Rivox AI в EdTech: как виртуальные конверсии через ИИ поменяли качество трафика в моём проекте

В edtech есть одна штука, которая рано или поздно догоняет любого директолога. Ты можешь настроить кампании грамотно, собрать нормальную семантику, выставить адекватные ставки, и в кабинете всё будет выглядеть хорошо. CPL в рамках KPI, бюджет осваивается ровно, конверсии капают. А потом на еженедельном созвоне менеджер по продажам говорит: «Ребят, у меня в календаре пусто, кто все эти люди в CRM?»

Я в контекстной рекламе больше пяти лет. Работала с e-commerce, услугами, B2B, вела проекты в медицине и финтехе. Но последние полтора года большой объём у меня в edtech, и именно здесь я столкнулась с задачей, которую обычными средствами Директа решить не получалось. Не потому что я чего-то не знаю, а потому что сама механика оптимизации в Директе заточена под определённую логику, и для длинных воронок эта логика начинает буксовать

Хочу рассказать один кейс, где мне удалось эту проблему сдвинуть. Не за счёт каких-то сложных технических настроек, а за счёт того, что я поменяла сам сигнал, по которому обучается алгоритм. Использовала виртуальные конверсии через Rivox AI. Дальше расскажу подробно, что это, как работает и какие цифры получились

Онлайн-школа. Несколько образовательных продуктов, чек от 40 до 180 тысяч. Цикл сделки длинный, от первого касания до оплаты может пройти две-три недели, иногда месяц. Часть трафика ведётся на бесплатную консультацию, часть на квиз с подбором программы, часть на прямую заявку на конкретный курс

Бюджет на Директ 1,1 млн рублей в месяц. Структура стандартная для edtech: поисковые кампании на горячие запросы по названиям курсов и профессий, РСЯ на более широкую аудиторию, ретаргетинг на тех кто был на сайте но не оставил заявку, плюс небольшая доля на брендовые запросы. Брендовый трафик я обычно выношу отдельно, там своя экономика и свой CPL, его нельзя мешать с небрендом, иначе вся аналитика плывёт

По кабинету в январе картина была такая: CPL по небрендовому трафику держался в рамках KPI, конверсий хватало для обучения стратегий, отказность по Метрике в среднем 25-30%, глубина просмотра 2-3 страницы. Вроде всё живое. Но если копнуть глубже, начинались вопросы

В РСЯ около 65% трафика шло с мобильных. И вот тут важный момент: мобильный трафик в РСЯ часто выглядит дешёвым по клику и по CPL, но качество лидов с него ниже. Я это вижу постоянно, не только в этом проекте. Человек сидит в приложении, видит баннер, кликает, попадает на лендинг, быстро заполняет форму. Заявка есть, а до созвона он не доходит, потому что решение было импульсивным. Сессия короткая, 40-60 секунд, глубина просмотра одна страница. По Метрике видно что человек даже не скроллил до блока с программой

По поиску ситуация лучше, но тоже неоднородная. Горячие запросы типа «курс UX-дизайна цена» или «обучение аналитике данных отзывы» давали более качественные лиды. А вот широкие информационные, которые подмешивались через автотаргетинг или через широкое соответствие, приводили людей на стадии «ну интересно посмотреть что есть». Такой человек заявку оставит, но когда ему перезвонят через два часа, он уже не помнит на каком сайте он был

И ещё один момент, который в edtech мешает всегда: часть аудитории оставляет заявку просто чтобы узнать стоимость. Цены на сайте нет, потому что зависит от формата и рассрочки, и единственный способ узнать сколько стоит обучение — оставить заявку или записаться на консультацию. Эти люди формально лиды, но значительная часть из них отваливается сразу после того как слышит цену. Они не целевые, они просто хотели узнать цифру

