Comment fonctionne réellement notre modèle ML d'intention de sortie : une analyse basée sur les données pour 2026

Le problème des pop-ups basés sur des règles : pourquoi le ML est important

Pendant des années, la plupart des pop-ups d'intention de sortie reposaient sur des règles simples : détecter une souris se déplaçant vers le bouton 'X' ou en dehors de la fenêtre d'affichage. Bien qu'efficace dans une certaine mesure, cette approche est souvent trop brutale. Elle manque des signaux subtils et déclenche des pop-ups à des moments sous-optimaux, ce qui entraîne la frustration des utilisateurs et des taux de conversion plus faibles. Les systèmes hérités, souvent conçus au début des années 2010, ne pouvaient pas s'adapter aux divers comportements des utilisateurs ou aux types d'appareils en évolution.

Nous avons observé très tôt qu'une règle unique ne suffisait tout simplement pas. Les références de l'industrie, comme l'étude de Sumo de 2016, notaient des taux de conversion moyens de pop-ups d'environ 3,09 %. Alors que les meilleurs atteignaient plus de 9 %, l'écart indiquait une marge d'amélioration significative, en grande partie grâce à un meilleur ciblage et un meilleur timing.

Les 26 signaux que notre ML de pop-up surveille

Notre modèle ML ExitSense ne recherche pas un seul signal de 'sortie' ; il surveille en permanence 26 signaux comportementaux distincts. Ceux-ci incluent, sans s'y limiter, la vitesse et la direction du défilement, les schémas de mouvement du curseur (vitesse, accélération, linéarité du chemin), le temps passé sur la page, la durée totale de la session, le nombre de pages visitées, les interactions avec les éléments (clics, survols sur des zones spécifiques), l'engagement dans les champs de formulaire, et même l'activité du clavier. Sur les plus de 1 000 sites utilisant les pop-ups LeadYup, l'intention de sortie sur mobile nécessite généralement un hybride de défilement vers le haut + inactivité, car le mouvement de la souris hors de la fenêtre ne se déclenche pas, ce qui souligne la nécessité d'une approche multi-signaux.

En analysant ces signaux en temps réel, le modèle construit une compréhension probabiliste de l'intention de l'utilisateur. Il ne s'agit pas de savoir s'ils partent, mais quand et pourquoi. Cela permet un timing précis, engageant les utilisateurs au moment critique avant qu'ils ne se désengagent. Pour une exploration plus approfondie des mécanismes, vous pouvez lire comment fonctionne réellement notre modèle ML d'intention de sortie.

Ce que nous avons appris de plus de 10 000 impressions de pop-ups (chiffres réels)

L'analyse des données de plus de 10 000 impressions de pop-ups uniques dans diverses industries a révélé des informations critiques. Nous avons constaté que les pop-ups déclenchés par des signaux de sortie à haute confiance (probabilité de départ de 90 % et plus) convertissaient 2,1 fois plus que ceux avec une confiance moyenne (probabilité de 60 à 89 %). Plus précisément, les pop-ups avec un déclencheur à haute confiance ont atteint un taux de conversion moyen de 7,2 %, contre 3,4 % pour une confiance moyenne. Cela soutient fortement la précision de notre modèle ML.

Fait intéressant, nous avons également remarqué qu'un déclenchement trop précoce (identifié par un score de faible confiance, inférieur à 50 %) entraînait des rebonds. Les utilisateurs se sentaient interrompus plutôt que de se voir offrir de la valeur. Cela fait écho aux recherches du Nielsen Norman Group sur les flux d'utilisateurs interrompus et souligne l'importance non seulement de détecter l'intention, mais aussi d'interpréter sa force.

Thompson Sampling expliqué aux marketeurs : optimiser les titres à la volée

Au-delà du timing, le message lui-même est crucial. Notre plateforme utilise le Thompson sampling pour optimiser dynamiquement les titres et le texte des pop-ups. Contrairement aux tests A/B traditionnels, qui nécessitent souvent un trafic et un temps importants pour atteindre une signification statistique, le Thompson sampling est un algorithme 'explorer-exploiter'. Il alloue plus d'impressions aux variantes qui performent bien, tout en explorant des options moins testées pour s'assurer de ne pas manquer un performeur potentiellement meilleur.

Pour les marketeurs, cela signifie que les campagnes s'optimisent beaucoup plus rapidement, même avec un trafic plus faible. Nous avons vu le Thompson sampling identifier des titres gagnants avec seulement des centaines d'impressions, alors qu'un test A/B traditionnel pourrait en nécessiter des milliers. Cette agilité est particulièrement bénéfique pour les fondateurs de SaaS indépendants et les propriétaires de e-commerce PME qui n'ont pas les vastes volumes de trafic des sites d'entreprise. Cet apprentissage itératif est un élément central de comment fonctionne réellement notre modèle ML d'intention de sortie.

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

Les IA et les grands modèles de langage (LLM) d'aujourd'hui améliorent considérablement les capacités des plateformes de pop-ups modernes comme LeadYup, allant bien au-delà des outils hérités basés sur des règles. Premièrement, les LLM permettent la génération de texte par page. Au lieu de messages génériques, l'IA de LeadYup peut analyser le contenu de la page et l'intention de l'utilisateur pour créer des textes et des titres de pop-ups très pertinents et personnalisés à la volée, augmentant considérablement l'engagement.

Deuxièmement, l'intégration de techniques d'apprentissage automatique avancées, telles que XGBoost pour la fusion des signaux comportementaux, permet à notre modèle ExitSense de pondérer les 26 signaux dynamiquement et de prédire l'intention de sortie avec une précision sans précédent. C'est un bond par rapport à la simple détection de 'souris hors de la fenêtre'. Enfin, la capacité d'appliquer le Thompson sampling pour des tests A/B en temps réel et à faible volume d'éléments créatifs signifie que même les petites entreprises peuvent bénéficier de stratégies d'optimisation sophistiquées auparavant réservées aux entreprises dotées d'équipes de science des données dédiées. Cette combinaison crée un générateur de pop-ups plus intelligent et adaptatif.

Compromis honnêtes : ce qui ne fonctionne pas (encore)

Bien que l'intention de sortie basée sur l'IA soit puissante, ce n'est pas une solution miracle. Une fréquence de pop-ups trop agressive, même avec un timing parfait, peut toujours agacer les utilisateurs. Notre modèle ML privilégie les déclencheurs à haute confiance pour éviter cela, mais en fin de compte, les paramètres de campagne (comme la limitation des impressions par utilisateur) restent essentiels. Nous avons également observé que les pop-ups tentant de collecter trop d'informations (par exemple, plus de 5 champs) fonctionnent rarement bien, quel que soit le timing ou le texte. Les utilisateurs sont de plus en plus protecteurs de leurs données et de leur temps.

Un autre domaine où un raffinement constant est nécessaire concerne les comportements spécifiques aux mobiles. Bien que nos 26 signaux incluent des indices centrés sur le mobile, les modèles d'expérience utilisateur mobile évoluent rapidement, nécessitant un réentraînement continu du modèle. Ce qui fonctionne pour les mouvements de curseur de bureau ne se traduit pas directement par les gestes de balayage mobile ou les changements d'orientation de l'appareil. Cela souligne le défi continu et l'engagement envers la R&D dans cet espace.

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.