraktion.

Wir haben beobachtet, dass ein einzelnes Signal selten die Absicht bestimmt. Stattdessen ist es das Zusammentreffen und die Abfolge dieser Signale, die ein prädiktives Bild zeichnen. Zum Beispiel ist ein schnelles Hochscrollen, gefolgt von einer Phase der Inaktivität und dann einem Tab-Wechsel, ein weitaus stärkerer Indikator für Exit-Intent als nur ein Maus-Out-Ereignis allein.

Was wir aus 10.000 Popup-Impressionen gelernt haben 📊

Die Analyse von Daten aus über 10.000 Popup-Impressionen in verschiedenen Branchen hat entscheidende Erkenntnisse geliefert. Die durchschnittliche Konversionsrate für gut optimierte Popups liegt bei etwa 3,09 %, wobei die Top-Performer 9,28 % oder mehr erreichen, eine Zahl, die mit Sumos Forschung von 2016 übereinstimmt. Das Timing ist jedoch entscheidend. Ein zu früh ausgelöstes Popup ist eine Belästigung; zu spät, und die Gelegenheit ist vertan.

Eine wichtige erfahrungsbasierte Beobachtung: Auf den über 1.000 Websites, die LeadYup-Popups verwenden, benötigt Exit-Intent auf Mobilgeräten typischerweise eine Kombination aus Hochscrollen und Inaktivität, da Maus-Out nicht ausgelöst wird. Dies unterstreicht die Notwendigkeit adaptiver Modelle. Wir haben auch gelernt, dass generische Angebote, unabhängig vom Timing, schlechter abschneiden. Personalisierung, selbst auf einem grundlegenden Niveau, steigert das Engagement erheblich. Dies führte uns dazu, unsere seitenbezogene Texterstellung zu verfeinern.

Thompson Sampling für Marketer erklärt: Intelligenteres A/B-Testing

Traditionelles A/B-Testing kann langsam sein, insbesondere bei der Optimierung von Elementen wie Popup-Überschriften. Es erfordert oft eine große Stichprobengröße, bevor ein statistisch signifikanter Gewinner ermittelt werden kann, was während der Testphase zu verlorenen Konversionsmöglichkeiten führt. Hier kommt Thompson Sampling ins Spiel.

Anstatt den Traffic gleichmäßig aufzuteilen und zu warten, weist Thompson Sampling dynamisch mehr Traffic den Varianten zu, die sich schneller besser entwickeln. Es ist ein 'Explore-Exploit'-Algorithmus, der das Ausprobieren neuer Optionen (Exploration) mit der Nutzung bekannter guter Optionen (Exploitation) in Einklang bringt. Für Marketer bedeutet dies schnellere Optimierungszyklen und weniger Zeit, die mit der Anzeige schlechter performender Überschriften verbracht wird. Es ist eine Schlüsselkomponente, wie unser Exit-Intent-ML-Modell wirklich funktioniert, um sich kontinuierlich zu verbessern.

Was moderne KI/LLMs zu unserem Exit-Intent-ML-Modell hinzufügen

Das Aufkommen fortschrittlicher KI und großer Sprachmodelle (LLMs) hat die Funktionsweise unseres Exit-Intent-ML-Modells grundlegend verändert und geht über die Fähigkeiten älterer regelbasierter Systeme hinaus. Erstens ermöglichen LLMs die seitenbezogene Texterstellung. Anstelle einer einzigen statischen Popup-Nachricht kann LeadYup kontextrelevante Überschriften und Fließtext für jede spezifische Seite generieren, die ein Benutzer verlassen möchte, wodurch die Relevanz und das Konversionspotenzial erheblich gesteigert werden. Dieses Maß an dynamischer Personalisierung war zuvor in diesem Umfang unerreichbar.

Zweitens ermöglicht die Integration von Thompson Sampling, angetrieben durch unsere ML-Infrastruktur, eine kontinuierliche, Echtzeit-Optimierung dieser generierten Überschriften. Im Gegensatz zum manuellen A/B-Testing, das ressourcenintensiv ist, testet und lernt unser System automatisch, welche Überschriften bei bestimmten Zielgruppensegmenten am besten ankommen, um sicherzustellen, dass immer die effektivste Nachricht angezeigt wird. Das bedeutet, dass KMU und Agenturen Zugang zu anspruchsvollen Optimierungen erhalten, die zuvor Tools auf Unternehmensebene vorbehalten waren. Schließlich ermöglicht die Fusion von Verhaltenssignalen über fortschrittliche ML-Modelle wie XGBoost die komplexe Gewichtung und Interaktion der 26 Signale, was eine nuanciertere und genauere Vorhersage der Exit-Intent als einfache schwellenwertbasierte Regeln liefert.

Die ehrliche Wahrheit: Was nicht immer funktioniert

Obwohl unser ML-Modell hochwirksam ist, ist es kein Allheilmittel. Ein zu aggressives Popup-Timing, selbst wenn es von ML 'vorhergesagt' wird, kann Benutzer immer noch verärgern. Wir haben Fälle gesehen, in denen ein Popup, das zu schnell nach dem Laden erschien, selbst bei hohen Exit-Intent-Signalen, zu einem sofortigen Schließen und einem negativen Markenimage führte. Es gibt ein empfindliches Gleichgewicht zwischen dem Erregen von Aufmerksamkeit und der Störung der Benutzererfahrung.

Ein weiterer Bereich, in dem ML Schwierigkeiten hat, ist wirklich neuartiges Benutzerverhalten. Während es Muster lernt, wird eine völlig neue Interaktionssequenz möglicherweise nicht sofort als Exit-Intent erkannt. Deshalb bleiben kontinuierliches Modell-Retraining und menschliche Aufsicht entscheidend. Darüber hinaus werden Popups mit irrelevanten Angeboten, selbst perfekt getimt, immer schlechter abschneiden. Das beste ML der Welt kann ein schlechtes Angebot oder einen schlecht gestalteten Popup-Builder nicht beheben.

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.