В итоге воронка в edtech выглядит примерно так. Из условных ста лидов до созвона доходит может 50-60. Из них квалифицированных, то есть тех кто подходит по бюджету, мотивации и срокам, 20-30. До выставления счёта добирается 10-15. Оплачивает 5-8. И вот тот CPL, на который мы все смотрим в кабинете Директа, он считается от ста. А бизнесу интересна стоимость тех пяти-восьми

Алгоритм Директа обучается на тех событиях, которые ты ему передаёшь как цели. Это базовая вещь, но из неё вытекает всё остальное. Если ты оптимизируешь по цели «отправка формы» или «заказ создан в CRM», алгоритм ищет аудиторию, которая с наибольшей вероятностью совершит именно это действие. Он честно делает ровно то, чему его научили

Проблема в том, что «оставить заявку» и «быть готовым заплатить 120 тысяч за обучение» коррелируют гораздо слабее, чем хотелось бы. Алгоритм не знает что такое «качественный лид». Он знает что такое «конверсия» — и оптимизирует под неё. Если конверсия мягкая, он начинает покупать мягкую аудиторию. Людей которые легко кликают, быстро заполняют формы, охотно оставляют телефон. Но не факт что они вообще планируют учиться

Я в январе это видела очень чётко. Кампании в РСЯ с оптимизацией по заявке быстро обучались и давали хороший CPL, но по данным CRM конверсия этих лидов в квалифицированное обращение была сильно ниже, чем с поиска. Причём дело было не в том что РСЯ сама по себе плохая, а в том что алгоритм в РСЯ работает с огромным пулом площадок, и если цель мягкая, он начинает закупать трафик на тех площадках, где люди кликают охотнее всего. Условно: развлекательные приложения, агрегаторы новостей, казуальные игры. Оттуда идёт поток кликов и даже заявок, но качество околонулевое

Я чистила площадки регулярно, выносила в минус-площадки десятки паблишеров каждую неделю. Но это бесконечный процесс, потому что Директ постоянно подключает новые. Ты убрал одну площадку, алгоритм нашёл другую с похожим профилем аудитории. По факту ты борешься с симптомом, а не с причиной

Я пробовала разные подходы. Переводила кампании на оплату за конверсии. Тестировала разные стратегии: максимум конверсий, целевая доля рекламных расходов, оптимизация по CRM-событию. Пробовала сужать аудитории, отключать автотаргетинг, делать жёсткую сегментацию по устройствам. Делала отдельные кампании на десктоп, потому что там средний чек лида выше. Тестировала разные посадочные: длинный лендинг vs короткий, квиз vs прямая форма

Что-то давало локальные улучшения. Десктопные кампании действительно давали более качественные лиды, но объём с них был в три-четыре раза меньше, и масштабировать их на весь бюджет не получалось. Квиз давал больше лидов, но среди них была высокая доля «просто посмотреть». Жёсткая сегментация помогала точечно, но по общему результату на бюджете 1,1 млн сдвиг был минимальным

В какой-то момент стало понятно что я упираюсь не в настройки. Я упираюсь в сам принцип того, как алгоритм понимает «хороший лид». Пока я даю ему мягкую цель, он будет приводить мягкий трафик. Можно сколько угодно крутить ставки и чистить площадки, но это не меняет ту логику, по которой система выбирает, кому показать объявление

Я долго относилась к теме ИИ в рекламе без особого энтузиазма. Не потому что ИИ плохой, а потому что большинство инструментов, которые я видела, решали не ту задачу. Автогенерация объявлений, подбор картинок для креативов, чат-боты. Мне это не нужно, я с этим справляюсь сама

Но тут задача была другая. Мне нужно было дать алгоритму Директа такой сигнал, который ближе к реальному качеству лида. Не «заявка оставлена», а «этот конкретный лид с высокой вероятностью дойдёт до этапа выставления счёта». Это по сути задача предиктивной аналитики. Вручную я её решить не могу, потому что речь идёт о сотнях лидов и сотнях параметров по каждому

