Подавайте работы до 22 ноября (вс) — 19 000 Р,
с 23 ноября (пнд) — 28 000 Р
Церемония награждения
5 декабря 2026
Крупнейшая digital-премия в Европе

Перформанс-маркетинг мобильного приложения MoneyMan: как утроить инкрементальный эффект, пересобрав медиасплит с ИИ-аналитикой

Заказчик: MoneyMan
Исполнитель: Mobio
Share
Share
Перформанс-маркетинг мобильного приложения MoneyMan: как утроить инкрементальный эффект, пересобрав медиасплит с ИИ-аналитикой

Главное о кейсе

Спрос на микрозаём ситуативный: деньги нужны сейчас, человек вводит название знакомого сервиса и ставит приложение. Для бизнеса это органика, но для MMP — нет: если человек хоть раз коснулся рекламы, установка достается рекламному источнику. Чем шире окна атрибуции и чем больше источников, тем больше собственного спроса оказывается в платном отчете.

MoneyMan (топ-3 МФО России, 57,1 млрд ₽ выдач в 2025 по «Эксперт РА») и агентство Мобио задали вопрос: какая часть выдач действительно появилась благодаря рекламе, а какая произошла бы и без рекламного контакта? И как увеличить именно инкрементальный эффект?

Команда проверила 200+ источников ИИ-моделью, настроила окна атрибуции под каждый источник и перенесла объем в каналы с лучшей конверсией из установки в выдачу, разведя атрибуции и реальные выдачи в CRM.

За период июнь–август 2026:
- инкрементальный выход закупки увеличился в 3 раза (органика к платным: 0,76 к 2,28);
- общий объем +3,8%: платные выдачи −44%, органика +66%;
- стоимость установки по портфелю −35%.

Как проект изменил жизнь пользователей

Кейс MoneyMan показывает, как агентствам мобильного маркетинга и их клиентам пересмотреть подход к оценке эффективности мобильной закупки, если стандартная атрибуция завышает вклад рекламных каналов.

Что можно перенять из проекта:
1. Не доверять атрибуции без проверки инкрементальности. Последнее рекламное касание не всегда означает, что именно реклама привела к выдаче. Анализ 200+ источников и индивидуальные окна атрибуции помогли точнее оценить реальный вклад каждого канала.
2. Оптимизировать закупку по бизнес-результату. Перераспределение бюджета позволило сократить платные выдачи на 44%, сохранив рост общего объёма выдач на 3,8%.
3. Использовать ML для анализа источников без передачи клиентских данных во внешние облачные сервисы. Локальное развёртывание модели на сервере Мобио позволило совместить аналитическую обработку данных с требованиями к их конфиденциальности.

Бизнес-задача и ее решение

Перед командой стояли две задачи: кратно увеличить объем инкрементальных выдач, то есть тех, которые не состоялись бы без рекламы, и удержать стоимость выдачи в пределах KPI. Для этого требовалось отделить реальный вклад рекламных каналов от органического спроса, который возник бы и без рекламного контакта.

Команда развела два числа — атрибуции в MMP и реальные выдачи в CRM: проанализировала 200+ источников с помощью ИИ, настроила индивидуальные окна атрибуции, перенесла часть закупки в источники с лучшей конверсией в выдачу и замерила эффект по общему объему выдач.

Что получил бизнес?

Нарастили инкремент:
- инкрементальный выход закупки увеличился в 3 раза;
- платные выдачи −44%, органика +66%;
- общий объем выдач увеличился: +3,8%.

Удержали стоимость:
- стоимость установки по портфелю −35%;
- при росте бюджета в 2,4 раза модель прогнозировала в июле рост выдач в 2,9 раза и снижение смешанного CPS (цены выдачи); фактический CPS за 1–20 августа оказался всего на 1% выше расчетного – масштабирование стало предсказуемым.

Отделили реальный прирост от атрибуции:
- введено решающее правило: закупка эффективна, только если растет общий объем выдач (T = P + O: платные плюс органические);
- эффективность рекламы теперь оценивается не только по выдачам, которые MMP присваивает платным каналам, но и по дополнительному результату для бизнеса.

Крафт (мастерство), реализация, технические детали

Мобио совместно с MoneyMan автоматизировали анализ сырых данных с использованием ИИ. Модель учитывает накопленный опыт обеих компаний – экспертизу агентства в мобильной закупке и знание продуктовой воронки на стороне клиента – и способна глубоко раскапывать аномалии, которые не видны в сводных отчетах.

Модель была подключена к собственной системе закупки Мобио и к базе, где агрегируются обезличенные данные по клиентам агентства. Она позволила сопоставлять показатели одного и того же источника на разных проектах и учитывать типичные значения для конкретной вертикали. Благодаря этому стало возможным не только находить отклонения внутри отдельного проекта, но и оценивать их относительно накопленных данных по другим кампаниям.

ML-модель (модель машинного обучения) была развернута локально на сервере Мобио, поэтому клиентские данные не передавались во внешние облачные сервисы.

