Запись на демо-встречу
Главная Rivox / Кейсы / Плати по миру
Финтех · Виртуальные карты · Яндекс.Директ

Кейс Плати по миру × Rivox AI

Как финтех-сервис виртуальных банковских карт снизил CPA выпуска карты на 35% — с 3 915 ₽ до 2 545 ₽ — научив автостратегию отличать «регистрантов» от реальных пользователей

−35%
CPA выпуска карты
с 3 915 ₽ до 2 545 ₽
246 ₽
CPA регистрации
стабильный уровень
4×
Ускорение обучения
автостратегии

Проблема

Плати по миру (platipomiru.com) — финтех-сервис выпуска виртуальных иностранных банковских карт (Mastercard/Visa) для россиян. 185 000+ активных пользователей. Карты работают для подписок (Netflix, ChatGPT и др.), путешествий (Booking, Airbnb) и офлайн-покупок через Apple Pay/Google Pay. Пополнение — через СБП в рублях с конвертацией в USD/EUR.

Воронка: Регистрация → Выпуск карты → Пополнение → Платежи. Реклама приводила дешёвые регистрации (CPA ~246 ₽), но CPA выпуска карты был критически высоким. Автостратегия оптимизировалась по регистрациям и не могла отличить пользователя, который действительно выпустит карту, от того, кто просто зарегистрируется.

Много регистраций, но малая доля доходит до выпуска карты
Автостратегия оптимизирована по регистрации — самому дешёвому, но самому слабому сигналу
Целевая метрика бизнеса: CPA выпуска карты (FIRST_CARD_ISSUE_SUCCESS_DIRECT), а не регистрация

Критически важно: модель обучалась на поведении пользователей, которые фактически выпустили карту, а не просто зарегистрировались. Это ключевое отличие — именно факт выпуска карты отражает реальную ценность для бизнеса.

Что было сделано

1

Установка SDK Rivox

Скрипт Rivox установлен на сайт platipomiru.com и лендинг в Telegram Mini App — два основных источника трафика сервиса.

2

Сбор поведенческих сигналов

Собрано 600+ поведенческих признаков: взаимодействие с тарифами, сравнение типов карт, просмотр FAQ, посещение страницы реферальной программы, время на выборе типа карты, изучение совместимости с Apple Pay/Google Pay и списка поддерживаемых сервисов.

3

Накопление конверсий для обучения

Дождались 50 конверсий по выпуску карты — минимум для обучения ML-модели на реальных данных о поведении пользователей, дошедших до целевого действия.

4

Обучение ML-модели

Модель проанализировала поведение пользователей, выпустивших карту, в сравнении с теми, кто только зарегистрировался. Выявлены устойчивые паттерны: будущие владельцы карт дольше сравнивают тарифы, читают FAQ, проверяют список поддерживаемых сервисов и совместимость с Apple Pay/Google Pay.

5

Запуск ML-цели в кампаниях

В Яндекс.Метрике создана JS-цель rivox_goal_ml, добавлена в ключевые рекламные кампании: таргетинг по конкурентам, ключевые слова по сервисам (ChatGPT, Booking, Airbnb, Cursor и др.).

Результаты после оптимизации с Rivox AI

После запуска ML-цели автостратегия начала концентрировать бюджет на аукционах с высокой вероятностью выпуска карты. CPA выпуска карты снизился на 35% уже в первый месяц — при сохранении объёмов регистрации.

Данные после оптимизации (Яндекс.Нейро Реклама)
Конверсии в выпуск карты 384
Конверсия в выпуск карты 0.84%
CPA выпуска карты 2 545 ₽
Регистрации 3 968
Конверсия в регистрацию 8.63%
CPA регистрации 246 ₽
Динамика: до и после Rivox AI
CPA выпуска карты −35% (3 915 ₽ → 2 545 ₽)
Конверсия в выпуск карты значительный рост
Обучение автостратегии ускорение в 4×
Объём регистраций стабильный

Ключевое: автостратегия получила сигнал, привязанный к реальному бизнес-результату — выпуску карты. Это позволило перестать оптимизироваться по «дешёвым» регистрациям и сконцентрировать бюджет на пользователях с высокой вероятностью стать активными клиентами сервиса.

Почему это сработало в финтехе

В финтехе регистрация — низкий барьер, и большинство зарегистрированных пользователей не совершают целевое действие. Пользователи, которые действительно выпустят карту, ведут себя иначе — и модель усилила именно эти паттерны:

Внимательно изучают тарифы и сравнивают типы карт (подписочная vs. для путешествий)
Читают FAQ — особенно вопросы про 3D Secure и безопасность
Проверяют совместимость с Apple Pay и Google Pay
Изучают список поддерживаемых сервисов
Посещают страницу реферальной программы

«Просто регистрирующиеся» пользователи: быстрая регистрация, не изучают детали — и уходят.

Модель усиливает паттерн «серьёзного покупателя»: автостратегия концентрирует бюджет на аукционах, где с наибольшей вероятностью окажутся пользователи с высоким намерением выпустить карту — вне зависимости от типа кампании (конкуренты, ключевые слова по сервисам и др.).

Какие кампании получили поведенческий сигнал

ML-цель rivox_goal_ml добавлена в кампании разных типов — и каждая из них получила выгоду от поведенческого сигнала:

Таргетинг по конкурентам — пользователи, интересующиеся аналогичными сервисами
Ключевые слова по Google-сервисам — Google Play, Games
Ключевые слова по Booking и Airbnb — путешественники
Ключевые слова по ChatGPT — пользователи AI-сервисов
Ключевые слова по Cursor — разработчики
CPA выпуска карты снизился на 35%. Rivox AI помог автостратегии понять, какие пользователи действительно выпустят карту, а не просто зарегистрируются — и результаты пришли уже в первый месяц

Выводы

1

CPA выпуска карты снизился на 35% с первых месяцев

С 3 915 ₽ до 2 545 ₽ — модель позволила автостратегии находить пользователей, которые действительно выпустят карту, а не просто зарегистрируются.

2

Модель отличает «витринных покупателей» от серьёзных

ML-модель научилась разделять пользователей, которые просто регистрируются, от тех, кто внимательно изучает продукт и выпускает карту.

3

Обучение автостратегии ускорилось в 4 раза

Поведенческий сигнал от Rivox дал автостратегии осмысленные данные значительно быстрее, чем ожидание редких конверсий по выпуску карты.

4

Обучение на выпуске карты, а не регистрации

Ключ к успеху — модель обучена на реальном бизнес-результате (выпуск карты), а не на промежуточном шаге (регистрация). Это захватывает настоящую ценность клиента.

5

Все типы кампаний получили выгоду

Конкурентный таргетинг, ключевые слова по сервисам (ChatGPT, Booking, Airbnb, Cursor) — поведенческий сигнал универсален и работает для всех источников трафика.

Этот кейс показывает, что в финтехе с длинной воронкой и низким барьером регистрации можно снизить CPA целевого действия на 35%, ускорить обучение автостратегии в 4 раза и получить предсказуемую экономику с первого месяца, обучая модель на реальном бизнес-результате — фактическом выпуске карты, а не промежуточной регистрации.

Хотите повысить эффективность рекламы?

Запишитесь на демо-встречу и узнайте, как Rivox AI поможет оптимизировать рекламные кампании и снизить стоимость привлечения клиентов