Comment fonctionne réellement notre modèle ML d'exit-intent : Un regard franc sous le capot pour 2026

Q1 : Qu'est-ce que l'« exit-intent » et pourquoi est-il si efficace ?

L'exit-intent est l'intention prédite d'un visiteur de site web de quitter une page sans effectuer une action souhaitée. Il est efficace car il présente une offre de dernière chance – une réduction, un lead magnet ou une incitation à l'abonnement – au moment où un visiteur se désengage. Des recherches traditionnelles, comme l'étude de Sumo de 2016, ont montré que le taux de conversion moyen des popups est d'environ 3,09 %, les meilleurs atteignant plus de 9,28 %.

Le pouvoir réside dans le contexte : vous n'interrompez pas un utilisateur engagé, mais vous réengagez plutôt quelqu'un qui était déjà sur le point de partir. Cela rend l'intervention moins intrusive et plus susceptible d'être perçue comme utile, surtout lorsque l'offre est pertinente. En comprenant comment fonctionne réellement notre modèle ML d'exit-intent, les marketeurs peuvent exploiter ce moment efficacement.

Q2 : Quels sont les 26 signaux que notre ML de popup surveille pour prédire la sortie ?

Notre modèle ML ExitSense ne se contente pas de chercher un mouvement de souris vers le bouton de fermeture du navigateur. Il surveille activement 26 signaux comportementaux, créant un profil complet du niveau d'engagement d'un utilisateur. Ces signaux vont des mouvements de curseur de base aux interactions plus subtiles.

• Dynamique de la souris/du pointeur : Vitesse, accélération, trajectoire vers le haut de la fenêtre du navigateur, changements soudains de direction et « jitter » (petits mouvements erratiques).
• Comportement de défilement : Vitesse de défilement vers le haut, défilement répété de haut en bas, arrêts soudains du défilement et profondeur totale de défilement atteinte.
• Mesures d'engagement : Temps passé sur la page, temps d'inactivité (aucune activité), changement d'onglet (changement de focus) et interactions avec les éléments de la page (clics, survols).
• Interaction avec les formulaires : Champs de formulaire abandonnés, vitesse de frappe et position du curseur dans les champs de saisie.
• Contexte de la session : Nombre de pages visitées dans la session actuelle, informations de référence et type d'appareil.

Ces signaux sont introduits dans notre modèle d'apprentissage automatique, qui apprend à identifier les schémas indiquant une sortie imminente, bien au-delà de ce que de simples règles peuvent accomplir.

Q3 : Qu'avons-nous appris de 10 000 impressions de popup et au-delà ?

L'analyse des données de dizaines de milliers d'impressions de popup sur divers sites clients a fourni des informations inestimables. Nous avons constaté que le timing « parfait » n'est pas universel ; il varie considérablement selon l'industrie, le public et même le contenu spécifique de la page. Par exemple, sur les sites de commerce électronique, un popup rapide « retour au panier » lors de l'intention de sortie peut récupérer des revenus significatifs, tandis que pour les essais SaaS, une mise à niveau de contenu ou une offre de démonstration est plus performante.

Une observation critique : sur les plus de 1 000 sites utilisant les popups LeadYup, l'exit-intent sur mobile nécessite généralement un hybride défilement vers le haut + inactivité car le mouse-out ne se déclenche pas aussi fiablement sur les appareils tactiles. Cela nous a conduits à affiner considérablement notre détection d'exit-intent mobile. Nous avons également appris que les popups trop agressifs, même avec un timing parfait, peuvent entraîner un sentiment négatif chez l'utilisateur si l'offre n'est pas réellement précieuse, renforçant les directives UX du Nielsen Norman Group sur les boîtes de dialogue modales.

Q4 : Comment l'échantillonnage de Thompson choisit-il les titres gagnants pour ces popups ?

Une fois que le modèle ML ExitSense identifie un moment d'exit-intent, le défi suivant est de présenter le message le plus efficace. C'est là que l'échantillonnage de Thompson entre en jeu pour sélectionner les titres gagnants, offrant une alternative plus efficace aux tests A/B traditionnels, en particulier pour les PME et les fondateurs de SaaS indépendants ayant moins de trafic.

L'échantillonnage de Thompson est un algorithme de type « bandit manchot ». Au lieu de diviser rigidement le trafic (comme les tests A/B) et d'attendre une signification statistique, il alloue dynamiquement plus d'impressions aux titres qui sont plus performants, plus rapidement. Il explore de nouvelles options tout en exploitant simultanément les meilleures. Cela signifie qu'au fil du temps, l'algorithme priorise automatiquement les titres avec la probabilité de conversion la plus élevée, maximisant vos résultats dès le premier jour, plutôt que d'attendre la conclusion d'un test. C'est ainsi que notre constructeur de popups assure une optimisation continue.

Q5 : Ce que les IA/LLM modernes ajoutent à la façon dont fonctionne réellement notre modèle ML d'exit-intent

Les IA modernes et les grands modèles linguistiques (LLM) améliorent considérablement l'approche de LeadYup quant à la façon dont fonctionne réellement notre modèle ML d'exit-intent, allant au-delà des capacités des outils basés sur des règles hérités. Voici ce qui nous distingue :

1. Génération de texte et de titres par page : Les outils traditionnels nécessitent une création manuelle de texte. LeadYup exploite les LLM pour générer des textes et des titres de popup très pertinents par page. Le modèle linguistique analyse le contenu de la page et l'intention de l'utilisateur pour suggérer un texte convaincant adapté à ce contexte spécifique, réduisant considérablement l'effort manuel et améliorant la pertinence.
2. Fusion adaptative des signaux comportementaux via XGBoost : Notre modèle ML ExitSense utilise des algorithmes avancés comme XGBoost pour fusionner les 26 signaux comportementaux. Contrairement aux règles simples « si-alors », XGBoost peut identifier des relations complexes et non linéaires entre les signaux et adapter ses prédictions en temps réel en fonction de nouvelles données. Cela permet une détection de l'exit-intent beaucoup plus précise et nuancée.
3. Échantillonnage de Thompson pour l'échelle des PME : Comme mentionné, l'échantillonnage de Thompson rend l'optimisation continue viable même pour les sites à trafic modéré. Les LLM aident ici en générant un ensemble initial diversifié de titres pour que le bandit puisse les tester, assurant un bon point de départ pour l'optimisation. Cela signifie que les petites entreprises peuvent obtenir des résultats de tests A/B sophistiqués sans avoir besoin de volumes de trafic massifs ou de spécialistes CRO dédiés.

Ces capacités basées sur l'IA signifient que les popups sont non seulement parfaitement synchronisés, mais aussi personnalisés et optimisés pour un impact maximal automatiquement.

LeadYup Editorial

Product & growth team

Hands-on operators behind LeadYup's popup engine, ExitSense ML model, and A/B infra. We write what we ship, not what we wish.