Кейс: Как многопрофильная клиника сократила стоимость реального визита на 39%, решив проблему неявок с помощью Rivox AI
Контекст и исходная ситуация
О клинике
Многопрофильная сеть клиник в Московской области — 5 филиалов, более 120 врачей по 28 специальностям. Ежемесячный рекламный бюджет в Яндекс.Директ — около 3 млн рублей на поиск и РСЯ.
Клиника работает под NDA, название не раскрывается.
Проблема: скрытые потери
- 32% записавшихся пациентов не приходили на приём (no-show)
- CPA по записям выглядел приемлемо — 8 000 ₽, но реальная стоимость визита составляла ~11 800 ₽
- Стандартная оптимизация на цель «запись» не различала серьёзных пациентов и «охотников за ценами»
Дополнительные сложности
- Выраженная сезонность: летний спад записей на 20–25%
- Пациенты записывались одновременно в несколько клиник и приходили в одну
- Невозможно было отличить «разведчиков цен» от тех, кто реально планирует визит
- Врачебное расписание блокировалось неявками, снижая утилизацию
Задача
Снизить долю неявок
Переориентировать рекламу на привлечение пациентов с высокой вероятностью реального визита, а не просто записи
Снизить эффективный CPA
Уменьшить стоимость не «записи на приём», а фактического визита пациента в клинику
Выявить паттерны намерения
Найти поведенческие признаки, отличающие пациента, который действительно придёт, от того, кто записывается «на всякий случай»
Этап 1: Сбор поведенческих данных и обучение модели
Установка Rivox SDK
На сайт клиники был интегрирован скрипт rivox.js, который начал автоматически собирать более 600 поведенческих сигналов по каждому посетителю. Для медицинской тематики особенно важными оказались:
Двухнедельный сбор данных
В течение 14 дней система собирала данные без вмешательства в рекламные кампании. За это время было накоплено более 18 000 сессий и зафиксировано 47 реальных визитов пациентов, подтверждённых через CRM клиники (МИС).
Параллельно команда клиники размечала в медицинской информационной системе статусы записей: «пришёл», «не пришёл», «отменил заранее».
Обучение ML-модели
Модель Rivox AI была обучена на данных о 47 подтверждённых визитах. В результате анализа были выявлены ключевые поведенческие паттерны, отличающие «приходящих» пациентов от «неявок»:
- Пациенты, которые проводили более 90 секунд на странице конкретного врача И проверяли его расписание, приходили на приём в 3,4 раза чаще
- Изучение отзывов о враче (скролл до конца блока отзывов) повышало вероятность визита на 2,1x
- Просмотр информации о страховом покрытии коррелировал с визитами у пациентов ДМС-сегмента (конверсия в визит — 89%)
- Повторные заходы на страницу одной и той же специальности в течение 48 часов давали 2,7x конверсию
Передача виртуальных конверсий
На основе обученной модели были сформированы виртуальные конверсии, которые отправлялись в Яндекс.Метрику. Это дало алгоритмам Яндекс.Директ принципиально новый сигнал: вместо «записался на приём» — «с высокой вероятностью придёт на приём».
Количество обучающих событий для кампаний увеличилось в 4,2 раза по сравнению с реальными конверсиями, что существенно ускорило обучение автостратегий.
Результаты первого этапа (4 недели)
| Показатель | До Rivox AI | После 4 недель |
|---|---|---|
| CPA за запись на приём | 8 000 ₽ | 7 100 ₽ (−11%) |
| Доля неявок (no-show) | 32% | 18% (−14 п.п.) |
| Эффективная стоимость визита | 11 800 ₽ | 8 660 ₽ (−27%) |
| Записей в месяц | 375 | 423 (+13%) |
Уже на первом этапе эффективная стоимость визита снизилась на 27%. Но ключевым открытием стало то, что модель не просто снижала CPA — она менялa профиль привлекаемой аудитории, отсеивая «туристов» и фокусируясь на пациентах с подтверждённым намерением.
Этап 2: Переобучение модели на данных о реальных визитах
📊 Выгрузка из МИС
Через 6 недель работы клиника предоставила выгрузку из медицинской информационной системы с разметкой по каждой записи: фактический визит, неявка, отмена. Общая выборка составила 1 240 записей с полной атрибуцией.
🧠 Дообучение модели
ML-модель была переобучена исключительно на цель «фактический визит» вместо «запись на приём». Модель второго поколения выявила новые значимые сигналы:
- Пациенты, которые проверяли адрес филиала и строили маршрут, приходили в 91% случаев
- Те, кто сравнивал цены более чем в 3 специальностях и не изучал ни одного врача подробно, имели no-show 68%
- Время суток записи оказалось значимым: записи в рабочие часы (10:00–17:00) имели no-show 22%, а записи после 22:00 — 47%
🎯 Сегментация по специальностям
Модель начала учитывать различия между специальностями. Стоматологические пациенты демонстрировали другие паттерны серьёзности (изучение фото работ, проверка цен на конкретные процедуры), чем пациенты, записывающиеся к терапевту или узким специалистам.
🔄 Оптимизация кампаний
Обновлённые виртуальные конверсии были переданы в рекламные кампании. Автостратегии Яндекс.Директ начали перераспределять показы в пользу аудиторных сегментов с высоким прогнозным показателем реального визита. Рекламные объявления стали чаще показываться пользователям, которые ищут конкретного специалиста, а не общие запросы вроде «клиника рядом дёшево».
Итоговые результаты за 3 месяца
| Показатель | До Rivox AI | После 3 месяцев | Изменение |
|---|---|---|---|
| CPA за запись на приём | 8 000 ₽ | 6 200 ₽ | −22,5% |
| Доля неявок (no-show) | 32% | 14% | −18 п.п. |
| Эффективная стоимость визита | 11 800 ₽ | 7 200 ₽ | −39% |
| Визитов из рекламы в месяц | 375 | 484 | +29% |
| ROI на рекламный бюджет | — | +41% | +41% |
Выводы
No-show — скрытая метрика
Оптимизация по записям маскирует реальную стоимость привлечения. Клиника платила 11 800 ₽ за визит, думая, что платит 8 000 ₽
Поведение выдаёт намерение
90+ секунд на профиле врача + проверка расписания = 3,4x вероятность реального визита
Двойной эффект
Снижение CPA на 22,5% + снижение no-show на 18 п.п. = совокупное снижение стоимости визита на 39%
Утилизация ресурсов
109 дополнительных визитов в месяц повысили загрузку врачебного расписания и выручку клиники
Этот кейс демонстрирует, что в медицинской тематике ключевая проблема рекламы — не стоимость записи, а качество записавшихся пациентов. Поведенческая аналитика Rivox AI позволяет перейти от оптимизации по промежуточным метрикам к оптимизации по реальному бизнес-результату.
Хотите сократить расходы на рекламу и зарабатывать больше?
«Мы годами оптимизировали рекламу по количеству записей и не могли понять, почему треть пациентов не доходит. Оказалось, что алгоритмы Директа прекрасно научились привлекать тех, кто записывается, — но это совершенно не то же самое, что привлечь того, кто придёт. Rivox дал нам эту разницу в данных. За три месяца мы фактически получили дополнительные 109 визитов в месяц при том же бюджете. Для сети из пяти клиник — это ощутимо не только в цифрах, но и в загрузке врачей.»