Comment fonctionne réellement notre modèle ML de détection d'intention de sortie : Un regard honnête sous le capot
Q1 : Qu'est-ce que l'« intention de sortie » et pourquoi est-ce important ?
La technologie d'intention de sortie prédit le moment où un visiteur est sur le point de quitter un site web, déclenchant un popup à cet instant précis. C'est important car c'est une dernière tentative pour réengager les utilisateurs, capturer des leads ou empêcher l'abandon de panier avant qu'ils ne partent définitivement. Des études sectorielles, comme celle de Sumo en 2016, ont montré que les taux de conversion moyens des popups se situaient autour de 3,09 %, les meilleurs atteignant plus de 9 % – souvent grâce à des offres d'intention de sortie bien synchronisées.
Le timing est primordial. Un popup trop tôt interrompt le flux utilisateur ; trop tard, et l'utilisateur a déjà navigué ailleurs. L'intention de sortie optimise ce point idéal, rendant votre offre pertinente à un moment de décision critique.
Q2 : Quels sont les 26 signaux que notre ML de popup surveille ?
Notre modèle ML ExitSense traite 26 signaux comportementaux distincts en temps réel pour prédire l'intention de sortie. Ces signaux incluent, sans s'y limiter, les schémas de mouvement de la souris (vitesse, accélération, direction vers la barre d'adresse ou le bouton retour), la profondeur de défilement, le temps d'inactivité, le changement d'onglet, et même des raccourcis clavier spécifiques comme 'Cmd/Ctrl + W'.
Nous surveillons également les interactions avec la page, telles que l'engagement avec les champs de formulaire, la lecture de vidéos et les clics sur des liens internes ou externes. La combinaison de ces signaux nuancés permet une prédiction bien plus précise qu'une simple détection de 'souris hors de la fenêtre'. Par exemple, un mouvement de souris rapide et erratique vers le coin supérieur gauche (où se trouve souvent le bouton retour) combiné à un manque d'interaction récente sur la page est un fort indicateur d'une sortie imminente.
Q3 : Qu'avons-nous appris de 10 000 impressions de popups ?
En analysant plus de 10 000 impressions de popups sur divers sites clients de LeadYup, nous avons recueilli des informations inestimables. Un apprentissage clé est que le moment optimal pour un popup d'intention de sortie est hautement contextuel et dépend fortement du contenu de la page et de l'intention de l'utilisateur. Par exemple, les pages produits bénéficient souvent de déclencheurs légèrement retardés par rapport aux articles de blog, donnant aux utilisateurs plus de temps pour naviguer avant qu'une offre ne soit présentée.
Nous avons également observé que les offres génériques sont significativement moins performantes que les textes très ciblés, page par page. Un popup '10 % de réduction sur votre première commande' sur un article de blog sur les 'stratégies de marketing par e-mail' est beaucoup moins efficace qu'une offre pour un guide gratuit sur la 'segmentation avancée des e-mails' sur la même page. Ces données soulignent l'importance de notre génération de texte par page alimentée par LLM.
Q4 : Comment l'échantillonnage de Thompson explique-t-il les titres gagnants pour les marketeurs ?
L'échantillonnage de Thompson est un puissant algorithme d'optimisation bayésienne que nous utilisons pour tester et sélectionner dynamiquement les titres les plus performants pour vos popups. Contrairement aux tests A/B traditionnels, qui nécessitent de grands échantillons et une allocation fixe, l'échantillonnage de Thompson apprend et s'ajuste continuellement. Il alloue plus d'impressions aux variations qui sont actuellement plus performantes, tout en explorant d'autres options pour s'assurer qu'il ne manque pas un titre potentiellement supérieur.
