Comment fonctionne réellement notre modèle ML d'intention de sortie : une analyse approfondie pour les marketeurs

Le problème de l'intention de sortie traditionnelle : pourquoi la simple sortie de la souris échoue

Pendant des années, « intention de sortie » était synonyme de curseur de souris quittant la zone d'affichage du navigateur. Bien que révolutionnaire à l'époque, ce déclencheur basique entraîne souvent deux problèmes : les faux positifs et les opportunités manquées. Les faux positifs agacent les utilisateurs qui naviguent simplement entre les onglets, ce qui les pousse à ignorer le popup. Les opportunités manquées se produisent lorsque l'intention de l'utilisateur de partir est claire, mais que son curseur ne franchit jamais la limite – pensez aux utilisateurs de tablettes, ou à ceux qui défilent rapidement.

Des recherches antérieures, comme l'étude de conversion de popup de Sumo en 2016, ont montré des taux de conversion moyens d'environ 3,09 %, les meilleurs atteignant 9,28 %. Cet écart important a démontré que le timing et la pertinence sont essentiels, et pas seulement la présence d'un popup. Notre objectif avec le modèle ML ExitSense de LeadYup était de combler cet écart en rendant l'intention de sortie plus intelligente.

Les 26 signaux surveillés par notre ML de popup 🕵️‍♀️

Au lieu d'un seul déclencheur, notre modèle ML ExitSense surveille en permanence 26 signaux comportementaux distincts. Ces signaux sont alimentés dans un algorithme d'apprentissage automatique, principalement un modèle XGBoost optimisé, pour prédire la probabilité qu'un utilisateur quitte le site dans les prochaines secondes. Il ne s'agit pas seulement du mouvement de la souris ; cela englobe une vision holistique de l'engagement de l'utilisateur.

Certains des signaux clés incluent :

• Activité de la souris : vitesse, direction, accélération, distance par rapport au haut/bas/côté de la zone d'affichage.
• Comportement de défilement : vitesse de défilement, direction de défilement (le défilement vers le haut signale souvent l'intention de partir, en particulier sur les pages longues), distance de défilement, arrêts soudains.
• Métriques d'engagement : temps passé sur la page, statut de l'onglet actif, nombre de pages visitées, statut d'interaction avec le formulaire (par exemple, l'utilisateur a-t-il commencé à taper dans un champ de formulaire ?).
• Indices spécifiques à l'appareil : 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. Nous analysons également les gestes de pincement pour zoomer et les modèles de tapotement.
• Indicateurs de charge cognitive : changement rapide d'onglet, temps d'inactivité prolongé après interaction.

En combinant ces signaux, le modèle apprend à identifier les schémas qui précèdent la sortie réelle, offrant une compréhension bien plus nuancée que les systèmes basés sur des règles.

Ce que nous avons appris de 10 000 impressions de popup (et ce n'est pas fini)

L'analyse des données de dizaines de milliers d'impressions de popup a offert des informations inestimables sur le comportement des utilisateurs. Une découverte significative est que le timing « taille unique » est un mythe. Un popup qui convertit bien sur une page produit e-commerce pourrait être perturbateur sur un article de blog B2B. Le timing optimal est dynamique et dépend fortement du contexte, du parcours utilisateur et même de l'heure de la journée.

Nous avons également observé que le contenu du popup est tout aussi crucial que son timing. Un popup parfaitement chronométré avec un message non pertinent échoue toujours. Cela nous a conduits à intégrer la génération de texte par page et des tests de titres avancés dans la plateforme LeadYup. Nos conclusions s'alignent sur les recherches UX du Nielsen Norman Group, qui soulignent constamment la pertinence et le contrôle de l'utilisateur comme étant primordiaux pour une expérience utilisateur positive.

Pour une analyse détaillée de la façon dont nous appliquons ces informations, consultez comment fonctionne réellement notre modèle ML d'intention de sortie en pratique.

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 les capacités de notre constructeur de popup et du modèle ML ExitSense, allant au-delà de ce que les outils traditionnels basés sur des règles peuvent offrir.

• Génération de texte par page : Contrairement aux outils hérités qui nécessitent une création manuelle de texte, LeadYup utilise un LLM pour générer un texte de popup par page très pertinent. Cela garantit que le message est toujours adapté au contexte actuel de l'utilisateur, augmentant l'engagement et les taux de conversion.
• L'échantillonnage de Thompson expliqué pour les marketeurs : Pour l'optimisation des titres, nous utilisons l'échantillonnage de Thompson – une méthode de test A/B bayésienne. Au lieu de diviser rigidement le trafic 50/50, l'échantillonnage de Thompson alloue dynamiquement plus de trafic aux titres les plus performants plus rapidement, maximisant les conversions même à l'échelle des PME. Cela signifie que vous n'avez pas besoin de millions d'impressions pour trouver un titre gagnant ; le système apprend et s'adapte efficacement.
• Fusion de signaux comportementaux via XGBoost : Notre modèle ML ExitSense exploite des algorithmes avancés comme XGBoost pour fusionner les 26 signaux comportementaux. Cela permet d'identifier des relations complexes et non linéaires entre les signaux, conduisant à une prédiction beaucoup plus précise de l'intention de sortie que de simples seuils ou modèles linéaires. Ce traitement sophistiqué des signaux est une caractéristique des applications ML modernes.

Ces fonctionnalités basées sur l'IA signifient que notre constructeur de popup ne se contente pas d'afficher un popup ; il s'agit d'afficher le bon popup, avec le bon message, au bon moment.

Compromis honnêtes : ce qui ne fonctionne pas et pourquoi

Bien que notre modèle ML améliore considérablement la précision de l'intention de sortie, ce n'est pas une solution miracle sans réserves. Par exemple, les pages extrêmement courtes (par exemple, les pages de destination d'une seule ligne) offrent moins de signaux comportementaux, ce qui rend la prédiction précise plus difficile. Dans de tels cas, un déclencheur à retardement pourrait toujours être plus efficace qu'un modèle ML à peine entraîné.

Un autre domaine où la prudence est de mise est la fréquence excessivement agressive des popups. Même le popup le plus intelligent peut devenir intrusif s'il est montré trop souvent au même utilisateur. Nous recommandons de limiter soigneusement les impressions par utilisateur par session afin de maintenir une expérience utilisateur positive. La confiance se construit sur le respect du flux utilisateur, et non sur sa perturbation. Les rapports de référence de l'industrie de Wisepops montrent constamment que les popups très performants s'intègrent parfaitement au parcours utilisateur.

Comprendre ces limitations est crucial pour mettre en œuvre une stratégie qui fonctionne réellement. Pour des conseils plus tactiques, consultez comment fonctionne réellement notre modèle ML d'intention de sortie d'un point de vue pratique.

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.