Comment fonctionne réellement notre modèle ML d'intention de sortie : une critique honnête pour les marketeurs

Les 26 signaux surveillés par notre ML de popup 🕵️

Les popups d'intention de sortie basés sur des règles s'appuient souvent sur un seul signal : la vitesse de la souris se dirigeant vers la barre supérieure du navigateur. Bien qu'efficace jusqu'à un certain point, cette approche ignore une partie significative du comportement de l'utilisateur. Notre modèle ML ExitSense, en revanche, surveille 26 signaux comportementaux distincts, créant un profil beaucoup plus riche de l'intention de l'utilisateur.

Ces signaux incluent la profondeur de défilement, la vitesse de défilement, le temps d'inactivité, les schémas d'accélération et de décélération du curseur, les interactions avec des éléments spécifiques (survol de boutons 'retour', ouverture de nouveaux onglets en arrière-plan), et même les micro-mouvements indiquant la frustration ou la confusion. Le modèle ne cherche pas seulement un signal de 'sortie' ; il prédit la probabilité de désengagement basée sur une interaction complexe de ces facteurs. Cette approche multi-signaux améliore considérablement la précision du timing, un facteur critique pour les taux de conversion.

Ce que nous avons appris de 10 000 impressions de popups

L'analyse des données de plus de 10 000 impressions de popups dans diverses industries a fourni des informations inestimables sur le comportement des utilisateurs et l'efficacité des popups. Un enseignement clé est que le timing 'optimal' pour un popup d'intention de sortie est rarement universel. Ce qui fonctionne pour une page produit e-commerce à forte intention diffère significativement d'un article de blog ou d'une page de tarification SaaS. Le taux de conversion moyen des popups se situe généralement autour de 3,09 %, mais les 10 % supérieurs atteignent 9,28 % ou plus, selon les études fondamentales de Sumo. Cet écart est souvent dû à un ciblage et un timing supérieurs, que notre modèle ML vise à combler.

Nous avons également observé que les popups agressifs et immédiats ont souvent un effet inverse, entraînant des taux de rebond plus élevés et des expériences utilisateur négatives. D'un autre côté, attendre trop longtemps signifie manquer complètement l'opportunité. Le modèle ML ajuste dynamiquement le timing en fonction des données comportementales en temps réel, garantissant que le popup apparaît au 'moment de vérité' de l'utilisateur – juste avant qu'il ne soit sur le point de partir, mais pas si tôt qu'il interrompe son flux. Pour une exploration plus approfondie, lisez comment fonctionne réellement notre modèle ML d'intention de sortie.

Ce que les IA/LLM modernes ajoutent au fonctionnement réel de notre modèle ML d'intention de sortie

Les outils de popup hérités sont largement basés sur des règles, ce qui signifie qu'ils suivent un ensemble de conditions prédéfinies. Les IA et LLM modernes, cependant, introduisent plusieurs capacités transformatrices à la façon dont fonctionne réellement notre modèle ML d'intention de sortie :

1. Génération de texte par page : Au lieu de messages génériques, les LLM permettent à LeadYup de rédiger un texte de popup contextuellement pertinent, par page. Cela signifie qu'un utilisateur sur une page de 'tarification' pourrait voir une offre de réduction, tandis qu'un utilisateur sur une page de 'fonctionnalités' pourrait recevoir une invitation à une démo, le tout adapté par le LLM en fonction du contenu de la page.
2. 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 système utilise le Thompson sampling, une approche bayésienne avancée, pour identifier rapidement les titres et les offres gagnants. Cela permet une optimisation continue sur des milliers de variations sans intervention manuelle, accélérant considérablement les cycles d'apprentissage.
3. Fusion de signaux comportementaux via XGBoost : Notre modèle ML ExitSense utilise des techniques comme XGBoost pour fusionner les 26 signaux comportementaux. Cela lui permet de comprendre des relations complexes et non linéaires entre les signaux, prédisant l'intention de sortie avec une précision bien supérieure aux simples règles 'si-alors'. Il ne s'agit pas seulement de 'la souris se déplace vers le haut' ; il s'agit de 'l'utilisateur a défilé rapidement, s'est arrêté sur un lien concurrent, puis a montré une augmentation des tremblements de la souris' – une prédiction beaucoup plus nuancée.

Le Thompson Sampling expliqué pour les marketeurs

Le Thompson sampling est une technique statistique puissante pour résoudre le 'problème du bandit manchot' – essentiellement, choisir la meilleure option parmi plusieurs alternatives incertaines. En marketing, cela se traduit par l'identification rapide des titres de popup, des offres ou des variations créatives qui fonctionnent le mieux. Contrairement aux tests A/B traditionnels, qui nécessitent souvent une taille d'échantillon prédéterminée et peuvent gaspiller des impressions sur des variantes sous-performantes, le Thompson sampling alloue continuellement plus de trafic aux variations prometteuses.

Cette stratégie 'explorer-exploiter' est très efficace. Elle explore simultanément de nouvelles options tout en exploitant les meilleures, accélérant la convergence vers la solution optimale. Pour les marketeurs, cela signifie des cycles d'optimisation plus rapides et des taux de conversion plus élevés sans la surcharge manuelle. Notre générateur de popups l'exploite pour garantir que vos campagnes apprennent et s'améliorent constamment.

Compromis honnêtes et ce qui ne fonctionne pas toujours

Bien que les modèles ML avancés offrent des avantages significatifs, il est crucial de reconnaître leurs limites. Un piège courant est la 'sur-optimisation', où les modèles deviennent trop sensibles aux fluctuations mineures, entraînant un comportement erratique. Nos modèles sont régulièrement réentraînés et intègrent des garde-fous pour éviter cela. Un autre défi est l'intention de sortie sur mobile. Sur les plus de 1 000 sites utilisant les popups LeadYup, l'intention de sortie sur mobile nécessite généralement un hybride défilement vers le haut + inactivité, car les événements de sortie de souris traditionnels ne se déclenchent pas de manière cohérente. Se fier uniquement aux signaux centrés sur le bureau pour le mobile est une erreur courante qui conduit à une mauvaise expérience utilisateur.

De plus, même le modèle ML le plus sophistiqué ne peut compenser un contenu véritablement inintéressant ou des offres non pertinentes. Un popup, aussi parfaitement chronométré soit-il, échouera si son message ne résonne pas avec l'utilisateur. L'IA optimise la diffusion, mais la proposition de valeur sous-jacente reste primordiale. Pour des informations plus détaillées, consultez comment fonctionne réellement notre modèle ML d'intention de sortie.

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.