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

Qu'est-ce qui ne va pas avec l'intention de sortie traditionnelle ?

Historiquement, la technologie d'intention de sortie reposait sur un seul signal : le mouvement rapide de la souris vers la barre supérieure du navigateur. Bien que révolutionnaire à l'époque, cette approche est limitée. Elle se déclenche souvent trop tard ou de manière imprécise, en particulier sur les navigateurs et appareils modernes. Par exemple, un utilisateur pourrait déplacer sa souris pour cliquer sur un autre onglet mais avoir toujours l'intention de revenir.

Le problème est celui de la précision et du rappel. Les méthodes traditionnelles manquent de véritables opportunités de sortie (faible rappel) et déclenchent des popups lorsque les utilisateurs ne partent pas réellement (faible précision), ce qui conduit à une mauvaise expérience utilisateur. Cette approche généraliste signifie souvent que les marketeurs agacent les visiteurs ou manquent de précieuses opportunités de conversion, laissant d'importants revenus sur la table.

Les 26 signaux que notre ML de popup surveille 🕵️‍♀️

Notre modèle ML ExitSense va au-delà de la détection basique de la sortie de la souris en surveillant en permanence 26 signaux comportementaux distincts. Ces signaux se répartissent en catégories telles que l'activité de la souris, le comportement de défilement, l'interaction clavier, le temps passé sur la page et même des indicateurs passifs.

• Activité de la souris : Vitesse, accélération, changements de direction, proximité des éléments de l'interface utilisateur du navigateur (onglets, bouton retour).
• Comportement de défilement : Vitesse de défilement, direction de défilement (en particulier les défilements vers le haut après un défilement important vers le bas), profondeur de défilement, arrêts soudains.
• Interaction clavier : Activité de frappe, utilisation de la touche tabulation, appuis sur la touche 'échap'.
• Métriques d'engagement : Temps passé sur des éléments de page spécifiques, nombre de clics, interaction avec les champs de formulaire, temps d'inactivité.
• Signaux contextuels : Relectures de page, changements de référent, et même des informations de base sur l'appareil (bien que non personnellement identifiables).

En fusionnant ces divers signaux, le modèle construit un profil dynamique de l'intention de l'utilisateur en temps réel. Cette vision holistique permet une compréhension beaucoup plus nuancée du moment où un utilisateur se désengage réellement ou navigue simplement sur la page.

Comment ces signaux sont intégrés au modèle d'apprentissage automatique

Les 26 signaux sont continuellement alimentés dans un modèle d'apprentissage automatique propriétaire, utilisant principalement une méthode d'ensemble similaire à XGBoost. Ce modèle est entraîné sur des millions de sessions utilisateur pour identifier des schémas complexes indiquant une intention de sortie. Il ne s'agit pas seulement de signaux individuels, mais de la façon dont ils se combinent et se séquencent. Par exemple, un défilement rapide vers le haut, suivi d'un mouvement de souris vers le bouton de fermeture après une période d'inactivité, est un indicateur fort.

Nous avons constaté qu'aucun signal unique n'est une solution miracle. Au lieu de cela, le modèle apprend l'importance relative et l'interaction de ces signaux. Par exemple, sur les plus de 1 000 sites utilisant les popups 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 connaissance basée sur l'expérience a directement informé la pondération des signaux spécifiques au mobile de notre modèle. Le modèle recalibre continuellement ces pondérations en fonction des nouvelles données, garantissant son efficacité sur divers comportements utilisateur et types de sites web. Vous pouvez en apprendre davantage à ce sujet dans comment fonctionne réellement notre modèle ML d'intention de sortie en coulisses.

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

Les IA modernes et les grands modèles linguistiques (LLM) améliorent considérablement l'efficacité des plateformes de popup comme LeadYup, allant au-delà de ce que les systèmes traditionnels basés sur des règles pouvaient jamais accomplir. Voici comment :

1. Génération de texte par page : Au lieu de messages génériques, les LLM analysent le contenu de la page et l'intention de l'utilisateur pour générer un texte de popup très pertinent, par page. Cela signifie qu'un popup sur une page de prix aura un texte différent et plus persuasif qu'un popup sur un article de blog.
2. Thompson sampling pour les tests A/B dynamiques : Bien que non directement lié au timing de l'intention de sortie, les tests A/B basés sur l'IA utilisant le Thompson sampling permettent aux PME et aux agences d'identifier rapidement les titres et les offres gagnants sans avoir besoin de volumes de trafic massifs. Cela garantit que le message délivré par le popup parfaitement synchronisé est également optimisé.
3. Fusion sophistiquée des signaux comportementaux : Contrairement aux règles simples SI-ALORS, les modèles ML avancés (comme XGBoost ou les réseaux neuronaux) peuvent traiter et fusionner des dizaines de signaux comportementaux simultanément pour prédire l'intention de sortie avec une précision bien plus grande. Cela permet une compréhension nuancée de l'état de l'utilisateur que les déclencheurs JavaScript de base ne peuvent tout simplement pas reproduire. C'est un élément central de comment fonctionne réellement notre modèle ML d'intention de sortie aujourd'hui.

Ces capacités conduisent à des taux de conversion significativement plus élevés, comme en témoignent les références de l'industrie où les popups les plus performants atteignent des taux de conversion de 9,28 % ou plus, contre une moyenne de 3,09 % (étude Sumo 2016/2018).

L'impact : ce que nous avons appris de plus de 10 000 impressions de popup

L'analyse des données de plus de 10 000 impressions de popup dans diverses industries a fourni des informations essentielles. Le principal enseignement est que le timing est primordial. Un popup parfaitement synchronisé, délivré juste au moment où un utilisateur est sur le point de partir, surpasse constamment les déclencheurs précoces ou tardifs. Cette précision conduit à des taux d'engagement et de conversion plus élevés, tout en minimisant la frustration de l'utilisateur.

Nous avons également observé que la pertinence est aussi importante que le timing. Une offre générique, même parfaitement synchronisée, est moins performante qu'une offre contextuellement pertinente. Cela renforce la nécessité d'une génération de texte basée sur l'IA et d'une sélection dynamique des offres. De plus, des popups agressifs et trop fréquents dégradent considérablement l'expérience utilisateur et l'engagement global du site, une constatation reprise par la recherche UX du Nielsen Norman Group. Notre modèle vise une précision chirurgicale, pas la force brute.

Les données montrent clairement qu'une stratégie d'intention de sortie bien exécutée peut considérablement augmenter la capture de leads et les ventes, transformant les rebonds potentiels en conversions précieuses. Pour une plongée plus approfondie dans l'application pratique, consultez comment fonctionne réellement notre modèle ML d'intention de sortie dans une liste de contrôle tactique.

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.