Кейс: половину кампаний онлайн-банка отдали AI-агенту Rivox. CPA в его контуре ниже на 28%, спам упал с 13% до 4%
Контекст
Известный российский онлайн-банк готовился к запуску двух новых digital-продуктов:
Виртуальная карта с моментальным выпуском
Новый продукт для мгновенного получения банковской карты без посещения офиса
Брокерский счёт с бонусами за регистрацию
Инвестиционный продукт с привлекательными условиями для новых клиентов
Для обоих продуктов была построена рекламная структура в Яндекс.Директ с автостратегиями. Аккаунт вела штатная команда performance-маркетинга банка. Но было одно «но»: исторических данных, на которых алгоритмы могли бы обучаться, у новых продуктов не было.
Прямо с запуска они столкнулись с типичной ситуацией:
- × CPA нестабилен, от недели к неделе прыгает вдвое
- × алгоритм «тупит»: заявки есть, но нерелевантные
- × система не может понять, кто хороший клиент, а кто случайный клик или бот
- × бюджет уходит, а эффекта нет
Как договорились работать
Отдавать весь аккаунт роботу банк не стал, и это разумно. У команды свои директологи, свои регламенты, свой комплаенс. Поэтому включили частичный автопилот. По каждому из двух продуктов кампании разделили пополам: одну половину под управление AI-агента Rivox, вторую продолжала вести штатная команда. Бюджет, гео и посадочные страницы у контуров одинаковые, отличается только то, кто крутит ручки.
Так сравнение получилось честным. Не «стало лучше, чем в прошлом квартале», а два контура рядом, в одни и те же дни, на одном и том же спросе.
Цель: понять, где утекает бюджет, и получить реальные заявки
Проверить агента на части аккаунта
Дать агенту половину кампаний и сравнить его контур с контуром штатной команды на тех же данных
Снизить CPA
Уменьшить стоимость привлечения клиентов для повышения эффективности рекламных инвестиций
Отсечь некачественный трафик
Избавиться от ботов и «игроков» ради бонусов, которые не приносят реальной ценности
Выделить сегмент клиентов с высоким LTV
Определить и привлекать клиентов с высокой долгосрочной ценностью, а не разовых регистраторов
Этап 1: Подключение агента и аудит по 102 правилам
🔌 Доступ по API, ничего ставить на сайт не нужно
Сборщик агента подключился к рекламному кабинету по официальному API Яндекс.Директа, к Метрике и к CRM банка. Оттуда он тянет не только клики и заявки, но и то, что происходит с клиентом дальше: прошла ли заявка скоринг, дошёл ли клиент до выпуска карты, пополнил ли брокерский счёт. Цикл обновления данных 3 минуты, работа круглосуточная. Серверы в РФ (Yandex Cloud, ru-central1), что для банка было условием входа.
🔍 Первый аудит: 102 правила, шесть аудиторов параллельно
Шесть моделей одновременно прошли аккаунт по своим зонам: ставки, семантика, площадки РСЯ, креативы, аудитории, гео. Полный прогон занимает около 12 минут на тысячу групп. Карта утечек была на столе в первый день, а не через две недели наблюдений.
📉 Находка: ставка на 38% ниже медианы по кластеру
Кампания на виртуальную карту формально «работала»: показы шли, заявки капали. Но ставка в группе с прайм-запросами («виртуальная карта онлайн», «выпустить карту за 5 минут») стояла на 38% ниже медианы по кластеру. В дневной аукцион, где сидят конкуренты, кампания просто не попадала. Она выкупала дешёвый ночной остаток трафика. Отсюда и весь спам, о котором ниже.
🗺️ Находка: гео перекошено исторической настройкой
62% бюджета уходило в Москву и Петербург, потому что так было настроено ещё на прошлых продуктах банка. При этом в CRM видно: 44% клиентов, которые живут дольше трёх месяцев, приходят из миллионников за пределами двух столиц, где клик стоит вдвое дешевле. Стратег перераспределил бюджет по регионам с поправкой на реальный спрос, а не на историю аккаунта.
