Comment fonctionne réellement notre modèle ML d'intention de sortie : une critique honnête de LeadYup

Au-delà du 'mouse-out' : Les 26 signaux surveillés par notre ML de pop-up

Lorsque la plupart des marketeurs pensent à l'« intention de sortie », ils imaginent un curseur de souris quittant la fenêtre du navigateur. Bien que ce signal soit fondamental, il n'est que l'un des 26 signaux que notre modèle ML LeadYup, baptisé ExitSense, surveille en temps réel. Ces signaux couvrent l'ensemble de la session d'un utilisateur, des schémas de navigation et de la profondeur de défilement au temps d'inactivité et même aux interactions spécifiques au clavier.

Par exemple, un défilement rapide et soudain vers le haut suivi d'une hésitation du curseur près de la barre supérieure du navigateur est un indicateur fort d'intention de sortie. Inversement, un défilement profond combiné à un long temps d'arrêt sur un bloc de contenu spécifique suggère un engagement élevé, rendant une sortie immédiate peu probable. Notre modèle pondère continuellement ces facteurs, apprenant quelles combinaisons précèdent le plus souvent un rebond pour des types de pages et des segments d'utilisateurs spécifiques. Cette approche granulaire va bien au-delà des simples règles de seuil, permettant une intervention beaucoup plus nuancée et efficace.

Ce que nous avons appris de 10 000 impressions de pop-ups (et ce n'est pas fini) 📈

L'analyse des données de dizaines de milliers d'impressions de pop-ups a fourni des informations précieuses sur le comportement des utilisateurs et l'efficacité des pop-ups. Un enseignement clé est que le taux de conversion « moyen » des pop-ups de 3,09 % (selon l'étude Sumo de 2016) est largement hors de propos pour les campagnes véritablement optimisées. Nos 10 % de pop-ups les plus performantes atteignent systématiquement des taux de conversion supérieurs à 9,28 % en s'intégrant profondément au contexte utilisateur.

Nous avons également observé que le timing est primordial. Une pop-up affichée trop tôt agace souvent, tandis qu'une affichée trop tard manque l'opportunité. Le modèle ExitSense ajuste dynamiquement le timing en fonction du comportement en temps réel, ce qui entraîne des taux d'engagement significativement plus élevés que les minuteurs statiques ou les simples déclencheurs de 'mouse-out'. Ce timing basé sur les données est un différenciateur majeur, prouvant qu'une diffusion intelligente l'emporte sur la simple présence.

Sur les plus de 1 000 sites utilisant les pop-ups LeadYup, l'intention de sortie sur mobile nécessite généralement un hybride défilement vers le haut + inactivité car le 'mouse-out' ne se déclenche pas. Cette distinction comportementale est directement intégrée à nos modèles spécifiques au mobile, empêchant les pop-ups non pertinentes et améliorant l'expérience utilisateur. Pour une analyse plus approfondie de notre méthodologie, consultez comment fonctionne réellement notre modèle ML d'intention de sortie.

L'échantillonnage de Thompson expliqué aux marketeurs : au-delà de l'A/B testing

Les tests A/B traditionnels sont efficaces mais peuvent être lents et inefficaces, surtout pour optimiser plusieurs variables. C'est là qu'intervient l'échantillonnage de Thompson. Au lieu de répartir le trafic de manière égale et d'attendre une signification statistique, l'échantillonnage de Thompson est un algorithme d'optimisation bayésien qui alloue de manière adaptative plus de trafic aux variations qui performent mieux, plus tôt.

Pour les marketeurs, cela signifie une identification plus rapide des titres, offres ou éléments créatifs gagnants au sein de vos pop-ups. Il apprend et explore continuellement, minimisant le « regret » d'afficher des variations sous-performantes. Contrairement à un test A/B statique qui pourrait durer des semaines, l'échantillonnage de Thompson peut converger vers une solution optimale en quelques jours, particulièrement précieux lors du test de plusieurs options de texte dynamique générées par notre modèle linguistique. Cette méthode accélère considérablement le cycle d'optimisation, garantissant que vous présentez toujours le message le plus efficace à votre audience.

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

L'intégration de l'IA moderne, en particulier des grands modèles linguistiques (LLM) et des techniques ML avancées comme XGBoost, marque un départ significatif par rapport aux outils de pop-ups basés sur des règles héritées. Voici ce qu'ils apportent :

1. Génération de texte par page : Au lieu de messages génériques, les LLM permettent à LeadYup de rédiger des textes de pop-ups pertinents et contextuels par page. Le modèle linguistique analyse le contenu de la page et les signaux d'intention de l'utilisateur pour créer des titres et des appels à l'action personnalisés, augmentant considérablement la pertinence et les taux de conversion.
2. Tests A/B adaptatifs à grande échelle : Comme mentionné, l'échantillonnage de Thompson permet une optimisation continue et dynamique de plusieurs éléments de pop-ups (titres, offres, images) à travers des milliers de tests simultanés, un exploit impossible avec les tests A/B manuels. Cela démocratise le CRO sophistiqué pour les PME et les agences.
3. Fusion des signaux comportementaux : XGBoost, un puissant framework de boosting de gradient, est au cœur de notre modèle ExitSense. Il fusionne efficacement les 26 signaux comportementaux divers, identifiant des relations complexes et non linéaires que les moteurs de règles traditionnels ou les modèles de régression plus simples manqueraient. Ce traitement sophistiqué des signaux est essentiel pour une prédiction précise de la sortie, offrant un avantage critique dans la compréhension de l'intention de l'utilisateur. Pour un aperçu technique plus détaillé, consultez comment fonctionne réellement notre modèle ML d'intention de sortie.

La vérité honnête : là où notre ML rencontre encore des défis

Bien que notre modèle ML soit incroyablement efficace, ce n'est pas une solution miracle. Un défi consiste à prédire avec précision l'intention lors de visites de pages extrêmement courtes, où l'utilisateur rebondit presque immédiatement. Dans ces cas, le modèle a moins de signaux à traiter, ce qui rend un timing précis difficile.

Un autre domaine d'amélioration continue est la distinction entre une véritable intention de sortie et un utilisateur naviguant simplement vers une autre page interne. Notre modèle est bon à cela, mais de faux positifs peuvent toujours se produire. C'est pourquoi nous entraînons et ré-entraînons continuellement ExitSense avec de nouvelles données, en veillant à ce qu'il évolue avec les schémas de comportement des utilisateurs. Il n'y a pas de « configurez-le et oubliez-le » avec le ML avancé, en particulier dans le monde dynamique de l'analyse web et d'un créateur de pop-ups.

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.