Comment fonctionne réellement notre modèle ML d'intention de sortie : Un regard honnête sous le capot pour 2026

Qu'est-ce que l'intention de sortie et pourquoi le timing est-il important ?

La technologie d'intention de sortie vise à détecter quand un visiteur est sur le point de quitter votre site web, en lui présentant une offre ou un message final. L'objectif n'est pas seulement d'afficher une pop-up, mais de l'afficher au moment précis du départ perçu. Une pop-up mal synchronisée peut agacer les utilisateurs et perturber leur expérience, tandis qu'une pop-up bien synchronisée peut récupérer une vente ou capturer un lead.

L'intention de sortie traditionnelle repose souvent sur une simple détection de la sortie de la souris. Bien qu'efficace sur les ordinateurs de bureau, cette approche est insuffisante sur les appareils mobiles et peut être déclenchée prématurément sur n'importe quel appareil si un utilisateur déplace accidentellement son curseur vers l'interface utilisateur du navigateur. C'est là qu'intervient l'apprentissage automatique avancé, analysant un spectre plus large du comportement de l'utilisateur.

Les 26 signaux que notre ML de pop-up surveille

Notre modèle ML ExitSense ne se contente pas de surveiller la sortie de la souris de la fenêtre d'affichage ; il surveille 26 signaux comportementaux distincts en temps réel. Ces signaux sont introduits dans un modèle prédictif, lui permettant de calculer une probabilité de sortie avec une grande précision. Bien que nous ne puissions pas révéler tous les signaux propriétaires, ils se répartissent en plusieurs catégories :

• Mouvement et vitesse de la souris : Changements soudains de direction, de vitesse ou mouvements erratiques, en particulier vers le bouton de retour du navigateur ou la barre d'onglets.
• Comportement de défilement : Défilement rapide vers le haut (indiquant une recherche de navigation ou une sortie), absence de défilement après l'atterrissage, ou défilement répété vers la même section.
• Mesures d'engagement : Temps d'inactivité, absence de clics ou d'interactions, survol répété d'éléments de navigation sans cliquer.
• Interaction avec les formulaires : Champs de formulaire abandonnés, saisie puis suppression, ou concentration sur des éléments de formulaire sans les compléter.
• Contexte de la page : Temps passé sur la page actuelle, nombre de pages visitées et interactions précédentes avec d'autres éléments du site.

Sur les plus de 1 000 sites utilisant les pop-ups LeadYup, l'intention de sortie sur mobile nécessite généralement un hybride défilement vers le haut + inactivité car la sortie de la souris ne se déclenche pas. Cette observation basée sur l'expérience nous a conduits à prioriser l'analyse multi-signaux pour les utilisateurs mobiles. Comprendre comment fonctionne réellement notre modèle ML d'intention de sortie sur tous les appareils est crucial pour une couverture complète.

Ce que nous avons appris de 10 000 impressions de pop-ups

L'analyse des données de plus de 10 000 impressions de pop-ups dans diverses industries a fourni des informations inestimables. Nous avons observé que le taux de conversion moyen des pop-ups oscille autour de 3,09 %, un chiffre cohérent avec les études de Sumo de 2016/2018. Cependant, les 10 % des meilleures de nos pop-ups atteignent des taux de conversion supérieurs à 9,28 %, largement attribués à un timing précis et à des offres pertinentes.

Les principaux enseignements incluent :

• Le contexte est roi : Une offre générique a obtenu des résultats significativement moins bons qu'une offre spécifique à la page. Le modèle ML aide ici en identifiant l'intention de l'utilisateur en fonction du contenu de la page.
• Nuances mobiles : L'intention de sortie mobile nécessite une détection de signaux plus sophistiquée au-delà de la simple émulation de la « sortie de la souris ». Le défilement vers le haut combiné à une période d'inactivité est un indicateur plus fort.
• Le déclenchement excessif nuit : L'affichage d'une pop-up trop tôt ou trop fréquemment entraîne une diminution de l'engagement et des taux de rebond plus élevés. Le modèle ML optimise pour un affichage unique et à fort impact.

Ces données étayent l'amélioration continue de nos algorithmes prédictifs, garantissant que les pop-ups ne sont pas seulement affichées, mais affichées efficacement. Pour des conseils plus tactiques, voir comment fonctionne réellement notre modèle ML d'intention de sortie en pratique.

L'échantillonnage de Thompson expliqué aux marketeurs (et pourquoi il est meilleur que l'A/B testing)

Au-delà du timing, l'efficacité d'une pop-up dépend de son titre et de son offre. Bien que l'A/B testing traditionnel soit précieux, il peut être lent et inefficace, en particulier pour les PME avec des volumes de trafic plus faibles. C'est là que l'échantillonnage de Thompson brille. Au lieu de diviser le trafic de manière égale, l'échantillonnage de Thompson est un algorithme bayésien qui alloue dynamiquement plus de trafic aux variations les plus performantes au fil du temps.

• Convergence plus rapide : Il identifie les variations gagnantes plus rapidement, réduisant le « coût » de l'exploration d'options moins efficaces.
• Allocation optimisée des ressources : Plus d'impressions sont affichées aux titres les plus réussis, maximisant les conversions même pendant la phase de test.
• Apprentissage continu : Il réévalue constamment les performances, s'adaptant aux changements de comportement de l'audience sans avoir besoin de redémarrer les tests.

Pour les marketeurs, cela signifie que vous n'avez pas à attendre des semaines pour des résultats statistiquement significatifs. Le système optimise en permanence, garantissant que vos visiteurs voient toujours le message le plus efficace sans intervention manuelle. Cet apprentissage adaptatif est un composant essentiel des plateformes de création de pop-ups qui exploitent des algorithmes avancés.

Ce que les IA/LLM modernes ajoutent à comment fonctionne réellement notre modèle ML d'intention de sortie

L'intégration de l'IA moderne et des grands modèles de langage (LLM) élève considérablement les capacités des plateformes de pop-ups au-delà de ce que les outils hérités basés sur des règles peuvent offrir. Voici comment :

1. Génération de texte par page : Au lieu de modèles génériques, les LLM peuvent analyser le contenu d'une page spécifique et générer un texte très pertinent et persuasif pour le titre et le corps de la pop-up en temps réel. Cette hyper-personnalisation améliore considérablement les taux de conversion par rapport aux messages universels.
2. Optimisation dynamique des offres : Combinés à l'analyse des sentiments ou à l'intention de l'utilisateur extraite du comportement sur la page, les LLM peuvent aider à suggérer l'offre la plus appropriée (par exemple, remise, guide gratuit, demande de démo) adaptée à l'étape probable du visiteur dans le parcours d'achat.
3. Fusion de signaux comportementaux via XGBoost : Bien qu'il ne s'agisse pas directement d'une fonctionnalité LLM, des modèles ML avancés comme XGBoost sont utilisés pour interpréter les 26 signaux comportementaux. Les LLM peuvent ensuite aider à traduire ces modèles comportementaux complexes en informations exploitables pour la génération de titres, créant une synergie puissante. Cette fusion permet des prédictions plus nuancées que de simples règles SI/ALORS, permettant au système de comprendre des états d'utilisateur complexes comme « hésitant mais intéressé » plutôt que simplement « sur le point de partir ».

Ces capacités signifient que l'expérience de la pop-up ne se limite pas au timing, mais consiste également à délivrer le bon message, au bon moment, avec la bonne offre, le tout optimisé automatiquement.

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.