Comment fonctionne réellement notre modèle ML d'exit-intent : une checklist tactique pour les marketeurs

Au-delà de la sortie de souris : les 26 signaux surveillés par notre ML

Les solutions d'exit-intent traditionnelles reposent souvent uniquement sur le fait que le curseur de la souris d'un utilisateur quitte la fenêtre d'affichage. Bien que ce soit un signal fondamental, ce n'est pas l'image complète. Notre modèle ML, baptisé ExitSense, surveille 26 signaux comportementaux distincts en temps réel pour prédire l'intention de départ d'un utilisateur. Ces signaux vont des interactions de base comme la vitesse et la direction du défilement à des indicateurs plus nuancés tels que le changement d'onglet, le temps d'inactivité et même des raccourcis clavier spécifiques. Par exemple, un défilement rapide vers le haut combiné à une pause soudaine signale souvent qu'un utilisateur reconsidère son départ, offrant un moment privilégié pour une intervention.

Nous avons observé que sur les plus de 1 000 sites utilisant les pop-ups LeadYup, l'exit-intent sur mobile nécessite généralement une combinaison de défilement vers le haut et d'inactivité, car la sortie de souris ne se déclenche pas. Cela souligne la nécessité d'une approche multi-signaux, surtout avec la dominance croissante du trafic mobile. Se fier à un seul signal, comme une simple sortie de souris, peut entraîner soit des opportunités manquées, soit, pire encore, des pop-ups intrusifs qui agacent les utilisateurs et nuisent aux taux de conversion. Les recherches UX du Nielsen Norman Group montrent constamment que les interruptions mal synchronisées sont une source majeure de frustration pour les utilisateurs.

L'échantillonnage de Thompson expliqué aux marketeurs : optimisation dynamique des titres

Une fois que notre modèle ML ExitSense détermine le moment optimal pour afficher une pop-up, le défi suivant est de présenter le message le plus efficace. C'est là qu'intervient l'échantillonnage de Thompson, offrant une alternative plus efficace aux tests A/B traditionnels, en particulier pour les PME et les fondateurs indépendants ayant moins de trafic. Au lieu de répartir le trafic de manière égale et d'attendre une signification statistique, l'échantillonnage de Thompson alloue dynamiquement plus d'impressions aux variations (par exemple, titres, offres) qui fonctionnent le mieux, tout en explorant des options moins performantes pour s'assurer qu'aucune meilleure alternative n'est négligée.

Ce que nous avons appris de 10 000 impressions de pop-ups, c'est que même de petites variations dans le texte du titre peuvent avoir un impact considérable sur les taux de conversion. L'échantillonnage de Thompson nous permet d'identifier rapidement les titres gagnants pour des pages et des segments d'utilisateurs spécifiques sans gaspiller de précieuses impressions sur des options sous-performantes. Ce processus d'apprentissage itératif affine continuellement l'efficacité de la pop-up, garantissant que le bon message est délivré au bon moment. Cette approche est particulièrement puissante lorsqu'elle est combinée à la génération de contenu par page, car elle permet une messagerie très pertinente et optimisée.

Ce que les IA/LLM modernes ajoutent à la façon dont fonctionne réellement notre modèle ML d'exit-intent

L'intégration de l'IA moderne et des grands modèles linguistiques (LLM) élève considérablement les capacités de notre solution d'exit-intent au-delà de ce que les outils traditionnels basés sur des règles peuvent offrir. Premièrement, les LLM permettent la génération de contenu par page. Au lieu de créer manuellement des messages pop-up pour chaque page, notre système peut analyser le contenu de la page et générer un contenu très pertinent et persuasif à la volée. Cela garantit une précision contextuelle et réduit l'effort manuel pour les marketeurs, rendant possible d'avoir des pop-ups uniques et optimisées sur des centaines ou des milliers de pages.

Deuxièmement, la fusion des signaux comportementaux via des modèles ML avancés comme XGBoost permet une compréhension beaucoup plus nuancée de l'intention de l'utilisateur. Alors que les outils traditionnels pourraient se déclencher lorsque la « souris quitte la fenêtre d'affichage », notre système traite les 26 signaux pour construire un modèle prédictif de la probabilité de sortie. Cela permet un timing précis, minimisant les désagréments et maximisant la conversion. Enfin, l'optimisation dynamique offerte par l'échantillonnage de Thompson, alimentée par un feedback ML continu, signifie que notre générateur de pop-ups apprend et s'améliore constamment. C'est un contraste frappant avec les tests A/B statiques qui nécessitent une intervention manuelle et s'exécutent souvent pendant de longues périodes, retardant l'optimisation.

L'impact sur la conversion : des résultats basés sur les données

L'objectif ultime de comprendre comment fonctionne réellement notre modèle ML d'exit-intent est de générer des améliorations tangibles du taux de conversion. Les références de l'industrie, telles que l'étude de Sumo de 2016, indiquent un taux de conversion moyen des pop-ups de 3,09 %, les 10 % supérieurs atteignant 9,28 % ou plus. Notre approche multi-signaux, pilotée par l'IA, vise à pousser constamment les utilisateurs vers ce niveau supérieur.

Nous avons constaté qu'en chronométrant précisément les pop-ups et en optimisant dynamiquement leur contenu, les taux de conversion peuvent connaître des augmentations significatives. Par exemple, une pop-up générique « inscrivez-vous à notre newsletter » pourrait fonctionner correctement, mais une offre contextuellement pertinente, chronométrée parfaitement lorsqu'un utilisateur est sur le point d'abandonner son panier, peut donner des résultats considérablement meilleurs. La capacité de personnaliser le message et la diffusion en fonction de signaux comportementaux en temps réel est le principal facteur de différenciation. Il ne s'agit pas seulement d'afficher une pop-up ; il s'agit d'afficher la bonne pop-up au bon moment avec le bon message.

Checklist tactique pour tirer parti de l'exit-intent par IA

• Comprenez le parcours de votre utilisateur : Avant la mise en œuvre, cartographiez les parcours utilisateurs typiques sur votre site. Quels sont les points de sortie courants ? Quelle valeur pouvez-vous offrir à ces moments-là ?
• Segmentez vos offres : N'utilisez pas une approche unique. Utilisez la capacité de l'IA à générer du contenu par page pour adapter les offres. Un lecteur de blog pourrait obtenir une mise à niveau de contenu, tandis qu'un visiteur de page produit obtiendrait une réduction.
• Faites confiance à l'échantillonnage de Thompson : Laissez le système explorer et exploiter. Résistez à l'envie d'intervenir trop manuellement, surtout au début. L'algorithme trouvera les gagnants.
• Surveillez les métriques clés : Au-delà du taux de conversion, suivez le taux de rebond, le temps passé sur la page et les retours des utilisateurs. Un taux de conversion élevé sur une pop-up n'est pas bon si cela fait fuir les utilisateurs qui se seraient convertis organiquement.
• Testez A/B votre IA : Bien que l'IA optimise en interne, opposez occasionnellement une pop-up entièrement pilotée par l'IA à une pop-up optimisée manuellement et basée sur des règles pour valider les performances. Cela vous aide à comprendre comment fonctionne réellement notre modèle ML d'exit-intent par rapport aux méthodes traditionnelles.
• Itérez et affinez : La beauté du ML est l'apprentissage continu. Examinez régulièrement les données de performance et recherchez des modèles. Certains signaux sont-ils plus prédictifs pour votre audience ?

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.