Кейс: Как онлайн-банк снизил CPA на 28%, очистил трафик от спама и начал привлекать клиентов с высоким LTV с помощью Rivox AI
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. Но было одно «но»: не было исторических данных, на которых алгоритмы могли бы обучаться.
Прямо с запуска они столкнулись с типичной ситуацией:
- × CPA нестабилен
- × алгоритм «тупит» — заявки есть, но нерелевантные
- × система не может понять, кто хороший клиент, а кто случайный клик или бот
- × бюджет уходит, а эффекта нет
Именно в этот момент команда пришла к нам.
Цель: быстро обучить кампании и начать получать реальные заявки
Ускорить обучение новых рекламных кампаний
Необходимо было сократить время, требуемое для эффективного обучения автоматических стратегий
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
В идеале — определить и привлекать клиентов с высокой долгосрочной ценностью
Этап 1: Снижение CPA через поведенческую модель
🏷️ Внедрение трекинг-скрипта
Мы внедрили наш трекинг-скрипт rivox.js на лендинги продуктов. Он начал собирать поведение пользователей:
- сколько секунд пользователь провёл в форме (и какие поля заполнил),
- возвращался ли на страницу после просмотра условий,
- взаимодействовал ли с элементами "Условия", "Ставки", "Сравнить тарифы",
- смотрел ли блок "Безопасность", переходил ли в PDF с тарифами,
- кликал ли по настоящей CTA или просто прокрутил до конца и ушёл.
⚙️ Обучение ML-модели
Через 5 дней сбора мы обучили ML-модель, которая предсказывала, приведёт ли текущая сессия к оформлению продукта в течение ближайших 24 часов.
📊 Передача предиктивных целей
Мы начали передавать эти «предиктивные цели» в Яндекс.Директ — и уже через 3 дня алгоритмы получили в 10 раз больше целевых сигналов, чем если бы ждали реальных оформлений.
Что получилось
- ✓ CPA снизился на 28% уже в первые 2 недели
- ✓ Кампании, которые не могли обучиться 10+ дней, начали оптимизироваться на 3–4 день
- ✓ CR с лендинга вырос с 1.1% до 2.0%
- ✓ CTR в объявлениях повысился на 0.7 п.п. — за счёт быстрой реакции на эффективные креативы
Этап 2: Очистка от спама и ботов
К середине второго месяца клиент заметил, что часть заявок — фейковые:
- ⚠ клики шли с одинаковых устройств и анонимайзеров
- ⚠ заполнение формы занимало меньше 3 секунд (!)
Как мы решили проблему
Анализ поведения
Изучили паттерны «плохих» визитов
Дообучение модели
Модель начала предсказывать фейковые заявки
Фильтрация трафика
Перестали передавать подозрительные визиты
Мы проанализировали поведение «плохих» визитов и дообучили модель:
Теперь она начала предсказывать вероятность фейковой заявки — по косвенным признакам: скорость ввода, фокусировка на полях, отсутствие чтения контента, нестандартная прокрутка, повторные входы с одинаковыми паттернами.
После обновления модели:
- → мы перестали передавать подозрительные визиты в Яндекс как конверсии
- → а также начали добавлять отрицательные корректировки на группы объявлений, генерирующие «мусорный» трафик
Результат:
- ✓ Доля спам-заявок снизилась с 13% до 4%
- ✓ Уровень аппрува заявок в скоринге вырос на 22%
- ✓ Качество трафика стало равномерным по времени суток и устройствам (боты сбивались в ночи и на Android WebView)
Этап 3: Привлечение клиентов с высоким LTV
📋 Постановка задачи
На финальном этапе мы перешли к следующей задаче: обучить модель не просто на оформление заявки, а на долгосрочную ценность клиента.
💾 Анализ данных из CRM
Через CRM клиент выгрузил ID-шки пользователей с LTV > 3 месяцев (те, кто пользуется продуктом стабильно и не уходит).
🔧 Построение новой ML-модели
Мы соотнесли их с данными из rivox.js — и построили новую ML-модель, предсказывающую потенциальный LTV ещё на стадии первого визита.
🔍 Выявление поведенческих паттернов
Оказалось, что есть конкретные поведенческие паттерны, характерные для «качественных» пользователей:
- читают блок «Гарантии и возвраты»,
- открывают оферту (!),
- возвращаются на сайт минимум 2 раза,
- сравнивают несколько продуктов внутри сайта.
🎯 Создание целевой группы объявлений
Мы выделили отдельную группу объявлений, где целью стало привлечение трафика с максимальной вероятностью LTV > 3 мес.
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 всего на 9% выше, но окупалась уже через 1,5 месяца
Итоги за 2 месяца работы
| Что сделали | Результат |
|---|---|
| Ускорили обучение автостратегий | кампании обучались в 3–4 раза быстрее |
| Снизили CPA | –28% от базового уровня |
| Очистили трафик от мусора | –9 п.п. доли спама |
| Выделили сегмент с высоким LTV | +37% конверсии в «долгоживущих» клиентов |
| Повысили общую рентабельность | +24% ROAS в новой группе кампаний |
Вывод
Быстрое обучение
Сначала дал системе обучиться быстрее
Защита от помех
Потом защитил её от помех
Максимизация прибыли
А в финале — направил на тех, кто приносит максимум прибыли в долгую
Rivox AI стал не просто «надстройкой» над Яндекс.Директом — он стал вторым уровнем логики, который:
- 1 сначала дал системе обучиться быстрее
- 2 потом защитил её от помех
- 3 а в финале — направил на тех, кто приносит максимум прибыли в долгую
Это пример умного запуска, когда один инструмент решает сразу три задачи, с экономией времени, бюджета и нервов команды.
Хотите сократить расходы на рекламу и зарабатывать больше?
"Мы впервые смогли смотреть на трафик не как на поток заявок, а как на долгосрочные отношения. Rivox буквально научил наш Яндекс искать не просто клиента, а правильного клиента — с интересом, осознанным выбором и нормальным чеком. Это для нас стало откровением."