Comment fonctionne réellement notre modèle ML d'intention de sortie : Un regard honnête sous le capot
Le problème avec l'intention de sortie 'traditionnelle'
Historiquement, les popups d'intention de sortie reposaient sur une détection basique du mouvement de la souris hors de la fenêtre. Dès que le curseur d'un utilisateur quittait la zone d'affichage, un popup se déclenchait. Bien que ce fût une avancée significative par rapport aux déclencheurs basés sur le temps ou le défilement, cela avait des limites. Les faux positifs étaient courants – les utilisateurs pouvaient déplacer accidentellement leur souris trop loin, ou simplement ouvrir un nouvel onglet sans intention de partir. Cela entraînait souvent une expérience utilisateur frustrante et diluait le potentiel de conversion.
Une étude de Sumo de 2016 a révélé que le taux de conversion moyen des popups était de 3,09 %, les meilleurs performeurs atteignant plus de 9,28 %. Cette grande variance dépendait souvent du ciblage et du timing. Déclencher aveuglément un popup basé sur un seul signal manquait souvent la cible, entraînant des résultats sous-optimaux et une gêne pour l'utilisateur, ce que la recherche du Nielsen Norman Group souligne constamment comme un défaut majeur de l'expérience utilisateur.
Au-delà du mouvement de souris : Les 26 signaux que notre ML surveille
Notre approche de comment fonctionne réellement notre modèle ML d'intention de sortie est fondamentalement différente. Au lieu d'un seul déclencheur, le modèle ML ExitSense de LeadYup surveille en permanence 26 signaux comportementaux distincts. Ces signaux se répartissent en plusieurs catégories :
- Mouvement de la souris : Vitesse, trajectoire, distance des bords du navigateur et schémas typiques associés au départ.
- Comportement de défilement : Vitesse de défilement, direction (en particulier les défilements vers le haut après un défilement significatif vers le bas) et pauses de défilement.
- Mesures d'engagement : Temps passé sur la page, nombre de clics, interaction avec les champs de formulaire et inactivité du curseur.
- Gestion des onglets : Détection de l'ouverture de nouveaux onglets ou du passage à un autre onglet.
- Contexte de session : Source de référence, pages précédemment consultées et durée globale de la session.
En analysant cette riche mosaïque de données, notre modèle construit un score de probabilité en temps réel pour la sortie de l'utilisateur. Cela nous permet de prédire l'intention avec une précision bien supérieure à celle des systèmes basés sur des règles simples. Par exemple, sur les plus de 1 000 sites utilisant les popups LeadYup, nous avons remarqué que l'intention de sortie sur mobile nécessite généralement un hybride défilement vers le haut + inactivité, car les événements de sortie de souris ne se déclenchent pas de manière fiable sur les appareils tactiles.
Ce que les IA/LLM modernes ajoutent à comment fonctionne réellement notre modèle ML d'intention de sortie
L'intégration des IA modernes et des grands modèles de langage (LLM) élève considérablement les capacités de LeadYup au-delà des constructeurs de popups traditionnels. Il ne s'agit pas seulement de timing ; il s'agit de rendre chaque popup hautement pertinent et efficace :
- Génération de contenu par page : Les LLM nous permettent de générer un contenu très personnalisé et contextuellement pertinent pour chaque popup, spécifique à la page que l'utilisateur consulte. Au lieu de messages génériques 'Ne partez pas !', les utilisateurs voient des offres adaptées à leur intérêt de contenu actuel, augmentant considérablement l'engagement.
- Échantillonnage de Thompson pour les tests A/B dynamiques : Notre système utilise l'échantillonnage de Thompson, une approche bayésienne des tests A/B, pour apprendre en permanence et choisir les titres et les offres gagnants. Cela signifie que même les propriétaires de sites e-commerce de PME peuvent optimiser efficacement les variations sans avoir besoin de volumes de trafic massifs ou d'intervention manuelle. Le système alloue dynamiquement plus d'impressions aux variantes les plus performantes, assurant une optimisation plus rapide que les tests A/B/n traditionnels.
- Fusion des signaux comportementaux via XGBoost : Le modèle ML ExitSense exploite des algorithmes avancés comme XGBoost pour fusionner les 26 signaux comportementaux. Cela lui permet d'identifier des relations complexes et non linéaires entre les signaux qui indiquent une intention de sortie, ce qui conduit à une puissance prédictive supérieure par rapport aux modèles de régression ou aux arbres de décision plus simples. Cette interprétation complète des signaux est essentielle pour comment fonctionne réellement notre modèle ML d'intention de sortie.
Équilibrer conversion et expérience utilisateur : Leçons tirées de plus de 10 000 impressions
Ce que nous avons appris de plus de 10 000 impressions de popups sur divers sites, c'est que le timing est primordial pour l'expérience utilisateur. Un popup déclenché trop tôt est intrusif ; un déclenché trop tard est inefficace. Notre modèle ML affine constamment sa compréhension du 'juste à temps' pour chaque site et segment d'utilisateurs unique.
Nous avons observé qu'un popup bien chronométré, même avec une offre forte, a toujours besoin d'une création convaincante. C'est là qu'interviennent le contenu personnalisé et des appels à l'action clairs. Selon le benchmark industriel 2024 de Wisepops, les taux de conversion peuvent varier énormément en fonction de la pertinence de l'offre et de la qualité du design. L'intégration de ce timing basé sur les données avec un contenu généré dynamiquement est essentielle pour un popup d'intention de sortie qui convertit réellement.
La vérité honnête : Ce qui ne fonctionne pas toujours
Bien que l'apprentissage automatique avancé améliore considérablement les performances, ce n'est pas une solution miracle pour les mauvaises offres ou le contenu non pertinent. Un popup, aussi parfaitement chronométré soit-il, ne convertira pas si l'offre n'est pas convaincante ou si l'expérience de la page de destination est défaillante. Nous avons vu des cas où même nos meilleurs modèles n'ont pas pu sauver une promotion qui ne résonnait tout simplement pas avec le public.
De plus, la surutilisation des popups – même intelligents – peut entraîner une 'fatigue des popups'. Les marketeurs doivent prendre en compte l'ensemble du parcours utilisateur et le placement stratégique. Parfois, moins c'est plus. Notre objectif est de rendre les interactions individuelles des popups aussi efficaces que possible, mais nous préconisons une stratégie CRO holistique. Il s'agit d'un popup d'intention de sortie qui convertit réellement, pas seulement qui se déclenche.
FAQ
Découvrez par vous-même la différence qu'un timing précis peut faire – essayez LeadYup gratuitement pendant 14 jours et boostez vos conversions.
Start 14-day free trial →
Comment LeadYup le livre pour vous
Modèle XGBoost à 26 signaux choisit l'instant exact — 3–5× meilleur qu'un simple mouse-out.
Le LLM réécrit titre/sous-titre sur chaque landing selon l'intention — pas de A/B manuel.
Multi-armed bandit identifie la variante gagnante en quelques jours, même en trafic SMB.
Slack, Zapier, HubSpot, webhooks, email — les leads arrivent là où votre équipe travaille déjà.
Posez une question à Roman
Une vraie question sur how our exit-intent ML model actually works ? Je la lirai personnellement et répondrai sous un jour. Les Q&R sélectionnées sont publiées sous cet article.