Rivox AI делает как раз это. Он берёт данные из CRM и Метрики, анализирует историю по лидам: кто из них в итоге дошёл до квалификации, кто до счёта, кто до оплаты. И на основе этих данных формирует виртуальные конверсии. То есть дополнительная цель, которую ты ставишь в Директ и по которой алгоритм начинает обучаться

Как это работает на практике: приходит новый лид, и система на основе паттернов предыдущих лидов определяет, насколько он похож на тех, кто реально покупал. Если похож — фиксируется виртуальная конверсия. Директ видит эту конверсию и начинает искать больше такой аудитории. Если не похож — конверсия не фиксируется, и алгоритм постепенно перестаёт покупать этот тип трафика

Ключевое тут в том, что меняется сам ориентир обучения. Раньше алгоритм учился на вопросе «кто оставляет заявку?». Теперь он учится на вопросе «кто оставляет заявку И с высокой вероятностью заплатит?». Это принципиально разные выборки людей

Январь я оставила как контрольный период. Всё работало по старой схеме, оптимизация по стандартным CRM-событиям. Я собрала по нему полную статистику: CPL по кампаниям, срезы по устройствам, по типу трафика, по дням недели. Вытащила данные из CRM по квалификации, по движению по воронке, по конверсии в счёт и в оплату. Это было важно, потому что потом нужно было сравнивать не на глазок, а по конкретным метрикам

С 1 февраля я подключила виртуальные конверсии от Rivox. Добавила новые цели в кампании и перевела стратегии на оптимизацию по ним. Параллельно продолжала вести кампании как обычно: следила за ставками, обновляла минус-слова, мониторила площадки. Ничего больше принципиально не меняла, мне было важно понять, какой эффект даёт именно смена сигнала

Первые две недели февраля я смотрела в основном на поведение алгоритма. Когда меняешь цели в стратегии, системе нужно время на переобучение. Обычно это 1-2 недели, в зависимости от объёма конверсий. В этот период CPL может немного прыгать, и это нормально, тут главное не дёргать кампании и дать алгоритму набрать данных

К середине февраля стало видно что трафик начал меняться по составу. Доля мобильного в РСЯ снизилась сама по себе, я не трогала корректировки. Видимо алгоритм начал находить конвертирующую аудиторию чаще на десктопе, и стал перераспределять показы. Средняя длительность сессии выросла, глубина просмотра стала 3-4 страницы вместо 2-3. По Метрике было видно что люди стали чаще доходить до страницы с описанием программы и до блока с отзывами. То есть изменилось не просто количество, а само поведение пользователей на сайте

Отдел продаж почувствовал это раньше, чем я увидела в отчётах. Менеджеры стали говорить что люди на созвонах более подготовленные: задают конкретные вопросы по программе, спрашивают про формат рассрочки, уточняют сроки начала потока. Раньше значительная часть звонков уходила на «а расскажите вообще что у вас есть» или «я просто узнать цену хотел». Таких стало ощутимо меньше

Сравнение январь (без виртуальных конверсий) vs февраль (с виртуальными конверсиями), бюджет одинаковый:

CPL снизился на 37%. Это хороший результат, но тут нужно понимать откуда он взялся. CPL упал не потому что мы стали покупать более дешёвый трафик. Наоборот, средний CPC немного вырос, потому что алгоритм стал чаще выигрывать аукционы за более качественную аудиторию, а она обычно дороже. Но при этом конверсия из клика в заявку выросла, потому что на сайт стали приходить более целевые люди. В итоге CPL снизился даже при росте цены клика

CPMQL, стоимость квалифицированного лида, снизился на 45%. Вот это для меня было главной метрикой. В edtech CPL сам по себе мало что значит, потому что разброс по качеству лидов огромный. А CPMQL показывает сколько ты платишь за лид, который прошёл квалификацию в отделе продаж. Снижение на 45% на бюджете 1,1 млн это очень существенно