🧩 Находка: слишком мелко нарезанные группы
Конверсии размазывались по нескольким десяткам тонких групп, и ни одна не набирала статистики, достаточной для обучения автостратегии. Агент собрал их в кластеры по интенту и вычистил из целей мусорные конверсии, которые кормили алгоритм шумом. Сигнал стал плотнее, и кампании, которые не могли обучиться 10+ дней, начали оптимизироваться на 3–4 день.
Что получилось за первые две недели
- ✓ CPA снизился на 28% уже в первые 2 недели. В контуре штатной команды за те же дни он остался на базовом уровне
- ✓ Кампании, которые не могли обучиться 10+ дней, начали оптимизироваться на 3–4 день
- ✓ CR с лендинга вырос с 1.1% до 2.0%: на прайм-запросы стал попадать дневной трафик, который реально ищет продукт
- ✓ CTR в объявлениях повысился на 0.7 п.п. за счёт быстрой ротации: агент видит статистику каждые 3 минуты и не ждёт конца недели, чтобы отключить слабый креатив
Этап 2: Откуда взялся спам и почему он был не случайным
К середине второго месяца клиент заметил, что часть заявок фейковые:
- ⚠ клики шли с одинаковых устройств и анонимайзеров
- ⚠ заполнение формы занимало меньше 3 секунд (!)
Отключить площадку с нулём конверсий может любой скрипт. Агент искал причину, а не симптом, и связал три слоя данных: ставки, время суток и сделки из CRM.
Что оказалось на самом деле
- 1 Из-за заниженной ставки кампания по карте не выигрывала дневной аукцион и добирала показы ночью, по остаточной цене. Ночью же на неё и садились боты с Android WebView. Спам не «пришёл откуда-то сам», он был прямым следствием настройки ставок
- 2 Заявки из сетей были на 41% дешевле поисковых, поэтому автостратегия наливала туда бюджет. Но по CRM до аппрува в скоринге из них доходило втрое меньше. Алгоритм честно оптимизировался на дешёвую регистрацию, то есть обучался на ложном сигнале
- 3 По брокерскому счёту отдельная история: 19% заявок приходило с запросов вида «бонус за регистрацию», «промокод брокер», «акция подарок акциями». Это бонусоловы. В CRM они выглядят прекрасно (регистрация есть, CPA низкий), но трое из четырёх выводят бонус и больше не возвращаются
Что агент сделал в своём контуре
Закрыл ночное окно
Ставку в прайм агент поднял ещё на первом этапе, но кампания продолжала добирать дешёвые показы ночью. Остаток срезали корректировками по часам и по Android WebView
Сменил цель оптимизации
Вместо регистрации автостратегия стала учиться на событии из CRM: заявка прошла скоринг
Отсёк бонусоловов
Минус-слова по «бонус», «промокод», «подарок» и отрицательные корректировки на группы, дающие мусор
Все правки ушли в Директ через официальный API. Перед каждым действием агент прогоняет 12 валидаторов, пишет действие в журнал и держит возможность откатить его в течение 24 часов. Крупные изменения бюджета банк подтверждал вручную, это была позиция комплаенса, и она никому не мешала.
Результат:
- ✓ Доля спам-заявок снизилась с 13% до 4%. В контуре штатной команды она осталась на уровне 12%
- ✓ Уровень аппрува заявок в скоринге вырос на 22%
- ✓ Качество трафика стало равномерным по времени суток и устройствам. Раньше боты сбивались в ночи и на Android WebView, ровно там, куда кампанию выдавливала низкая ставка
Этап 3: Клиенты с высоким LTV вместо регистраций
📋 Постановка задачи
Дешёвая регистрация банку не нужна. Нужен клиент, который через полгода всё ещё пользуется картой и держит деньги на брокерском счёте. Поэтому целью оптимизации стала долгосрочная ценность клиента, а не факт заявки.
💾 Сделки из CRM вместо целей в Метрике
Из CRM клиента агент забрал когорты пользователей с LTV больше 3 месяцев: тех, кто пользуется продуктом стабильно и не уходит. Дальше Стратег сопоставил эти когорты с рекламными данными: с какого запроса, из какого гео, в какой час и на каком касании пришёл человек, который потом стал живым клиентом.
