Comment fonctionne réellement notre modèle ML d'intention de sortie : Un aperçu honnête pour 2026

Quels sont les 26 signaux surveillés par notre ML de popup ?

Notre modèle ML ExitSense ne repose pas sur un seul comportement ; il synthétise les données de 26 signaux distincts en temps réel. Ceux-ci vont des actions utilisateur explicites comme la vitesse et l'accélération de la souris, la profondeur de défilement et la position du curseur par rapport à la fenêtre du navigateur, à des indices plus subtils tels que le temps d'inactivité, les changements d'onglet et même la sélection de texte. Nous suivons également l'interaction avec les formulaires, les survols de boutons et si un utilisateur a atteint la fin du contenu. Cette vue holistique nous permet de construire un profil de risque complet pour la sortie imminente de chaque visiteur.

Par exemple, une accélération rapide vers le coin supérieur droit du navigateur, combinée à un défilement important vers le haut après une inactivité prolongée, est un indicateur fort d'intention de sortie. Inversement, un défilement délibéré et un engagement actif avec les éléments de la page suggèrent un intérêt continu. Chaque signal est pondéré dynamiquement en fonction de son pouvoir prédictif pour cette session utilisateur spécifique et le contexte de la page. Pour approfondir notre méthodologie, vous pouvez en savoir plus sur comment fonctionne réellement notre modèle ML d'intention de sortie.

Comment le modèle ML prédit-il une sortie plutôt qu'une simple pause ?

C'est là que le « learning » (apprentissage) de l'apprentissage automatique devient critique. Notre modèle ExitSense est entraîné sur des millions de sessions utilisateur passées, corrélant des schémas de signaux spécifiques avec des sorties éventuelles ou un engagement continu. Ce n'est pas un système basé sur des règles qui dit 'si X, alors Y'. Au lieu de cela, il apprend des relations complexes entre les 26 signaux. Par exemple, un utilisateur peut faire une pause pour lire un paragraphe ou regarder une image – notre modèle différencie cela d'une pause indiquant un changement mental vers le départ. Il reconnaît qu'une pause momentanée suivie d'un défilement ou d'un clic supplémentaire est distincte d'une pause qui précède un geste rapide de sortie de souris. Cet apprentissage continu à partir de comment fonctionne réellement notre modèle ML d'intention de sortie permet des prédictions très nuancées.

Une idée clé que nous avons tirée de l'observation de plus de 10 000 impressions de popups sur divers sites est que la séquence et la durée des signaux sont souvent plus importantes que la force individuelle du signal. Un utilisateur qui s'attarde sur un bouton 'acheter maintenant', puis s'éloigne sans cliquer, est très différent d'un utilisateur qui navigue simplement et fait une pause momentanée. Notre modèle, utilisant souvent des algorithmes comme XGBoost, excelle à identifier ces subtils schémas temporels.

Ce que nous avons appris de 10 000 impressions de popups : succès et pièges

Sur les milliers de sites utilisant les popups LeadYup, nous avons recueilli des données substantielles sur ce qui fonctionne et ce qui ne fonctionne pas. Nous avons constaté des taux de conversion moyens pour les popups autour de la référence de l'industrie de 3 à 5 %, les meilleurs atteignant plus de 9 %, comme le notent des études comme celle de Sumo en 2016. Une constante est que la pertinence et le timing sont primordiaux. Un popup générique affiché trop tôt ou trop tard fonctionne mal. Le contenu doit s'aligner directement sur le contexte actuel de la page de l'utilisateur et son intention perçue.

Un piège important que nous avons observé est la 'fatigue des popups' qui découle d'offres mal synchronisées ou non pertinentes. Les popups agressifs, déclenchés trop tôt, entraînent souvent des rebonds immédiats, nuisant à l'expérience utilisateur. 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 les événements traditionnels de sortie de souris ne se déclenchent pas. Cela souligne la nécessité d'une logique dynamique et adaptée aux appareils plutôt que de règles statiques. De plus, nous avons constaté que les variations de tests A/B, même de petites modifications comme les titres, sont cruciales. Cela nous amène à notre prochain point sur l'échantillonnage de Thompson.

L'échantillonnage de Thompson expliqué aux marketeurs : Au-delà des simples tests A/B

L'échantillonnage de Thompson est une méthode avancée de test A/B que notre générateur de popups utilise pour allouer dynamiquement le trafic aux variations gagnantes. Contrairement aux tests A/B traditionnels où le trafic est divisé 50/50 pendant une période définie, l'échantillonnage de Thompson ajuste continuellement l'allocation du trafic vers les variations qui fonctionnent le mieux. Cela signifie que plus de leads sont capturés par la meilleure création de popup, plus rapidement.

Pour les marketeurs, cela se traduit par une optimisation plus rapide et des taux de conversion globaux plus élevés. Au lieu d'attendre une signification statistique, l'échantillonnage de Thompson explore différentes options tout en exploitant simultanément les meilleures. Il est particulièrement puissant pour les petites entreprises ou celles ayant un volume de trafic plus faible, car il trouve des solutions optimales plus efficacement. Cette approche nous permet d'identifier rapidement les titres et les offres les plus efficaces sans sacrifier les conversions pendant la phase de test.

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

Les IA modernes et les grands modèles linguistiques (LLM) améliorent considérablement les capacités de nos popups d'intention de sortie au-delà de ce que les systèmes traditionnels basés sur des règles peuvent offrir. Premièrement, les LLM permettent la génération dynamique de texte par page. Au lieu de pré-écrire plusieurs messages de popup, l'IA de LeadYup peut analyser le contenu de la page spécifique qu'un utilisateur consulte et générer des titres et des offres très pertinents et engageants à la volée. Cette pertinence contextuelle augmente considérablement les taux d'engagement et de conversion, comme le citent les études d'optimisation de la conversion qui mettent l'accent sur la correspondance des messages.

Deuxièmement, l'intégration de ML avancé permet une véritable fusion des signaux comportementaux. Les outils hérités utilisent souvent un simple seuil pour un ou deux signaux. Notre modèle ExitSense, cependant, utilise des réseaux neuronaux complexes ou des modèles de gradient boosting comme XGBoost pour combiner les 26 signaux, identifiant des schémas non linéaires qui indiquent une véritable intention de sortie avec une précision bien plus grande. Enfin, la combinaison de la génération de texte par page avec l'échantillonnage de Thompson signifie que non seulement le texte est personnalisé, mais que le système optimise continuellement et efficacement quel texte personnalisé fonctionne le mieux, même pour les PME sans équipes CRO dédiées. Ce niveau d'optimisation personnalisée et adaptative n'était auparavant disponible que pour les grandes entreprises.

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.