Квалификация выросла на 4 процентных пункта. Может показаться что 4% это немного. Но на объёмах edtech-проекта с таким бюджетом это десятки дополнительных квалифицированных обращений в месяц. Каждое из которых имеет шанс дойти до оплаты с чеком от 40 до 180 тысяч. В деньгах разница ощутимая

Лиды стали лучше двигаться по воронке вплоть до выставления счёта. Это важно, потому что раньше основная потеря была между заявкой и квалификацией, там отваливалась значительная часть. Теперь «узкое горлышко» стало менее узким

Отдельно я смотрела динамику с 25 февраля по неделям. К 3 марта тренд был положительный: CPL снизился уже на 45% относительно январского контрольного, стоимость квалифицированного целевого обращения снизилась на 30%. Алгоритм продолжал обучаться и с каждой неделей работал точнее

Я перепроверяла результат несколько раз. Смотрела не влияла ли сезонность, сравнивала с динамикой прошлого года. Проверяла не было ли в феврале каких-то внешних факторов: акций, новых продуктов, изменений на сайте. Ничего такого не было, бюджет и посадочные были те же. Единственное что поменялось — цели, по которым обучались кампании

Если разложить причинно-следственную цепочку, она довольно логичная. Виртуальные конверсии дали алгоритму более точный ориентир: он начал понимать не просто кто оставляет заявку, а кто из оставивших заявку потом реально движется по воронке. За счёт этого изменился профиль аудитории, которую система закупает

На уровне аукциона это работает так: Директ стал чаще показывать объявления людям, которые похожи на тех кто покупал, и реже тем, кто похож на тех кто просто оставляет заявки. В РСЯ алгоритм стал меньше закупать трафик с площадок, откуда шли импульсивные клики. На поиске система стала лучше выбирать, за какие запросы бороться в аукционе, а какие пропускать

Параллельно изменилось распределение бюджета внутри кампаний. Раньше значительная часть бюджета в РСЯ уходила на мобильный трафик, потому что там дешёвые клики и формально много конверсий. Теперь алгоритм стал перекладывать бюджет на те устройства и те сегменты, где виртуальные конверсии фиксировались чаще. Я этим не управляла руками, это произошло автоматически за счёт того, что цель стала другой

По факту я ничего радикального не поменяла в структуре кампаний. Те же объявления, те же посадочные, тот же бюджет. Единственное изменение — алгоритм стал обучаться на более сильном сигнале. И этого оказалось достаточно чтобы сдвинуть качество трафика

Я пять лет занимаюсь Директом и привыкла решать задачи руками: сегментация, ставки, минус-слова, площадки, корректировки. Это всё по-прежнему нужно и важно. Но этот проект показал мне что есть уровень оптимизации, до которого руками не добраться. Когда у тебя тысячи лидов и алгоритм принимает миллионы решений в день о том кому показать объявление, ты можешь либо дать ему хороший ориентир, либо надеяться что он сам разберётся

Виртуальные конверсии закрыли конкретную задачу: перевели обучение алгоритма с мягкого сигнала на более сильный, ближе к реальной ценности лида для бизнеса. Я не перестала делать всё остальное: по-прежнему чищу площадки, работаю с семантикой, слежу за ставками, разбираю отчёты. Но теперь у кампаний есть более точная цель, и это чувствуется на каждом уровне воронки

После этого проекта я подключила Rivox к ещё двум клиентам: один в дополнительном образовании для взрослых, второй в B2B-услугах с длинным циклом. Хочу посмотреть как виртуальные конверсии покажут себя в других воронках. Пока гипотеза в том, что везде, где между заявкой и оплатой большая дистанция или высокий разброс по качеству лидов, эта механика может быть полезна. Буду смотреть на цифры

Один из следующих кейсов я уже описала — Rivox AI в Яндекс.Директе для медицины: как мы снизили стоимость качественного лида и перестали покупать "пустые" заявки. Там другая ниша, другая воронка, но логика та же — и результат тоже подтвердился