Comment fonctionne réellement notre modèle ML d'intention de sortie : un guide pratique pour 2026

Au-delà des bases : Qu'est-ce que l'intention de sortie et pourquoi est-ce important ?

À la base, la technologie d'intention de sortie vise à identifier quand un visiteur est sur le point de quitter votre site web et à lui présenter une dernière offre ou un message. Il ne s'agit pas seulement d'afficher un popup à chaque utilisateur partant ; il s'agit d'une intervention intelligente. Nos recherches, cohérentes avec des découvertes plus larges de l'industrie comme l'étude Sumo 2018, montrent que des popups d'intention de sortie bien exécutés peuvent convertir en moyenne 3,09 % des visiteurs abandonnant, les meilleurs performeurs dépassant 9,28 %. Cela représente une opportunité significative de récupérer des leads et des ventes qui seraient autrement perdus.

Le défi, cependant, réside dans la prédiction précise de cette 'intention'. Les systèmes basés sur des règles héritées s'appuient souvent sur de simples événements de sortie de souris, qui sont notoirement peu fiables et peuvent entraîner des expériences utilisateur frustrantes. C'est là que l'apprentissage automatique brille, allant au-delà des simples déclencheurs pour comprendre des modèles comportementaux complexes. Pour une plongée technique plus détaillée, consultez comment fonctionne réellement notre modèle ML d'intention de sortie.

Les 26 signaux surveillés par le ML de nos popups : une analyse comportementale approfondie

Le modèle ExitSense ML de LeadYup ne se contente pas de détecter la sortie de la souris de la fenêtre du navigateur. Au lieu de cela, il surveille en permanence 26 signaux comportementaux distincts. Ces signaux sont introduits dans un modèle de classification sophistiqué, qui apprend à distinguer la navigation occasionnelle de l'intention de sortie réelle. Voici quelques exemples :

• Vitesse et trajectoire de la souris : Un mouvement rapide et linéaire de la souris indique souvent une tentative d'atteindre le bouton 'retour' du navigateur ou de fermer un onglet.
• Profondeur et vitesse de défilement : Un défilement rapide vers le haut de la page ou un départ rapide du bas de la page suggère que l'utilisateur a perdu tout intérêt pour le contenu.
• Temps passé sur la page et inactivité : Un temps de séjour prolongé suivi d'une inactivité soudaine signifie que l'utilisateur est susceptible de changer d'onglet ou de quitter le site.
• Interaction avec les formulaires et focus sur les champs : L'abandon d'un formulaire en cours de remplissage ou le fait de quitter un champ de saisie spécifique sont également des signaux importants.
• Comportement de changement d'onglet : La détection du passage de l'utilisateur à d'autres onglets du navigateur peut indiquer une forte probabilité de départ.

Chacun de ces signaux, faible individuellement, devient puissant lorsqu'il est combiné et pondéré par notre modèle d'apprentissage automatique. Cette approche multifacette réduit considérablement les faux positifs, garantissant que les popups ne sont affichés que lorsqu'ils sont les plus susceptibles d'être efficaces et les moins intrusifs.

Ce que nous avons appris de plus de 10 000 impressions de popups : performances réelles

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. Une observation cruciale est que l'intention de sortie sur mobile nécessite une approche fondamentalement différente. 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 la souris ne se déclenche pas. S'appuyer uniquement sur des déclencheurs centrés sur le bureau pour le trafic mobile réduit drastiquement les taux de conversion et augmente la frustration des utilisateurs.

Nous avons également observé des schémas clairs concernant le contenu. Les offres génériques sont peu performantes. Les messages spécifiques, axés sur la valeur, générés dynamiquement pour le contenu de la page, surpassent systématiquement les autres. Par exemple, un site e-commerce proposant un popup '10 % de réduction sur votre premier achat' convertit mieux si ce popup mentionne également une catégorie de produits que l'utilisateur venait de consulter. Cette pertinence contextuelle est un résultat direct de notre génération de contenu alimentée par l'IA.

L'échantillonnage de Thompson expliqué aux marketeurs : un A/B testing plus intelligent

Au-delà du simple timing, le contenu et le design de votre popup sont cruciaux. Les tests A/B traditionnels nécessitent souvent un trafic important pour atteindre une signification statistique, ce qui signifie que de nombreuses impressions sont « gaspillées » sur des variations sous-optimales. C'est là qu'intervient l'échantillonnage de Thompson.

L'échantillonnage de Thompson est un algorithme d'optimisation bayésien qui alloue intelligemment le trafic à différentes variations (par exemple, titres, offres). Au lieu d'attendre un gagnant clair, il apprend continuellement quelle variation est la plus performante et envoie progressivement plus de trafic à cette variation, tout en explorant des options moins éprouvées. Cette stratégie « exploiter et explorer » signifie que vous maximisez toujours les conversions sans avoir besoin d'arrêter manuellement les tests. Pour les PME et les fondateurs de SaaS indépendants avec moins de trafic, c'est un véritable changement de donne, leur permettant d'optimiser le contenu de leur générateur de popups beaucoup plus rapidement et efficacement que les méthodes traditionnelles. Pour un aperçu honnête de notre système, lisez-en plus sur comment fonctionne réellement notre modèle ML d'intention de sortie.

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

L'intégration de l'IA moderne et des grands modèles linguistiques (LLM) transforme fondamentalement comment fonctionne réellement notre modèle ML d'intention de sortie par rapport aux systèmes basés sur des règles héritées. Premièrement, LeadYup exploite les LLM pour la génération de texte par page. Au lieu de messages popup statiques et universels, notre système analyse le contenu de la page spécifique qu'un utilisateur consulte et génère des titres et des corps de texte contextuellement pertinents. Cela augmente considérablement l'engagement car l'offre semble adaptée à l'intérêt immédiat de l'utilisateur.

Deuxièmement, comme mentionné, notre implémentation de l'échantillonnage de Thompson permet un test A/B efficace à grande échelle, même pour les sites web avec un trafic modéré. Cela contraste avec les systèmes traditionnels basés sur des règles qui offrent des tests A/B basiques ou aucun, laissant les marketeurs deviner le message optimal. Enfin, la fusion des 26 signaux comportementaux via un modèle ML avancé (comme XGBoost, un framework de boosting de gradient) permet une compréhension nuancée de l'intention de sortie que de simples règles si-alors ne peuvent pas reproduire. Cette approche d'apprentissage automatique prédit l'intention avec une plus grande précision, conduisant à des popups mieux synchronisés et plus efficaces, impactant directement les taux de conversion plutôt que d'agacer les utilisateurs.

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.