Wie unser Exit-Intent-ML-Modell tatsächlich funktioniert: Ein tiefer Einblick in LeadYups ExitSense

Jenseits des Mouse-Out: Warum herkömmliche Exit-Intent-Lösungen zu kurz greifen

Jahrelang konzentrierte sich die Exit-Intent-Technologie hauptsächlich darauf, zu erkennen, wenn der Mauszeiger eines Benutzers den Browser-Viewport verließ. Obwohl dies ein Fortschritt gegenüber zeitgesteuerten Popups war, hat diese Methode erhebliche Einschränkungen. Sie ist oft ungenau auf Touch-Geräten, wird leicht durch versehentliche Bewegungen ausgelöst und berücksichtigt nicht das echte Browsing-Verhalten.

Die Nielsen Norman Group hat immer wieder betont, dass aufdringliche Popups, selbst Exit-Intent-Popups, negative Benutzererfahrungen schaffen können, wenn sie nicht intelligent eingesetzt werden. Unser Ziel mit ExitSense war es, über diese rudimentären Signale hinauszugehen und ein nuancierteres Verständnis der Benutzerabsicht zu entwickeln.

Die 26 Signale, die unser Popup-ML beobachtet

LeadYups ExitSense ML-Modell achtet nicht nur darauf, ob eine Maus das Fenster verlässt; es verarbeitet ein reichhaltiges Geflecht von 26 verschiedenen Verhaltenssignalen. Diese Signale reichen von grundlegenden Interaktionen bis hin zu komplexeren Mustern, die das wahre Engagement-Level eines Benutzers offenbaren. Einige Beispiele sind:

• Mausbewegungsgeschwindigkeit und -richtung: Schnelle, unregelmäßige Bewegungen können auf Frustration oder einen Abgangsversuch hindeuten.
• Scrolltiefe und -geschwindigkeit: Ein plötzliches Hochscrollen, nachdem man tief auf einer Seite war, geht oft einem Verlassen voraus.
• Verbrachte Zeit auf der Seite vs. Durchschnitt: Abweichungen von typischen Engagement-Mustern sind entscheidend.
• Anzahl der Klicks und Interaktionen: Geringes Engagement trotz signifikanter Zeit auf der Seite kann Desinteresse signalisieren.
• Häufigkeit des Tab-Wechsels: Ein Benutzer, der durch Tabs wechselt, sucht möglicherweise nach Alternativen.
• Formularfeld-Interaktion: Abgebrochene Formulare sind ein starker Indikator für Exit-Intent.

Durch die Kombination dieser detaillierten Signale erstellt das Modell in Echtzeit einen Wahrscheinlichkeitswert für den bevorstehenden Abgang eines Benutzers, was ein präzises und effektives Popup-Timing ermöglicht. Dieser Multi-Signal-Ansatz ist ein Kernbestandteil davon, wie unser Exit-Intent-ML-Modell tatsächlich funktioniert.

Was wir aus über 10.000 Popup-Impressionen gelernt haben 📊

Der Einsatz von LeadYup auf Tausenden von Websites hat uns unschätzbare reale Daten geliefert. Wir haben beobachtet, dass die durchschnittliche Konversionsrate für gut getimte, relevante Popups bei etwa 3,09 % liegt, eine Zahl, die mit den Ergebnissen von Studien wie der von Sumo aus dem Jahr 2016 übereinstimmt. Top-Performing-Popups, die oft fortschrittliches Timing und Personalisierung nutzen, können jedoch 9,28 % überschreiten.

Eine wichtige erfahrungsbasierte Beobachtung: Auf den über 1.000 Websites, die LeadYup-Popups verwenden, erfordert Exit-Intent auf mobilen Geräten typischerweise eine Kombination aus Hochscrollen und Inaktivität, da das traditionelle Mouse-Out nicht ausgelöst wird. Sich ausschließlich auf Desktop-zentrierte Auslöser für mobile Zielgruppen zu verlassen, reduziert die Effektivität drastisch. Diese Erkenntnis hat beeinflusst, wie unser ML-Modell mobile-spezifische Verhaltenshinweise priorisiert.

