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

Qu'est-ce que l'intention de sortie et pourquoi le timing est-il important ?

La technologie d'intention de sortie détecte quand un visiteur est sur le point de quitter un site web, déclenchant un popup ciblé à ce moment précis. Il ne s'agit pas d'ennuyer les utilisateurs ; il s'agit de proposer une offre ou un message de dernière chance pour les réengager. Selon une étude Sumo de 2016, le taux de conversion moyen des popups est d'environ 3,09 %, mais les 10 % des meilleurs popups convertissent à 9,28 % ou plus. Le facteur clé de différenciation pour ces performants est souvent un timing et une pertinence impeccables.

Un mauvais timing peut être préjudiciable. Un popup apparaissant trop tôt interrompt l'expérience utilisateur, tandis qu'un popup apparaissant trop tard manque complètement l'opportunité. Notre objectif est d'atteindre ce point idéal où l'utilisateur a traité le contenu de la page mais ne s'est pas complètement désengagé, maximisant ainsi les chances de conversion sans provoquer de frustration. C'est dans cet équilibre délicat que l'apprentissage automatique brille véritablement.

Les 26 signaux surveillés par notre ML de popup

Contrairement aux systèmes basiques basés sur des règles qui ne suivent que les événements de sortie de souris, notre modèle ML ExitSense observe 26 signaux comportementaux distincts. Ces signaux sont continuellement surveillés et alimentent nos algorithmes d'apprentissage automatique pour construire une image complète de l'intention de l'utilisateur. Ils comprennent un mélange d'indicateurs directs et indirects :

• Modèles de mouvement de la souris : Vitesse, trajectoire, distance par rapport à la barre supérieure du navigateur, changements soudains de direction.
• Comportement de défilement : Profondeur de défilement, vitesse, direction (par exemple, défilement rapide vers le haut indiquant l'intention de quitter).
• Métriques d'engagement : Temps passé sur la page, nombre de clics, interaction avec des éléments spécifiques de la page.
• Interaction avec les formulaires : Commencer à remplir un formulaire mais l'abandonner, survoler les boutons de soumission.
• Activité des onglets : Changer d'onglet, minimiser la fenêtre du navigateur.
• Signaux spécifiques à l'appareil : Sur mobile, les gestes de 'balayage pour revenir en arrière', ou une combinaison de défilement vers le haut et de temps d'inactivité, que nous avons appris être un indicateur fort d'intention de sortie mobile car la sortie de souris traditionnelle ne se déclenche pas.

En analysant ces signaux en temps réel, notre modèle peut prédire avec une grande précision quand un utilisateur se prépare à quitter, permettant un popup parfaitement synchronisé. Cette approche multi-signaux surpasse significativement les méthodes à signal unique, conduisant à des taux d'engagement et de conversion plus élevés.

Comment notre modèle ML d'intention de sortie fonctionne réellement : Le cœur algorithmique

Au cœur de comment notre modèle ML d'intention de sortie fonctionne réellement se trouve un pipeline d'apprentissage automatique sophistiqué. Nous utilisons un ensemble de modèles, principalement des arbres à gradient boosté comme XGBoost, qui sont excellents pour gérer des ensembles de données diversifiés et de grande dimension et pour détecter des motifs subtils. Chacun des 26 signaux comportementaux est pondéré et combiné pour générer un 'score de probabilité de sortie' en temps réel pour chaque visiteur.

Lorsque ce score franchit un seuil ajusté dynamiquement, le popup est déclenché. Ce seuil n'est pas statique ; il s'adapte en fonction des performances globales du site, du segment d'utilisateurs et même de l'offre spécifique présentée. Cet ajustement dynamique est crucial car ce qui constitue une 'intention de sortie' peut varier considérablement entre un article de blog et une page de paiement. Notre modèle apprend et affine constamment ses prédictions en fonction des interactions continues et des résultats de conversion, garantissant des performances optimales.

