До внедрения Rivox AI основной трафик Fragrancelife получал через Яндекс.Директ: смарт-баннеры и кампании РСЯ.
Кампании были настроены на автостратегию «Максимум конверсий», но алгоритмы обучались на микродействиях (переход к оформлению заказа), так как реальных покупок было мало — около 10–15 заказов в неделю.
Команда Fragrancelife решила протестировать Rivox AI, чтобы стабилизировать рекламу и снизить CPA хотя бы на 20–25%.
Пользователи активно переходили в корзину, но покупали редко. Алгоритм получал много сигналов, которые не приводили к реальной продаже.
В результате:
Работа началась с внедрения скрипта SDK Rivox на сайт Fragrancelife. Процесс занял 10 минут и прошёл без участия разработчиков клиента.
Скрипт сразу начал собирать поведенческие данные пользователей в реальном времени по более чем 150 признакам. Например, SDK отслеживал:
Данные с сайта передавались в ML-модель Rivox, которая прогнозировала вероятность совершения покупки (поведенческий скор). Если скор превышал порог 0.7 (например, 0.88), SDK автоматически отправлял виртуальную конверсию в Яндекс.Метрику:
ym(clientID, 'reachGoal', 'rivox_virtual_goal').
После появления виртуальных целей автостратегии Яндекс.Директа стали получать совершенно иные данные — поведенческие сигналы от реальных покупателей, а не просто от посетителей корзины.
В первую же неделю после подключения Rivox AI, стоимость заявки снизилась с 2 100 ₽ до 1 650 ₽, а конверсия в покупку выросла до 2,4%. Ещё один важный аспект это увеличение скорости обучения рекламных кампаний: если раньше обучение кампании составляло до 1,5 недель, то теперь обучение занимает всего 2 дня.
Первые результаты были заметны сразу, но настоящий прорыв случился после более глубокой настройки модели Rivox.
Самая горячая аудитория Fragrancelife — покупатели подарочных наборов и нескольких свечей за раз — активно возвращалась на сайт в течение недели. Однако Яндекс.Директ раньше не мог эффективно распознать эту аудиторию и упускал наиболее ценных клиентов.
После первой недели команда Rivox дополнительно обучила ML-модель, углубив отслеживание поведенческих паттернов повторных визитов. Например, модель научилась прогнозировать, что пользователь, который возвращался к просмотру свечей с ароматом «ваниль» или «сандал» несколько раз, с вероятностью выше 85% оформит заказ, если показать ему промо-наборы или скидки.
Эти «повторные» сценарии поведения стали отдельной группой виртуальных конверсий, которые дали дополнительный мощный импульс для обучения рекламных кампаний.
До подключения Rivox AI Яндекс.Директ работал «вслепую», получая обучающие сигналы, которые не отражали реальное намерение пользователя совершить покупку.
После внедрения виртуальных конверсий и ML-модели:
Таким образом, виртуальные конверсии Rivox AI стали ключом к увеличению продаж без увеличения бюджета на рекламу.