Pour les marketeurs, cela signifie une optimisation plus rapide et de meilleurs taux de conversion avec moins d'intervention manuelle. Au lieu d'attendre un gagnant clair après des milliers d'impressions, l'échantillonnage de Thompson identifie et priorise rapidement les titres les plus susceptibles de convertir, maximisant l'efficacité de votre popup dès le départ. Cela permet même aux PME de bénéficier de tests A/B sophistiqués et automatisés généralement réservés aux outils de niveau entreprise.
Q5 : Qu'apportent les IA/LLM modernes à la façon dont fonctionne réellement notre modèle ML de détection d'intention de sortie ?
L'IA moderne, en particulier les grands modèles de langage (LLM), modifie fondamentalement comment fonctionne réellement notre modèle ML de détection d'intention de sortie par rapport aux systèmes hérités basés sur des règles. Premièrement, notre plateforme utilise des LLM pour générer du texte et des titres par page, adaptés au contenu spécifique que l'utilisateur consulte. Cela va au-delà des offres génériques pour des messages hautement contextuels et persuasifs, ce qui, selon des études (par exemple, ConversionXL Institute), améliore considérablement la pertinence et les taux de conversion.
Deuxièmement, l'intégration des LLM permet la génération et la sélection dynamique de titres via l'échantillonnage de Thompson à une échelle sans précédent, rendant les tests A/B sophistiqués accessibles même aux petites entreprises. Les outils hérités reposent sur la création manuelle de titres et des tests A/B/n de base. Enfin, notre modèle ML ExitSense, alimenté par des algorithmes avancés comme XGBoost, fusionne ces 26 signaux comportementaux de manière beaucoup plus intelligente que de simples règles de 'souris hors de la fenêtre'. Ce traitement complet des signaux, informé par l'IA, permet une prédiction précise de l'intention de l'utilisateur que les règles statiques ne peuvent tout simplement pas atteindre. C'est une avancée significative par rapport aux méthodes plus anciennes de détection du départ des utilisateurs.
Q6 : Qu'est-ce qui fonctionne et ce qui ne fonctionne pas avec les popups d'intention de sortie ?
Ce qui fonctionne : Des offres très pertinentes et axées sur la valeur, directement liées au contenu de la page. Un texte clair et concis qui met en évidence l'avantage. Un appel à l'action fort et unique. Offrir quelque chose d'immédiatement précieux, comme une réduction, une ressource gratuite ou un contenu exclusif. Sur les plus de 1 000 sites utilisant les popups LeadYup, l'intention de sortie sur mobile nécessite généralement un hybride de défilement vers le haut + inactivité car le 'mouse-out' ne se déclenche pas, nécessitant une méthode de détection plus nuancée.
Ce qui ne fonctionne pas : Les offres génériques et non ciblées. Les popups qui apparaissent trop agressivement ou trop souvent (par exemple, à chaque chargement de page). Les formulaires trop complexes ou trop nombreux. Un langage vague ou confus. Les popups qui bloquent le contenu sans moyen facile de les fermer (une mauvaise expérience utilisateur, comme le souligne la recherche UX du Nielsen Norman Group). N'oubliez pas que l'objectif est d'aider l'utilisateur, pas de l'agacer au point de le faire partir plus vite. Construire un bon popup demande des compétences et un solide créateur de popup.
FAQ
Prêt à voir nos popups intelligents en action ? Essayez LeadYup gratuitement pendant 14 jours et transformez vos conversions.
Start 14-day free trial →
Comment LeadYup le livre pour vous
Modèle XGBoost à 26 signaux choisit l'instant exact — 3–5× meilleur qu'un simple mouse-out.
Le LLM réécrit titre/sous-titre sur chaque landing selon l'intention — pas de A/B manuel.
Multi-armed bandit identifie la variante gagnante en quelques jours, même en trafic SMB.
Slack, Zapier, HubSpot, webhooks, email — les leads arrivent là où votre équipe travaille déjà.
Posez une question à Roman
Une vraie question sur how our exit-intent ML model actually works ? Je la lirai personnellement et répondrai sous un jour. Les Q&R sélectionnées sont publiées sous cet article.