📞 Расшифровка звонков вскрыла нерелевантный кластер
Ежедневная расшифровка звонков в колл-центр показала неприятное: заметная часть обращений по кампаниям на брокерский счёт спрашивала про вклады и депозиты под процент. Люди приходили с запросов вида «куда вложить деньги», «как сохранить сбережения». Это вкладчики, а не инвесторы, и продукта под них у банка в этой линейке нет. Кластер вынесли в минус-слова целиком.
🔁 «Отзывы» и «сравнить тарифы» нельзя было резать
Запросы со словами «отзывы», «сравнить тарифы», «условия» в первый визит не конвертируются почти никогда. По CPA они выглядят как кандидаты на отключение, и прежняя логика оптимизации их бы срезала. Но по данным CRM именно эти люди возвращаются третьим и четвёртым касанием, открывают оферту и потом живут в продукте дольше всех. Агент не стал их резать, он увёл их в отдельный ретаргетинговый контур с другими объявлениями и другой ценой заявки.
🎯 Отдельная группа кампаний под высокий LTV
Собрали отдельную группу кампаний, у которой цель привлечение трафика с максимальной вероятностью LTV > 3 мес. Туда пошли запросы, гео и часы, которые по CRM дают живых клиентов, плюс ретаргет на «сравнивающих». Исследователь параллельно следил за конкурентами: когда двое крупных игроков синхронно подняли ставки перед закрытием квартала, агент сдвинул бюджет на неделю раньше пика, а не догонял аукцион задним числом.
Результат:
- ✓ Конверсия в высоко-LTV пользователей выросла на 37%
- ✓ Новая группа кампаний показала на 24% более высокую рентабельность, чем остальные
- ✓ Средняя стоимость привлечения такого клиента была на 9% выше среднего CPA по контуру агента, но окупалась уже через 1,5 месяца
Итоги за 2 месяца работы
| Что сделал агент | Результат в его контуре |
|---|---|
| Собрал тонкие группы в кластеры и вычистил мусорные цели | кампании обучались в 3–4 раза быстрее |
| Вернул ставки в дневной аукцион, перераспределил гео | –28% CPA от базового уровня |
| Сменил цель на аппрув из CRM и отсёк бонусоловов | –9 п.п. доли спама, +22% аппрува в скоринге |
| Свёл рекламные данные с когортами LTV из CRM | +37% конверсии в «долгоживущих» клиентов |
| Собрал отдельную группу кампаний под высокий LTV | +24% ROAS в новой группе кампаний |
| Контур штатной команды за тот же период | CPA на базовом уровне, доля спама 12% |
CPA опустился на 28% в первые две недели и держался на этом уровне все два месяца. Дальнейшая работа шла в качество заявки: аппрув в скоринге, доля спама, LTV.
Вывод
Причина, а не симптом
Спам был следствием заниженной ставки: кампанию выдавливало в ночной остаток, туда же садились боты
Ложный сигнал
Автостратегия училась на дешёвых регистрациях, пока цель не сменили на аппрув из CRM
Экономика вместо заявок
Бюджет ушёл к тем, кто живёт в продукте дольше трёх месяцев
Частичный автопилот оказался удобным форматом входа для банка. Агент вёл половину кампаний, штатная команда вторую, и результат было видно без веры на слово:
- 1 сначала аудит по 102 правилам показал, где именно утекает бюджет
- 2 потом агент убрал причину спама и переучил автостратегию на данных из CRM
- 3 в финале направил бюджет на тех, кто приносит максимум прибыли в долгую
Через два месяца банк перевёл под агента остальные кампании. Не потому, что мы убедили, а потому, что цифры двух контуров лежали рядом в одной таблице.
Хотите сократить расходы на рекламу и зарабатывать больше?
"Мы включили агента на половину кампаний, чтобы было с чем сравнивать, и через две недели спор закончился сам собой. Он не «оптимизировал эффективность», он объяснил, почему цифры такие: почему ночью боты, почему сети дают дешёвые заявки и пустой скоринг, почему по брокерскому счёту к нам идут вкладчики вместо инвесторов. Теперь мы смотрим на трафик как на долгосрочные отношения, а не как на поток регистраций."