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

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

By LeadYup Editorial · Product & growth team · Published · 4 min read
Comprendre comment fonctionne réellement notre modèle ML d'intention de sortie peut démystifier l'optimisation de la conversion des popups. Cette checklist tactique décompose les composants essentiels, offrant des aperçus sur l'apprentissage automatique derrière des popups parfaitement synchronisés. Nous explorerons les signaux comportementaux, le rôle des modèles linguistiques dans la copie dynamique et les méthodes statistiques qui produisent des variations gagnantes.

La Fondation : Plus qu'un simple mouvement de souris

Historiquement, les popups d'intention de sortie se déclenchaient principalement lorsque le curseur de la souris d'un utilisateur quittait la fenêtre du navigateur. Bien qu'efficace pour les ordinateurs de bureau, cette approche basée sur des règles ignore des nuances critiques et échoue sur mobile. L'approche de LeadYup pour déterminer quand déclencher un popup d'intention de sortie qui convertit réellement commence par une base robuste et multi-signaux.

Notre modèle ML analyse en permanence le comportement de l'utilisateur sur une page donnée, allant au-delà des simples mouvements de curseur. Par exemple, 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 hors de la fenêtre ne se déclenche pas. Cette observation du monde réel met en évidence les limites des règles statiques et la nécessité d'un apprentissage automatique adaptatif.

Les 26 signaux que notre ML de popup surveille 👀

Lorsque nous parlons de comment fonctionne réellement notre modèle ML d'intention de sortie, il est crucial de comprendre l'étendue des points de données qu'il consomme. Notre modèle ML propriétaire ExitSense observe 26 signaux comportementaux distincts en temps réel. Il ne s'agit pas seulement d'interactions superficielles ; ils englobent un mélange d'actions explicites et d'états implicites de l'utilisateur.

Par exemple, un utilisateur qui a fait défiler 90 % d'une longue page de vente, s'est arrêté pendant 30 secondes, puis a rapidement fait défiler vers le haut, présente un signal d'intention très différent de quelqu'un qui vient d'arriver et a immédiatement navigué vers le bouton de retour du navigateur. Les 26 signaux incluent :

Chaque signal contribue une entrée pondérée à notre modèle, lui permettant de prédire l'intention de sortie avec une précision significativement plus élevée que les systèmes basés sur des règles. Cette analyse granulaire est essentielle pour améliorer les taux de conversion, qui sont en moyenne de 3,09 % pour les popups selon l'étude de Sumo de 2016, les meilleurs atteignant plus de 9,28 %.

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

L'intégration de l'IA avancée et des grands modèles linguistiques (LLM) modifie fondamentalement comment fonctionne réellement notre modèle ML d'intention de sortie par rapport aux meilleurs outils de création de popups 2026 traditionnels. Les systèmes basés sur des règles sont statiques ; ils ne s'adaptent pas. LeadYup exploite l'IA de plusieurs manières transformatrices :

  1. Génération de copie par page : Nos LLM analysent le contenu de la page spécifique sur laquelle se trouve un utilisateur (par exemple, description de produit, article de blog, page de catégorie). Ils génèrent ensuite une copie de popup et des offres contextuellement pertinentes et convaincantes qui correspondent à l'intérêt immédiat de l'utilisateur, plutôt que de s'appuyer sur des messages génériques et statiques. Cette personnalisation stimule considérablement l'engagement.
  2. Thompson Sampling pour les tests A/B dynamiques : Au lieu des tests A/B/n traditionnels qui nécessitent un trafic important pour atteindre une signification statistique pour chaque variante, nous utilisons le Thompson sampling. Cette approche bayésienne alloue dynamiquement plus de trafic aux variations gagnantes plus rapidement, même avec des nombres d'impressions plus faibles. Elle permet aux PME et aux propriétaires de commerce électronique d'optimiser continuellement les titres et les offres sans attendre des semaines pour les résultats, offrant un avantage crucial par rapport aux anciens logiciels de popup d'intention de sortie 2026.
  3. Fusion des signaux comportementaux via XGBoost : Les 26 signaux comportementaux ne sont pas simplement additionnés. Notre modèle ML utilise un classificateur XGBoost, un puissant cadre de boosting de gradient, pour apprendre l'interaction complexe et les relations non linéaires entre ces signaux. Cela permet une prédiction plus nuancée et précise de l'intention de sortie que les régressions linéaires simples ou les seuils codés en dur, permettant un timing précis pour un impact maximal.

Ce que nous avons appris de plus de 10 000 impressions de popups (et ce qui ne fonctionne pas)

L'analyse de plus de 10 000 impressions de popups dans diverses industries a fourni des informations inestimables sur l'optimisation de la conversion. Un point clé est que le timing est primordial, mais ce n'est pas le seul facteur. Un popup mal conçu, même parfaitement synchronisé, sous-performera toujours. La recherche de ConversionXL Institute montre constamment que la pertinence et la proposition de valeur l'emportent sur un timing intrusif si l'offre est faible.

Nous avons constaté que les offres génériques comme « Inscrivez-vous à notre newsletter » sans avantage clair sous-performent constamment. Les utilisateurs sont plus avertis ; ils s'attendent à un échange de valeur. Ce qui fonctionne :

Ce qui ne fonctionne pas bien :