По каждому источнику ИИ строила несколько независимых профилей и искала расхождения между ними:
- Время от рекламного контакта до установки – анализировали распределение задержек и выявляли нетипичные смещения.
- Конверсию по воронке: установка → регистрация → заявка → выдача. Показатели сравнивали с данными по вертикали и органическим трафиком продукта.
- Согласованность этапов – искали источники с аномальными сочетаниями объемов и конверсий между этапами.
- Удержание – анализировали форму когортных кривых и выявляли нетипичную динамику.
- Медийные метрики – сопоставляли показы, клики и установки и отмечали несогласованные значения.
- Технические идентификаторы площадок – отслеживали резкие изменения их состава внутри источника.

Благодаря автоматизации команда смогла перейти от выборочного анализа крупнейших источников к системной проверке всего пула закупки.

Как перестроили закупку?
1. Настроили окна атрибуции. Вместо единого шаблона на весь аккаунт установили свои правила для каждого источника, посчитанные из его собственного распределения задержек, а также индивидуальные окна атрибуции на основе фактического распределения времени от рекламного контакта до установки. Так окна пришли в соответствие с реальным поведением пользователей каждого источника.
2. Пересобрали микс источников. Часть закупки была перенесена в источники, где путь от установки до выдачи займа воспроизводится и проверяется на данных. Ключевой метрикой отбора стала конверсия из установки в выдачу.
3. Провели замер инкрементальности. Изменение структуры закупки использовали как естественный эксперимент: платный объем менялся контролируемо, а мы смотрели, что при этом происходит с общим числом выдач у бизнеса.

Как измеряли инкрементальность?
Классический способ измерить вклад рекламы – полностью отключить канал и посмотреть, что произойдет с результатом.
Но для работающего МФО такой эксперимент слишком рискован. Поэтому мы использовали более мягкий подход:
- Единицей наблюдения стал день.
- Основной метрикой – количество выдач в CRM.
- Общий объем выдач: T = P + O, где P – платные выдачи, O – органические.
- Дальше мы меняли количество платных выдач и наблюдали за общим объемом (T).

Решающее правило: закупка считается эффективной только если растет общий объем выдач. Рост P при неизменном T – это перекладывание выдач из одной колонки отчета в другую.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Подключение ИИ и находки
Подключили ИИ-модель, которая учитывает опыт обеих сторон: экспертизу агентства в закупке и знание воронки на стороне клиента. Она сравнивала один и тот же источник на разных проектах и впервые позволила проверить весь пул, а не крупнейшие источники выборочно.

Одна из находок: конверсия в выдачу у источников отличается почти в десять раз (от 0,9% до 8,3%), а значит, дешевая установка не равна дешевой выдаче.

Препятствие
Классический способ измерить вклад рекламы – отключить канал. Для работающего МФО это слишком рискованно. Поэтому изменение структуры закупки использовали как естественный эксперимент: меняли платный объем, смотрели на общий.

Как проект живет сейчас?
После пересборки закупки определили следующий ориентир – снизить смешанный CPS на 22,8%. При этом большая часть каналов ядра уже работали ниже целевого уровня – их средний CPS был примерно на 11% ниже целевого.
Распределение бюджета и выдач показывает, за счет чего формируется текущий разрыв до цели: часть каналов уже дает больше выдач относительно своей доли бюджета, а часть пока работает менее эффективно.

Четыре канала на обеих платформах забирают 21% недельного бюджета, но дают только 5% выдач. Именно они формируют часть разрыва до целевого CPS. Поэтому мы проверили, что произойдет, если вывести эти каналы из закупки и направить высвободившийся бюджет в ядро.
Согласно нашим расчетам, отключение четырех слабых каналов снижает CPS на 18%, но одновременно сокращает объем выдач на 4%.

Таким образом, основной резерв – в перераспределении бюджета из каналов с низкой отдачей в пользу ядра закупки. Это позволяет увеличить объем выдач на 23% при том же снижении CPS. Для выхода на целевые значения за выдачу остается дополнительно снизить CPS на Канале 3 на Android за счет оптимизации воронки.

Скриншоты

Комментарий заказчика

Рынок МФО играет по своим, закрытым правилам, но удерживать лидерство за счет старых инструментов привлечения уже невозможно — индустрии нужен технологический дизрапт (изменение бизнес-процессов). Мы кардинально поменяли подход к мобильному сплиту: внедрили оценку 360, жесткий антифрод (борьба с мошенническим трафиком) и начали мерить не абстрактные клики, а чистый инкрементальный эффект. В партнерстве с «Мобио» мы реализовали кейс, опровергающий классические догмы рынка: затраты упали, а объем реального бизнес-результата вырос в разы.
Share
Share

Номинации

— Performance marketing → Performance-кампания

Дата запуска

1 июня 2026 года

Авторы

Даниил Крашенинников – Digital Director
Максим Скворцов – Performance Group Head
Руслан Аббасов – Senior Performance Manager
Петр Горбунов – Art Lead
Антон Мхитарян – заместитель директора по маркетингу MoneyMan

Ссылки

adindex.ru drive.google.com
Крупнейший digital-конкурс в Европе
Подавайте работы до 22 ноября (вс) — 19 000 Р,
с 23 ноября (пнд) — 28 000 Р

Церемония награждения — 5 декабря (сб)  •  Москва и онлайн
Купить билет
Количество билетов ограниченно, торопитесь!