Wir haben auch gelernt, dass die Relevanz des Inhalts von größter Bedeutung ist. Selbst mit perfektem Timing wird ein generisches Angebot schlechter abschneiden als ein hochgradig personalisiertes, was uns zur Rolle von KI bei der Inhaltserstellung und -optimierung bringt.

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

Die Integration von KI und Large Language Models (LLMs) verändert, wie unser Exit-Intent-ML-Modell tatsächlich funktioniert, und geht über die bloße Trigger-Erkennung hinaus zu intelligentem Engagement. Hier ist, was moderne KI/LLMs ermöglichen:

1. Seitenweise Kopiegenerierung: Im Gegensatz zu regelbasierten Legacy-Tools, die auf statische Vorlagen angewiesen sind, verwendet LeadYup LLMs, um einzigartige, kontextuell relevante Popup-Texte für jede spezifische Seite zu generieren, die ein Benutzer gerade ansieht. Das bedeutet, dass das Angebot und die Botschaft immer auf den Inhalt zugeschnitten sind, was die Relevanz und das Konversionspotenzial erheblich steigert.
2. Thompson Sampling für A/B-Tests im großen Maßstab: Traditionelle A/B-Tests können langsam und ressourcenintensiv sein, insbesondere für KMU. Wir verwenden Thompson Sampling, eine fortschrittliche Bayes'sche Optimierungstechnik, um auf intelligente Weise verschiedene Überschriften und Call-to-Actions zu erkunden. Dies ermöglicht es dem System, schnell erfolgreiche Varianten zu identifizieren und ihnen mehr Traffic zuzuweisen, selbst bei weniger Impressionen, und bietet robuste Optimierungsfunktionen, die einst nur großen Unternehmen zur Verfügung standen. Dies ist ein kritischer Bestandteil davon, wie unser Exit-Intent-ML-Modell tatsächlich funktioniert.
3. Fusion von Verhaltenssignalen über XGBoost: Unser ExitSense ML-Modell nutzt Algorithmen wie XGBoost, um die 26 Verhaltenssignale zu fusionieren. XGBoost ist ein leistungsstarkes Gradient-Boosting-Framework, das für seine Effizienz und Genauigkeit bei der Verarbeitung komplexer Datensätze bekannt ist. Es betrachtet Signale nicht isoliert; es versteht ihre komplexen Beziehungen und gewichtet sie dynamisch, um die Exit-Intent mit hoher Präzision vorherzusagen, was weit über das hinausgeht, was einfache schwellenwertbasierte Regeln erreichen können.

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

Für Marketer ist das Verständnis von Thompson Sampling entscheidend, um die Raffinesse moderner Popup-Optimierung zu würdigen. Stellen Sie sich vor, Sie haben mehrere Überschriften für Ihr Popup. Anstatt den Traffic gleichmäßig aufzuteilen (A/B/C/D-Tests) und lange zu warten, um zu sehen, welche am besten abschneidet, ist Thompson Sampling agiler.

Es beginnt damit, alle Optionen zu erkunden, beginnt aber schnell, die Varianten zu bevorzugen, die frühe Erfolgszeichen zeigen. Mit zunehmender Datenmenge wird ein immer größerer Prozentsatz des Traffics den bewährten Gewinnern zugewiesen, während weniger erfolgreichen Varianten immer noch eine kleine Chance gegeben wird, sich zu beweisen (um zu vermeiden, dass man in einem lokalen Optimum stecken bleibt). Das bedeutet, dass Ihre Kampagnen schneller optimiert werden, höhere Konversionsraten früher erzielen und sich kontinuierlich an das Benutzerverhalten anpassen, ohne manuelles Eingreifen. Es ist ein pragmatischer Ansatz zur kontinuierlichen Verbesserung, der sicherstellt, dass die effektivsten Botschaften immer der maximalen Anzahl von Besuchern angezeigt werden, was verbessert, wie unser Exit-Intent-ML-Modell tatsächlich funktioniert.

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.