Comment fonctionne réellement notre modèle ML d'intention de sortie : une plongée approfondie dans ExitSense de LeadYup
Au-delà de la sortie de souris : pourquoi l'intention de sortie héritée est insuffisante
Pendant des années, la technologie d'intention de sortie s'est principalement concentrée sur la détection du curseur de la souris d'un utilisateur quittant la fenêtre du navigateur. Bien que ce soit un progrès par rapport aux popups chronométrés, cette méthode présente des limitations importantes. Elle est souvent imprécise sur les appareils tactiles, facilement déclenchée par des mouvements accidentels, et ne tient pas compte du comportement de navigation authentique.
Le Nielsen Norman Group a constamment souligné que les popups intrusifs, même ceux d'intention de sortie, peuvent créer des expériences utilisateur négatives s'ils ne sont pas déployés intelligemment. Notre objectif avec ExitSense était de dépasser ces signaux rudimentaires et de construire une compréhension plus nuancée de l'intention de l'utilisateur.
Les 26 signaux surveillés par notre ML de popup
Le modèle ML ExitSense de LeadYup ne se contente pas de surveiller la sortie de la souris de la fenêtre ; il traite une riche tapisserie de 26 signaux comportementaux distincts. Ces signaux vont des interactions de base aux modèles plus complexes qui révèlent le véritable niveau d'engagement d'un utilisateur. Voici quelques exemples :
- Vitesse et direction du mouvement de la souris : Des mouvements rapides et erratiques peuvent indiquer de la frustration ou une tentative de départ.
- Profondeur et vitesse de défilement : Un défilement soudain vers le haut après avoir été profondément sur une page précède souvent une sortie.
- Temps passé sur la page par rapport à la moyenne : Les écarts par rapport aux modèles d'engagement typiques sont essentiels.
- Nombre de clics et d'interactions : Un faible engagement malgré un temps significatif passé sur la page peut signaler un désintérêt.
- Fréquence de changement d'onglet : Un utilisateur qui parcourt les onglets pourrait chercher des alternatives.
- Interaction avec les champs de formulaire : Les formulaires abandonnés sont un indicateur fort d'intention de sortie.
En combinant ces signaux granulaires, le modèle construit un score de probabilité en temps réel du départ imminent d'un utilisateur, permettant un timing précis et efficace des popups. Cette approche multi-signaux est un élément central de comment fonctionne réellement notre modèle ML d'intention de sortie.
Ce que nous avons appris de plus de 10 000 impressions de popups 📊
L'exécution de LeadYup sur des milliers de sites a fourni des données réelles inestimables. Nous avons observé que le taux de conversion moyen pour les popups bien synchronisés et pertinents se situe autour de 3,09 %, un chiffre cohérent avec les résultats d'études comme celle de Sumo en 2016. Cependant, les popups les plus performants, souvent en tirant parti d'un timing et d'une personnalisation avancés, peuvent dépasser 9,28 %.
Une observation clé basée sur l'expérience : 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 la sortie de souris traditionnelle ne se déclenche pas. S'appuyer uniquement sur des déclencheurs centrés sur le bureau pour les audiences mobiles réduit drastiquement l'efficacité. Cette perspicacité a façonné la façon dont notre modèle ML priorise les signaux comportementaux spécifiques aux mobiles.
Nous avons également appris que la pertinence du contenu est primordiale. Même avec un timing parfait, une offre générique sera moins performante qu'une offre hautement personnalisée, ce qui nous amène au rôle de l'IA dans la génération et l'optimisation de contenu.
Ce que les IA/LLM modernes ajoutent à comment fonctionne réellement notre modèle ML d'intention de sortie
L'intégration de l'IA et des grands modèles linguistiques (LLM) transforme comment fonctionne réellement notre modèle ML d'intention de sortie, passant de la simple détection de déclencheurs à un engagement intelligent. Voici ce que les IA/LLM modernes permettent :
- Génération de texte par page : Contrairement aux outils hérités basés sur des règles qui reposent sur des modèles statiques, LeadYup utilise les LLM pour générer un texte de popup unique et contextuellement pertinent pour chaque page spécifique consultée par un utilisateur. Cela signifie que l'offre et le message sont toujours adaptés au contenu, augmentant considérablement la pertinence et le potentiel de conversion.
- 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. Nous employons le Thompson sampling, une technique d'optimisation bayésienne avancée, pour explorer intelligemment différentes accroches et appels à l'action. Cela permet au système d'identifier rapidement les variantes gagnantes et de leur allouer plus de trafic, même avec moins d'impressions, offrant des capacités d'optimisation robustes qui n'étaient auparavant disponibles que pour les grandes entreprises. C'est un composant essentiel de comment fonctionne réellement notre modèle ML d'intention de sortie.
- Fusion de signaux comportementaux via XGBoost : Notre modèle ML ExitSense exploite des algorithmes comme XGBoost pour fusionner les 26 signaux comportementaux. XGBoost est un puissant cadre de boosting de gradient connu pour son efficacité et sa précision dans le traitement de jeux de données complexes. Il ne se contente pas d'examiner les signaux isolément ; il comprend leurs relations complexes et les pondère dynamiquement pour prédire l'intention de sortie avec une grande précision, surpassant de loin ce que de simples règles basées sur des seuils peuvent accomplir.
Le Thompson sampling expliqué aux marketeurs : des tests A/B plus intelligents
Pour les marketeurs, comprendre le Thompson sampling est essentiel pour apprécier la sophistication de l'optimisation moderne des popups. Imaginez que vous avez plusieurs accroches pour votre popup. Au lieu de diviser le trafic de manière égale (tests A/B/C/D) et d'attendre longtemps pour voir laquelle est la plus performante, le Thompson sampling est plus agile.
Il commence par explorer toutes les options, mais commence rapidement à favoriser les variations qui montrent des signes précoces de succès. Au fur et à mesure que de nouvelles données arrivent, il alloue un pourcentage croissant de trafic aux gagnants avérés, tout en donnant aux variantes moins réussies une petite chance de faire leurs preuves (pour éviter de rester bloqué sur un optimum local). Cela signifie que vos campagnes s'optimisent plus rapidement, atteignant des taux de conversion plus élevés plus tôt, et s'adaptent continuellement au comportement de l'utilisateur sans intervention manuelle. C'est une approche pragmatique de l'amélioration continue, garantissant que les messages les plus efficaces sont toujours affichés au nombre maximal de visiteurs, améliorant comment fonctionne réellement notre modèle ML d'intention de sortie.
FAQ
Prêt à voir la différence que peuvent faire des popups intelligents, alimentés par l'IA ? Essayez LeadYup gratuitement pendant 14 jours et découvrez l'avenir de la conversion.
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.