Научить рекламу отличать уверенного покупателя автозапчастей от случайного посетителя и снизить CPA при росте успешных заказов.
«До Rivox AI реклама часто приводила клиентов, которые заказывали неподходящие детали и отменяли заказ. После внедрения виртуальных конверсий CPA снизился на 28%, а число успешных заказов выросло в 2,2 раза»
кейс ZZap × Rivox AI
ZZap — интернет-магазин автозапчастей, масел и расходников. Каталог насчитывает тысячи позиций от фильтров до тормозных колодок и аккумуляторов.
Основная боль была нетипичной, но критичной:
реклама действительно приводила трафик и заказы, но 30% заказов отменялись уже после оформления, потому что клиенты выбирали неподходящие детали или ошибались с маркой и модификацией автомобиля.
Что происходило:
Алгоритмы Директа оптимизировались на действия вроде «оформить заказ» — но не на успешный заказ, который доехал до клиента;
Кампании привлекали неопытных покупателей или тех, кто просто «приценивался» к деталям, а потом не оплачивал;
CPA достигал 3500 ₽.
Бюджет сгорал на холостые клики и фальшивые заявки.
Задача: снизить долю нецелевых заказов и привлечь клиентов, которые точно знают, что им нужно, то есть научить рекламу отличать уверенного клиента, знающего, что ищет, от того, кто «гуглит на всякий случай» или путает VIN-коды и поколения авто.
Цель – не просто увеличить продажи, а повысить точность трафика и снизить долю отмен.
ЗАДАЧА
Что было сделано Rivox AI
1
Подключение SDK и сбор специфических поведенческих данных
SDK Rivox был установлен на сайт за 15 минут. Сразу начался сбор уникальных поведенческих паттернов, характерных для успешных (дошедших до оплаты и доставки) заказов. Система отслеживала:
Поведение в каталоге: используют ли фильтры по VIN, марке, модификации, артикулу;
Активность в блоках «Проверка по VIN»;
Количество возвратов к товару после изучения документации или совместимости;
Поведение в корзине: как долго задерживаются перед оформлением, меняют ли адрес, проверяют ли самовывоз и срок доставки.
2
Обучение ML-модели на "точных" покупателях
Rivox обучил модель на данных пользователей, чьи заказы реально были оплачены и отправлены без возврата. В результате:
Модель определила, что клиенты, которые используют фильтр по VIN и изучают карточку товара дольше 45 секунд, совершают успешные заказы в 4,2 раза чаще;
Пользователи, которые не просто добавляют в корзину, а проверяют наличие на складе + способ получения, в 3,7 раза чаще завершают заказ без отмены.
Каждый раз, когда ML-модель фиксировала это поведение (score > 0.84), SDK отправлял виртуальную конверсию.
Таким образом, в Метрике и Яндекс.Директе начали появляться точные поведенческие сигналы о клиентах, которые с высокой вероятностью не отменят заказ.
3
Как изменились кампании после внедрения виртуальных целей
Алгоритмы стали обучаться на действиях пользователей, которые реально делают правильный выбор;
Доля "ошибочных заказов" снизилась уже через 10 дней после запуска;
Кампании стали автоматически исключать пользователей, у которых не было чёткого запроса (например, не использовали фильтр по VIN, только скроллили ленты товаров).
Главные цифры кейса:
на 28%
Снижение CPA (с 3500 ₽ до 2520 ₽)
с 0,9% до 2,0%
Конверсия в успешный заказ
-41%
Снижение отмен и возвратов
с 27% до 56%
Доля заказов с VIN-проверкой
в 1,8 раза
Рост прибыли при том же бюджете
ПОЧЕМУ ЭТО РЕШЕНИЕ СРАБОТАЛО?
До подключения Rivox AI алгоритмы Директа "радовались" любой цели — даже если это был пользователь, заказавший не ту колодку на не ту машину.
После внедрения виртуальных конверсий:
Кампании стали обучаться на поведении "правильных" клиентов, которые знают, что ищут;
Алгоритмы начали исключать пользователей, не проходящих валидацию по поведенческому паттерну;
"Мы решили две самые важные задачи – снизили стоимость рекламы и увеличили количество заказов. Помимо того, что выросло число заказов, лиды стали более целевыми, их качество заметно улучшилось"
Хотите сократить расходы на рекламу и зарабатывать больше?
Заполните форму и получите план, как сэкономить до 30% рекламного бюджета с помощью AI-оптимизации от Rivox
Уже сэкономили более 5 млн рублей клиентам за счёт снижения нецелевого трафика
Передали в рекламные системы свыше 12 000 виртуальных конверсий — вместо обычной аналитики
Подняли средний чек на 40% в кейсах из e-com, финтех и онлайн-услуг