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

Les Fondations : Qu'est-ce que l'intention de sortie et pourquoi est-ce important ?

La technologie d'intention de sortie vise à détecter quand un utilisateur est sur le point de quitter un site web, en présentant une dernière offre ou un message pour le retenir. Il ne s'agit pas seulement d'une gêne ; des pop-ups d'intention de sortie bien synchronisées peuvent augmenter considérablement les taux de conversion. Des études, comme la recherche de Sumo en 2016, ont montré que le pop-up moyen convertit à 3,09 %, les meilleurs atteignant plus de 9,28 %.

Le 'pourquoi' est simple : les visiteurs qui sont sur le point de partir sont souvent toujours engagés mais n'ont pas trouvé ce dont ils ont besoin ou hésitent. Une offre pertinente et opportune peut les réengager, transformant un rebond potentiel en un lead ou une vente. Le défi consiste à prédire avec précision ce moment 'sur le point de partir' sans être intrusif.

Les 26 signaux que notre ML de pop-up surveille : au-delà du mouvement de souris hors de la fenêtre

L'intention de sortie traditionnelle repose souvent uniquement sur les événements de sortie de souris – lorsque le curseur d'un utilisateur quitte la fenêtre du navigateur. Bien qu'il s'agisse d'un signal fondamental, il est loin d'être suffisant pour une prédiction nuancée. Notre modèle ML ExitSense traite 26 signaux comportementaux distincts pour construire une image complète de l'intention de l'utilisateur. Ces signaux incluent, sans s'y limiter :

• Modèles de mouvement de la souris : Vitesse, direction et proximité du bouton de retour ou des onglets du navigateur.
• Profondeur et vitesse de défilement : Un défilement rapide vers le haut, ou un arrêt soudain du défilement, peut indiquer un désengagement.
• Temps passé sur la page/le site : Des temps plus longs peuvent signifier un engagement plus profond, mais aussi une frustration potentielle si aucune conversion ne se produit.
• Interaction avec les formulaires : Champs de formulaire abandonnés ou corrections répétées.
• Changement d'onglet : Des changements fréquents vers d'autres onglets suggèrent une distraction ou une comparaison de produits.
• Durée d'inactivité : Une période sans interaction peut signaler qu'un utilisateur s'éloigne ou perd son intérêt.
• Pages vues par session : Un faible nombre de pages vues combiné à d'autres signaux peut indiquer une sortie rapide.
• Source de référence : Les utilisateurs provenant de certaines sources peuvent avoir des comportements de sortie différents.
• Type d'appareil : Les utilisateurs mobiles présentent des schémas d'interaction différents de ceux des utilisateurs de bureau.

Sur les plus de 1 000 sites utilisant les pop-ups LeadYup, nous avons observé que l'intention de sortie sur mobile nécessite généralement un hybride de défilement vers le haut + inactivité, car l'événement 'mouse-out' ne se déclenche pas. Cela souligne l'importance de l'analyse multi-signaux pour un ciblage mobile précis.

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

Les outils de pop-up basés sur des règles héritées fonctionnent sur des déclencheurs prédéfinis : 'afficher le pop-up après 30 secondes' ou 'lorsque la souris quitte la fenêtre'. Bien que fonctionnels, ils manquent d'adaptabilité. Les IA modernes et les grands modèles de langage (LLM) changent fondamentalement comment fonctionne réellement notre modèle ML d'intention de sortie en introduisant une intelligence dynamique et basée sur les données.

• Génération de texte par page : Au lieu de messages génériques, les LLM peuvent générer un texte de pop-up très pertinent et contextuel basé sur le contenu de la page que l'utilisateur consulte. Cette personnalisation augmente considérablement l'engagement, comme le notent les recherches du ConversionXL Institute sur la pertinence des messages.
• Échantillonnage de Thompson pour l'optimisation des titres : Les tests A/B traditionnels peuvent être lents et inefficaces, en particulier pour les PME. L'échantillonnage de Thompson, une approche bayésienne, alloue dynamiquement plus de trafic aux variations les plus performantes plus rapidement, permettant une optimisation rapide des titres et des offres sans intervention manuelle. Cela signifie que vos pop-ups apprennent et s'améliorent constamment.
• Fusion des signaux comportementaux via XGBoost : Notre modèle ML ExitSense utilise des algorithmes avancés comme XGBoost pour fusionner les 26 signaux comportementaux. Contrairement aux règles simples 'si-alors', XGBoost peut identifier des relations complexes et non linéaires entre les signaux, prédisant l'intention de sortie avec une précision bien plus grande. Cela permet un timing précis, garantissant que le pop-up apparaît au moment optimal, ni trop tôt pour agacer, ni trop tard pour manquer l'opportunité. C'est un élément central de comment fonctionne réellement notre modèle ML d'intention de sortie.

L'échantillonnage de Thompson expliqué aux marketeurs : des tests A/B plus intelligents

Vous avez probablement entendu parler des tests A/B, où vous divisez le trafic 50/50 entre deux variations pour voir laquelle est la plus performante. Bien qu'efficace, cela peut être lent et expose une partie significative de votre audience à l'option potentiellement moins performante pendant une période prolongée. C'est là que l'échantillonnage de Thompson excelle, en particulier pour optimiser des éléments comme les titres de pop-up.

L'échantillonnage de Thompson est un algorithme de bandit manchot qui ajuste dynamiquement la distribution du trafic en fonction des performances en temps réel. Il commence par explorer différentes variations (par exemple, les titres de pop-up) mais commence rapidement à exploiter les variations qui montrent des promesses précoces. Cela signifie qu'un plus grand nombre de vos visiteurs voient le titre gagnant plus tôt, maximisant les conversions tout au long de la période de test. C'est un moyen plus efficace d'apprendre et de s'adapter, garantissant que comment fonctionne réellement notre modèle ML d'intention de sortie utilise toujours les éléments les plus performants.

Ce que nous avons appris de 10 000 impressions de pop-ups (et au-delà)

L'analyse des données de dizaines de milliers d'impressions de pop-ups dans diverses industries a fourni des informations inestimables sur ce qui fonctionne et ce qui ne fonctionne pas. Un enseignement clé est que la pertinence l'emporte sur tout. Un pop-up générique 'Inscrivez-vous à notre newsletter', même parfaitement synchronisé, sera moins performant qu'une offre contextuelle, comme 'Obtenez 15 % de réduction sur votre première commande de [catégorie de produit]'.

« Les pop-ups les plus efficaces ne sont pas seulement une question de timing ; il s'agit de délivrer le bon message à la bonne personne au bon moment. » – Observation de l'équipe LeadYup

Nous avons également constaté qu'une dépendance excessive à un seul signal, comme le simple mouvement de souris hors de la fenêtre, entraîne une mauvaise expérience utilisateur et des conversions plus faibles. Les 26 signaux sont cruciaux pour la précision. De plus, bien que les pop-ups agressifs puissent parfois générer des taux de conversion initiaux élevés, ils entraînent souvent des taux de rebond plus élevés et une perception négative de la marque à long terme. Une approche équilibrée, qui privilégie l'expérience utilisateur parallèlement aux objectifs de conversion, est systématiquement plus durable et efficace. C'est pourquoi notre créateur de pop-ups met l'accent sur un timing intelligent.

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.