Comment fonctionne notre modèle ML d'intention de sortie : une analyse approfondie des signaux comportementaux

Au-delà de la souris : les limites de l'intention de sortie basique

Pendant des années, l'« intention de sortie » signifiait principalement la détection du curseur de la souris d'un utilisateur se déplaçant en dehors de la fenêtre du navigateur. Bien que cela ait représenté une avancée significative par rapport aux déclencheurs basés sur le temps ou le défilement, cela présentait des limitations notables. Le Nielsen Norman Group a constamment souligné comment les interruptions inattendues peuvent dégrader l'expérience utilisateur, soulignant la nécessité d'un timing plus nuancé.

Un simple déclencheur de sortie de souris conduit souvent à de faux positifs, interrompant les utilisateurs qui ne font que naviguer entre les onglets ou redimensionner les fenêtres. Cela peut entraîner de l'agacement plutôt que de l'engagement. Le taux de conversion moyen des pop-ups de 3,09 % (Sumo, 2016) suggère que si les pop-ups fonctionnent, il y a une marge d'amélioration significative en optimisant leur timing et leur pertinence.

Les 26 signaux que notre ML de pop-up surveille pour une véritable intention

Au cœur de notre approche se trouve la compréhension que la véritable intention de sortie est un comportement complexe et multifacette. Notre modèle ML ExitSense ne se contente pas de surveiller une seule action ; il analyse 26 signaux comportementaux distincts en temps réel. Ces signaux vont des mouvements de souris traditionnels et de la vitesse de défilement à des indices plus subtils comme les schémas de frappe, les changements d'onglet et même le temps d'inactivité.

Par exemple, un utilisateur qui fait défiler rapidement la page vers le haut après une période d'inactivité pourrait signaler une recherche de navigation ou une tentative de départ. Inversement, un utilisateur qui vient de passer plusieurs minutes à lire du contenu, puis ralentit son défilement jusqu'à l'arrêt avant de déplacer sa souris vers le bouton de fermeture, présente un signal de sortie différent, plus confiant. Cette fusion de divers points de données permet une prédiction beaucoup plus précise d'un départ imminent.

Sur les plus de 1 000 sites utilisant les pop-ups LeadYup, l'intention de sortie sur mobile nécessite généralement un hybride de défilement vers le haut + inactivité, car la sortie de la souris ne se déclenche pas. Cette observation nous a amenés à prioriser ces signaux spécifiques au mobile pour une meilleure précision sur les petits écrans.

Ce que nous avons appris de 10 000 impressions de pop-ups

Notre analyse continue de plus de 10 000 impressions de pop-ups a fourni des informations précieuses sur le comportement des utilisateurs. Nous avons constaté que les pop-ups les plus performants ne sont pas nécessairement ceux qui apparaissent le plus rapidement, mais ceux qui apparaissent au moment de la valeur perçue la plus élevée ou de la friction la plus faible. Par exemple, un pop-up offrant une réduction sur un panier abandonné est beaucoup plus efficace lorsqu'il est déclenché après qu'un utilisateur a montré des signes clairs de vouloir quitter le processus de paiement, plutôt que de simplement parcourir la page produit.

Nous avons également constaté que les 10 % des meilleurs pop-ups, atteignant des taux de conversion de 9,28 % ou plus (Sumo, 2016), présentaient systématiquement des messages hautement personnalisés et un timing impeccable. Cela renforce la nécessité d'un timing intelligent et d'un contenu pertinent.

Pour une analyse détaillée de ces apprentissages et des stratégies exploitables, vous pouvez explorer comment fonctionne notre modèle ML d'intention de sortie en pratique.

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

Les IA et les grands modèles linguistiques (LLM) modernes élèvent considérablement les capacités d'outils comme LeadYup au-delà de ce que les systèmes hérités basés sur des règles peuvent offrir. Voici comment :

• Génération de texte par page : Au lieu de s'appuyer sur un message pop-up unique et statique, les LLM permettent à LeadYup de générer un texte unique et contextuellement pertinent pour chaque page qu'un utilisateur consulte. Cette personnalisation augmente considérablement l'engagement, car l'offre est directement liée à l'intérêt actuel de l'utilisateur.
• Thompson sampling pour les tests A/B à grande échelle : Les tests A/B traditionnels peuvent être lents et gourmands en ressources, en particulier pour les PME. Notre intégration du Thompson sampling permet une optimisation dynamique et en temps réel des titres et des offres des pop-ups. Le système apprend quelles variations sont les plus performantes et leur alloue plus d'impressions, accélérant la découverte de combinaisons gagnantes sans nécessiter de volumes de trafic massifs. Cela signifie que même les petits sites peuvent bénéficier d'une optimisation sophistiquée.
• Fusion de signaux comportementaux via XGBoost : Alors que les systèmes hérités pourraient utiliser de simples seuils, notre modèle ML ExitSense utilise des algorithmes avancés comme XGBoost pour fusionner les 26 signaux comportementaux. Cela permet au modèle d'identifier des relations complexes et non linéaires entre les signaux, conduisant à une prédiction beaucoup plus précise de l'intention de sortie que ce que de simples règles SI/ALORS pourraient réaliser. Cette fusion sophistiquée garantit que les pop-ups sont affichés au moment précis de l'impact maximal.

Thompson sampling expliqué aux marketeurs : optimisation dynamique

Le Thompson sampling est un puissant algorithme d'optimisation bayésienne qui permet des tests A/B efficaces et une amélioration continue. Pour les marketeurs, cela signifie que vous n'avez pas à attendre une période fixe pour déclarer un gagnant. Au lieu de cela, le système alloue dynamiquement le trafic à différentes variations de pop-ups en fonction de leurs performances observées. Si un titre ou une offre est significativement plus performant, le Thompson sampling lui dirige rapidement plus d'impressions, maximisant les conversions tout en explorant simultanément d'autres options.

Cet équilibre « explorer-exploiter » est crucial. Il garantit que vos pop-ups les plus efficaces sont affichés plus souvent, tout en permettant la découverte d'alternatives encore meilleures. C'est un processus d'apprentissage continu qui offre des résultats supérieurs plus rapidement que les méthodes de test A/B traditionnelles, ce qui le rend idéal pour optimiser tout, des choix de titres au texte des boutons d'appel à l'action au sein de votre générateur de pop-ups.

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.