Comment notre modèle ML d'intention de sortie fonctionne réellement : une analyse approfondie pour les marketeurs en 2026

Au-delà de la souris : les 26 signaux surveillés par notre ML de pop-up

Lorsque nous parlons d'intention de sortie, la plupart des gens imaginent un curseur de souris sortant de la fenêtre du navigateur. Bien que ce soit un signal, ce n'est que la pointe de l'iceberg. Notre modèle ML ExitSense surveille en permanence 26 signaux comportementaux distincts pour prédire l'intention de l'utilisateur de quitter. Ces signaux englobent tout, de la vitesse et de la direction du défilement au temps d'inactivité, au changement d'onglet, à l'interaction avec les formulaires, et même aux micro-mouvements subtils du pointeur.

Par exemple, un utilisateur qui défile rapidement jusqu'au bas d'une page, puis remonte rapidement, fait une pause, puis survole un élément de navigation proéminent pourrait signaler un type spécifique d'« intention perdue ». Chaque signal contribue une valeur pondérée au modèle, créant un profil utilisateur dynamique qui se met à jour en temps réel. Cela nous permet d'aller au-delà des déclencheurs basés sur des règles simples et de répondre plutôt à des parcours utilisateurs nuancés. Cette compréhension granulaire est essentielle pour comment notre modèle ML d'intention de sortie fonctionne réellement.

L'échantillonnage de Thompson expliqué pour les marketeurs : pourquoi nous ne faisons pas que des tests A/B

Les tests A/B traditionnels sont précieux mais peuvent être lents, surtout pour optimiser des éléments comme les titres de pop-up où de nombreuses variations sont possibles. C'est pourquoi nous utilisons l'échantillonnage de Thompson. Au lieu de diviser le trafic 50/50 et d'attendre une signification statistique, l'échantillonnage de Thompson alloue dynamiquement plus de trafic aux variations qui performent mieux, plus rapidement. C'est une approche de « bandit manchot » où le système apprend et s'adapte en temps réel.

Imaginez un joueur de casino essayant différentes machines à sous : l'échantillonnage de Thompson identifie les machines « gagnantes » (titres, offres, créatifs) plus efficacement en explorant moins fréquemment les options moins prometteuses. Cela signifie que vos campagnes de pop-up atteignent des performances optimales beaucoup plus rapidement, ce qui se traduit directement par des taux de conversion plus élevés. Nous l'utilisons pour l'optimisation des titres par page, garantissant que votre message est toujours affiné en fonction du contenu spécifique que l'utilisateur consulte.

Ce que nous avons appris de 10 000 impressions de pop-up : des insights concrets

En analysant les données de dizaines de milliers d'impressions de pop-up sur des centaines de sites, nous avons recueilli des insights cruciaux. Un enseignement majeur est que le timing est primordial : une pop-up mal chronométrée, quelle que soit la qualité de l'offre, peut être contre-productive. Les recherches du Nielsen Norman Group montrent constamment que les pop-ups intrusives nuisent à l'expérience utilisateur, mais que celles qui sont bien chronométrées et pertinentes peuvent être très efficaces.

Nous avons également observé que le taux de conversion moyen pour les pop-ups bien implémentées oscille autour de 3,09 %, un chiffre cohérent avec l'étude de Sumo de 2016. Cependant, les 10 % supérieurs de nos pop-ups atteignent des taux de conversion de 9,28 % ou plus, en grande partie grâce à la précision du modèle ML ExitSense et au contenu dynamique. Sur les plus de 1 000 sites utilisant les pop-ups LeadYup, l'intention de sortie sur mobile nécessite généralement un déclencheur hybride défilement vers le haut + inactivité, car un simple événement de « sortie de souris » n'existe pas sur les appareils tactiles. Les déclencheurs basés uniquement sur le temps passé sur la page sont souvent trop grossiers, manquant les signaux d'intention réels.

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

L'intégration de l'IA avancée et des grands modèles de langage (LLM) élève considérablement notre approche par rapport aux outils de pop-up basés sur des règles héritées. Voici comment :

• Génération de texte par page : Les outils traditionnels nécessitent des tests A/B manuels de texte statique. Notre LLM génère dynamiquement du texte de pop-up adapté au contenu spécifique de la page que l'utilisateur consulte. Cette hyper-personnalisation, basée sur la compréhension du contexte de la page, conduit à des taux d'engagement significativement plus élevés.
• Fusion des signaux comportementaux via XGBoost : Au lieu de règles simples « si/alors », nous utilisons des algorithmes d'apprentissage automatique sophistiqués comme XGBoost pour fusionner les 26 signaux comportementaux. Cela permet au modèle d'identifier des relations complexes et non linéaires entre les signaux qui indiquent l'intention de sortie, conduisant à un timing beaucoup plus précis et nuancé que n'importe quel ensemble de règles codées à la main.
• Apprentissage adaptatif avec l'échantillonnage de Thompson : Comme mentionné, l'échantillonnage de Thompson, alimenté par le ML, affine continuellement l'efficacité des titres et des offres sans les longs délais des tests A/B traditionnels. Cela signifie que les petites entreprises et les fondateurs indépendants peuvent atteindre des vitesses d'optimisation auparavant uniquement accessibles aux grandes entreprises dotées d'équipes CRO dédiées. C'est un élément central de comment notre modèle ML d'intention de sortie fonctionne réellement.

Les compromis : ce qui ne fonctionne pas toujours (et pourquoi)

Bien que l'intention de sortie basée sur l'IA soit puissante, ce n'est pas une solution miracle. Une fréquence de pop-up trop agressive, même si parfaitement chronométrée, peut toujours agacer les utilisateurs. Notre modèle apprend à détecter la « fatigue des pop-ups » et peut temporairement réduire les déclencheurs pour les visiteurs récurrents. De plus, les offres génériques et non ciblées sous-performeront toujours, quel que soit le timing. Même le meilleur modèle ML ne peut pas corriger une mauvaise offre ou un message non pertinent. Le contenu de votre pop-up reste immensément important. Nous avons constaté que les pop-ups offrant une « réduction de 10 % » générique sans proposition de valeur claire performent souvent moins bien que les offres très spécifiques et résolvant des problèmes, même avec un timing optimal. Parfois, un appel à l'action simple et clair sur un générateur de pop-up bien conçu est plus efficace qu'un pop-up trop complexe et personnalisé si l'offre principale n'est pas convaincante.

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.