Pour sélectionner les meilleurs titres et textes de popup, nous utilisons l'échantillonnage de Thompson expliqué pour les marketeurs. Au lieu des tests A/B traditionnels, qui nécessitent souvent un trafic et un temps considérables, l'échantillonnage de Thompson explore efficacement différentes variations et converge rapidement vers l'option la plus performante. Cela permet même aux PME et aux fondateurs de SaaS indépendants d'optimiser rapidement leur message de popup sans avoir besoin de volumes de visiteurs massifs.

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

L'intégration de l'IA moderne et des grands modèles linguistiques (LLM) élève considérablement les capacités de notre plateforme au-delà des outils basés sur des règles héritées. Voici ce qui distingue LeadYup :

1. Génération de texte par page : Au lieu d'écrire manuellement le texte pour chaque page, nos LLM analysent le contenu spécifique de la page et l'intention de l'utilisateur pour générer des titres et des corps de popup très pertinents et engageants. Cela garantit que chaque popup semble fait sur mesure pour le contexte actuel de l'utilisateur, améliorant l'efficacité du popup builder.
2. Test de titres adaptatif via l'échantillonnage de Thompson : Alors que les outils traditionnels peuvent offrir des tests A/B basiques, l'utilisation de l'échantillonnage de Thompson par LeadYup permet une optimisation des titres beaucoup plus rapide et efficace. Il alloue intelligemment le trafic aux variantes gagnantes plus tôt, maximisant les conversions dès le départ, même avec des impressions limitées. Cela répond à 'ce que nous avons appris de 10000 impressions de popup' – que la rapidité d'atteinte de la variation optimale est importante.
3. Fusion de signaux comportementaux avec ML avancé : Les systèmes plus anciens s'appuient souvent sur des règles simples 'si-alors' (par exemple, 'si la souris quitte les 100 premiers pixels, afficher le popup'). Le modèle ML ExitSense de LeadYup, construit avec des techniques comme XGBoost, fusionne les 26 signaux comportementaux dans un modèle prédictif nuancé. Cela permet une détection beaucoup plus précise et subtile de la véritable intention de sortie, minimisant les faux positifs et améliorant l'expérience utilisateur. Cet apprentissage profond à partir de multiples signaux est quelque chose que les systèmes basés sur des règles ne peuvent tout simplement pas reproduire.

Ces améliorations basées sur l'IA signifient que nos popups ne sont pas seulement parfaitement synchronisés, mais qu'ils répondent également directement aux besoins du visiteur, ce qui conduit à des taux de conversion manifestement meilleurs.

Compromis honnêtes et meilleures pratiques

Bien que notre modèle ML soit très efficace, il est important de reconnaître qu'aucune solution n'est une baguette magique. Une utilisation excessive ou des offres non pertinentes peuvent toujours entraîner une 'fatigue des popups'. La recherche UX du Nielsen Norman Group souligne constamment l'importance de la proposition de valeur dans les popups – si l'offre n'est pas convaincante, même un timing parfait ne la sauvera pas.

Ce qui fonctionne : Offrir une valeur réelle, comme une réduction, une mise à niveau de contenu exclusive ou un lead magnet utile. Segmenter votre audience et adapter les offres en conséquence améliore également considérablement les performances. Par exemple, un client récurrent pourrait voir une offre différente d'un visiteur pour la première fois. Nous avons également appris que les tests A/B de différents types d'offres, et pas seulement de titres, sont cruciaux.

Ce qui ne fonctionne pas : Les popups génériques 'inscrivez-vous à notre newsletter' sans avantage clair, ou les popups qui bloquent immédiatement le contenu sans donner à l'utilisateur la possibilité de naviguer. Une fréquence agressive, affichant le même popup plusieurs fois en une courte session, a également un effet contre-productif. L'équilibre est la clé. Notre modèle fournit l'intelligence du timing ; votre offre fournit le moteur de conversion.

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.