Comment fonctionne réellement notre modèle ML d'intention de sortie : une analyse technique approfondie pour les marketeurs

Au-delà du mouvement de souris : les 26 signaux surveillés par notre ML

Lorsque nous parlons d'intention de sortie, la plupart des marketeurs pensent encore à un utilisateur déplaçant son curseur de souris en dehors de la fenêtre du navigateur. Bien que ce soit un signal, ce n'est qu'un parmi tant d'autres. Le modèle ML ExitSense de notre créateur de popups surveille activement 26 signaux comportementaux distincts pour prédire avec précision l'intention d'un utilisateur de quitter.

Ces signaux vont de la vitesse et de la direction du défilement, du temps passé sur des éléments de page spécifiques, des changements d'onglets et même des habitudes de frappe. Par exemple, un utilisateur qui fait défiler rapidement vers le haut après une période d'inactivité pourrait indiquer qu'il recherche le bouton 'retour' ou qu'il envisage de fermer l'onglet. Nous avons observé que 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 le mouvement de souris ne se déclenche pas, ce qui nécessite une approche plus nuancée.

Ignorer ces signaux plus profonds peut conduire à des popups mal synchronisés qui agacent les utilisateurs plutôt que de les engager. Les systèmes traditionnels basés sur des règles manquent souvent ces signaux subtils, ce qui entraîne une expérience utilisateur sous-optimale et des taux de conversion plus faibles.

L'échantillonnage de Thompson expliqué aux marketeurs : optimiser la performance des titres

Un élément essentiel d'un popup très performant n'est pas seulement le moment où il s'affiche, mais aussi ce qu'il dit. Notre plateforme ne se fie pas à des suppositions pour les titres ; elle utilise l'échantillonnage de Thompson pour les optimiser dynamiquement. Contrairement aux tests A/B traditionnels, qui nécessitent souvent un trafic et un temps importants pour atteindre une signification statistique, l'échantillonnage de Thompson est un algorithme 'explorer-exploiter'.

Il apprend en permanence quels titres sont les plus performants et leur alloue plus d'impressions, tout en explorant des options moins éprouvées pour s'assurer que vous ne manquez pas un potentiel meilleur performeur. Cela signifie que même les petits sites e-commerce ou les fondateurs de SaaS indépendants peuvent bénéficier d'une optimisation sophistiquée, identifiant rapidement les variations gagnantes pour leur public spécifique. Ce que nous avons appris de 10 000 impressions de popups, c'est que même des ajustements mineurs de titres, comme changer un mot, peuvent avoir un impact significatif sur les taux de conversion.

Cette approche adaptative contribue à atteindre les taux de conversion élevés observés dans les popups les plus performants, que l'étude de Sumo de 2018 a révélé pouvoir dépasser 9,28 %, bien au-dessus de la moyenne de 3,09 %.

Ce que l'IA moderne ajoute à comment fonctionne réellement notre modèle ML d'intention de sortie

La différence fondamentale entre l'approche de LeadYup et les outils de popup hérités réside dans son intégration profonde de l'IA et de l'apprentissage automatique. Voici comment fonctionne réellement notre modèle ML d'intention de sortie différemment grâce à l'IA :

• Génération de texte par page : Au lieu d'un texte statique et universel, notre plateforme utilise des LLM pour générer un texte de popup très pertinent, par page. Cela garantit que le message résonne directement avec le contenu que l'utilisateur consulte actuellement, augmentant considérablement l'engagement.
• Fusion dynamique des signaux comportementaux : Alors que les outils hérités s'appuient sur quelques règles prédéfinies, notre modèle ML ExitSense utilise des algorithmes comme XGBoost pour fusionner les 26 signaux comportementaux en temps réel. Cela permet d'identifier des relations complexes et non linéaires entre les signaux, ce qui conduit à des prédictions de sortie beaucoup plus précises.
• Tests A/B adaptatifs à grande échelle (échantillonnage de Thompson) : Comme mentionné, l'échantillonnage de Thompson permet même aux PME de bénéficier d'une optimisation continue sans les obstacles de trafic typiques des méthodes traditionnelles. C'est une approche basée sur l'IA pour garantir que chaque impression contribue à un objectif de conversion plus élevé.

Ces capacités basées sur l'IA vont au-delà des simples règles 'si-alors', offrant un système prédictif et adaptatif qui apprend et améliore constamment les performances.

Compromis honnêtes : ce qui fonctionne et ce qui ne fonctionne pas

Bien que le ML avancé augmente considérablement l'efficacité des popups, il est important d'être honnête sur ce qui fonctionne et ce qui ne fonctionne pas. Les popups très agressifs et immédiats qui se déclenchent au chargement de la page sans aucun contexte comportemental sous-performent constamment et peuvent avoir un impact négatif sur l'expérience utilisateur, comme l'a souligné la recherche UX du Nielsen Norman Group.

Inversement, les popups trop subtils qui sont difficiles à repérer ou qui se fondent trop dans le contenu de la page ne parviennent pas non plus à convertir. Le point idéal, que notre ML vise, est un équilibre entre visibilité et pertinence, chronométré précisément lorsqu'un utilisateur envisage manifestement de partir mais avant qu'il ne soit parti. Nous avons également constaté qu'une proposition de valeur forte et claire est non négociable. Même le ML le plus intelligent ne peut pas sauver une offre faible.

Un autre piège courant est d'ignorer la réactivité mobile. Les popups qui ne sont pas optimisés pour les petits écrans sont frustrants et inefficaces. Les benchmarks de l'industrie de Wisepops montrent constamment que l'optimisation mobile est cruciale pour maintenir les taux de conversion sur tous les appareils.

L'avenir : apprentissage continu et personnalisation améliorée

Le développement de comment fonctionne réellement notre modèle ML d'intention de sortie est un processus continu. Nous affinons continuellement le modèle ExitSense, explorons de nouveaux signaux comportementaux et améliorons les capacités prédictives. Les futures itérations se concentreront sur une personnalisation encore plus poussée, potentiellement en s'intégrant aux données CRM pour adapter les offres en fonction des interactions clients passées ou de l'historique d'achat.

L'objectif est d'évoluer vers une expérience de popup véritablement conversationnelle et contextuelle, où l'interaction ressemble moins à une interruption et plus à une assistance utile. Cela implique non seulement de prédire l'intention de sortie, mais aussi de comprendre le besoin immédiat ou l'objection potentielle de l'utilisateur, et d'y répondre de manière proactive.

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.