Кейс Garlyn × Rivox AI
Как eCommerce-магазин бытовой техники снизил CPA в 7 раз — с 700₽ до менее 100₽ — в 26 рекламных кампаниях, используя обзорный сайт как слой обучения ML-модели
Проблема
Garlyn — eCommerce-бренд, онлайн-магазин бытовой техники. Скрипт Rivox был установлен не на основном домене магазина, а на обзорном/промо-сайте, который использовался как прогревающий слой перед покупкой.
Обзорный сайт — это верх и середина воронки. Прямого сигнала покупки нет. Стандартная оптимизация по микроцелям (клики на кнопки, переходы) приводила к дешёвому, но низкоконверсионному трафику:
Ключевая проблема: на обзорном сайте нет покупки — значит, стандартная оптимизация по микроцелям (клики, переходы) закупает дешёвый информационный трафик. CPA формально выполняется, но аудитория не покупает на основном домене. Нужен сигнал, который различает «интерес» и «предпокупочное поведение».
Что было сделано
Установка SDK Rivox и сбор данных
На обзорные лендинги Garlyn был установлен скрипт Rivox, который собирает 600+ поведенческих сигналов: глубину скролла, последовательности взаимодействий, задержки кликов, повторные визиты, навигационную структуру и другие паттерны поведения посетителей.
Накопление данных для обучения
С момента установки скрипта клиент дождался, пока по основной цели соберётся 50 достижений — минимальное значение для обучения ML-модели.
Обучение ML-модели
Модель Rivox проанализировала поведение всех посетителей обзорного сайта, нашла предиктивные сигналы для конверсий и протестировала их на разных выборках данных для стабильного запуска.
Создание JS-цели в Яндекс.Метрике
В Яндекс.Метрике была создана JS-цель rivox_goal_ml, которая срабатывала каждый раз, когда посетитель обзорного сайта демонстрировал паттерн поведения, характерный для будущего покупателя.
Подключение ко всем 26 рекламным кампаниям
ML-цель была добавлена во все 26 рекламных кампаний. Каждый раз, когда посетитель показывал нужный поведенческий паттерн, Яндекс.Директ получал дополнительные обучающие сигналы для автостратегии.
Что произошло в аукционах
После подключения ML-цели поведение автостратегии в аукционах изменилось принципиально:
Стратегия начала выигрывать «правильные» аукционы
Аукционы, где пользователи показывают «предпокупочные» паттерны поведения — даже если они дороже по CPC.
Перестала закупать «пустой» трафик
Дешёвые информационные показы, которые раньше давали дешёвые клики, но не приводили к покупкам — перестали доминировать в закупке.
Доля конверсионных сессий выросла
Меньше «развлекательного» трафика, больше аудитории с реальным интересом к покупке на основном домене.
Почему CPA снижался постепенно
Снижение CPA происходило поэтапно: сначала стабилизация ниже 250₽, затем снижение до 200₽, и только потом — ниже 100₽. Это не случайность, а осознанная стратегия:
Нельзя сразу задавать CPA <100₽
При текущем уровне 700₽ стратегия начнёт агрессивно отбирать самые дешёвые аукционы — модель не успеет накопить стабильную статистику.
Постепенное снижение сохраняет структуру
Стратегия адаптируется к каждому новому целевому уровню CPA, не скатываясь в «поиск дешёвых кликов».
Качество аудитории удерживается
На каждом этапе модель продолжает работать на качественном сегменте аудитории, а не на «остатках» инвентаря.
Ключевой принцип: CPA снижается не за счёт давления на ставки, а за счёт изменения структуры трафика. CPC может расти, количество показов — уменьшаться, но доля конверсионных сессий растёт. Это и есть реальное снижение CPA.
Почему отдельным кампаниям нужна периодическая корректировка
Когда ML-цель подключена ко всем 26 кампаниям с разной семантикой, аудиториями и бюджетами, часть кампаний может столкнуться с недостаточной плотностью сигнала или дрейфом данных.
2–4 кампании из 26 периодически требуют корректировки
Это ожидаемо: при разной семантике, аудиториях и бюджетах часть кампаний проходит фазу адаптации дольше других.
Это не деградация модели
Локальная специфика отдельных кампаний — разные аудитории реагируют по-разному, и это нормальный процесс.
Регулярный мониторинг 5–15% кампаний
Стандартная практика при массовом развёртывании ML-целей. Общая динамика аккаунта при этом остаётся стабильно положительной.
Важно: даже при понедельных колебаниях в отдельных кампаниях, общая динамика аккаунта остаётся положительной. Это признак того, что ML-модель корректно управляет структурой трафика на уровне всего рекламного аккаунта.
Выводы
Обзорный трафик — полноценный слой обучения
Поведенческие сигналы с обзорного сайта позволяют предсказать качество покупки на основном домене. Даже без прямого сигнала конверсии ML-модель находит «предпокупочные» паттерны и передаёт их в Яндекс.Директ.
Снижение CPA — следствие изменения структуры трафика
CPA снижается не за счёт давления на ставки. CPC может расти, показы — уменьшаться. Но доля конверсионных сессий растёт, и это даёт реальное снижение стоимости привлечения.
Массовое развёртывание ML-цели допустимо
ML-цель можно подключить ко всем кампаниям, но необходим регулярный мониторинг и локальные корректировки для 5–15% кампаний. Агрессивное ужесточение CPA-таргета противопоказано.
Ключевой эффект — стабилизация качества
Даже при понедельных колебаниях в отдельных кампаниях, общая динамика аккаунта остаётся положительной. ML-модель удерживает структуру трафика и не позволяет стратегии скатываться в дешёвый инвентарь.
Этот кейс показывает, что даже в eCommerce с обзорным сайтом вместо прямых покупок можно снизить CPA в 7 раз — с 700₽ до менее 100₽, управлять 26 рекламными кампаниями одновременно через ML-цель и достигать CPA ниже 50₽ в лучших кампаниях — без потери качества аудитории и при стабильном росте конверсий.