Главная Кейсы

Кейс «АльфаСтрахование», Media Instinct Group и Adspector: как увеличить продажи ОСАГО в 4,5 раза

О том, как благодаря технологическим инструментам и аналитической инфраструктуре превысить плановый объем продаж на 346% и снизить CPA на 78%, — в кейсе

Programmatic-реклама позволяет бизнесу найти новые точки касания с целевой аудиторией, в рамках брендформанс-подхода одновременно работать над узнаваемостью бренда и достигать конкретных перформанс-результатов, наращивая объемы получаемых конверсий. С апреля по июнь 2025 года компания «АльфаСтрахование» при помощи Media Instinct Group запустила продвижение страхового полиса ОСАГО в программатике Adspector с дальнейшей post-view-аналитикой размещений. За это время удалось снизить post-view-CPA (Cost per Action — стоимость действия) более чем в четыре раза относительно установленных KPI (KPI — Key Performance Indicators — ключевые показатели эффективности).

Media Instinct Group совместно с командой Adspector поставили перед собой цель — оптимизировать устоявшиеся бенчмарки клиента по CPA post-view-конверсий и максимально снизить стоимость оформления полиса ОСАГО в digital. Для этого сфокусировались на комплексной оптимизации: от сегментации аудитории до внедрения современных технологий аналитики и автоматизации.

Снижение стоимости привлечения клиентов позволило компании не только сократить расходы на digital-маркетинг, но и увеличить общий объем продаж страховых полисов.

Клиент

«АльфаСтрахование» — частная страховая компания России, предоставляющая широкий спектр страховых услуг, включая обязательное страхование автогражданской ответственности (ОСАГО).

Контекст

Рынок автомобилей в условиях существенного сокращения продаж как новых, так и б/у авто испытывает трудности. Это приводит к усилению конкуренции на рынке ОСАГО, поскольку страховые компании борются за ограниченное число новых автовладельцев. Снижение спроса на автомобили и рост их цен вынудили компании активнее привлекать клиентов для сохранения рыночных позиций.

Рынок ОСАГО характеризуется длительным циклом принятия решения. Пользователи тщательно сравнивают предложения, анализируют репутацию компаний и оценивают условия страхования. Этот процесс растягивается во времени, особенно на этапе продления полиса, — за 45–60 дней до окончания срока действия клиент начинает получать значительный объем рекламных предложений.

Информационный поток усиливается, создавая высокий уровень рекламного шума и конкуренции. В таких условиях критически важно не терять контакт с пользователем, удерживая внимание и обеспечивая последовательную коммуникацию. Главная задача заключалась в выстраивании непрерывного взаимодействия с клиентом в течение всего цикла принятия решения и преодолении насыщенного рекламного клаттера.

Дополнительным вызовом стала необходимость поиска и привлечения новой аудитории. Традиционные механизмы вроде Look-alike-сегментов демонстрировали ограниченные результаты: их потенциал не позволял находить пользователей с высокой вероятностью конверсии.

Рынок ОСАГО крайне конкурентен, а интерес к полису возникает в строго определенные периоды. Поэтому требовалось использовать более точные подходы к построению сегментов и выявлению аудитории, находящейся на ранних этапах формирования интереса. В основе решения должен был лежать анализ данных и выявление поведенческих паттернов, отражающих зарождающийся спрос.

Особенностью категории ОСАГО является отложенный эффект принятия решения. Стандартные модели атрибуции с окном 30 дней не отражают реальную динамику взаимодействия с рекламой: многие пользователи совершают конверсию значительно позже.
Для объективной оценки эффективности каналов требовалось внедрить более «длинную» аналитику, охватывающую весь цикл принятия решения — от первого касания до покупки. Это позволило бы корректно учитывать влияние всех этапов коммуникации и строить релевантные модели оптимизации.

Реализация

Перед запуском рекламной кампании клиенту была рекомендована интеграция специализированных трекинговых инструментов — в частности, установка пикселей аналитики на веб-ресурс клиента для сбора и обработки данных о поведении пользователей с помощью машинного обучения.

На базе собранных данных была выстроена потребительская воронка по сегментам для оптимизации на каждом из ее этапов. Выделены три целевые аудитории:

Все посетители сайта, не совершившие целевого действия, — ретаргетинг для возвращения на сайт.
Пользователи, начавшие, но не завершившие конверсию, — ретаргетинг для побуждения к завершению начатой конверсии.
Пользователи, совершившие конверсию, — по ним строились похожие (look-alike) аудитории для расширения охвата, исключая тех, кто уже оформил полис.

Поиск новой аудитории был реализован за счет внедрения ML-сегментации — подхода, основанного на машинном обучении и многослойном анализе данных.
В отличие от стандартных Look-alike моделей ML-сегментация позволила учитывать десятки поведенческих и контентных факторов:

данные о посещении сайтов и семантику страниц, связанных с автострахованием;
историю действий пользователей, включая повторные визиты и глубину взаимодействия;
внешние сигналы, например данные о транзакциях и поведенческих циклах (например, кто продлевал ОСАГО 10 месяцев назад).

За счет такого анализа формировались сегменты с наибольшей вероятностью конверсии. Это позволило находить пользователей с актуальным или зарождающимся интересом к страхованию, значительно расширяя охват при сохранении качества трафика.

Для адекватной оценки эффективности кампаний была внедрена аналитика с окном атрибуции 60 дней. Такой период отражает реальный цикл принятия решения в сегменте ОСАГО и позволяет учитывать отложенные конверсии.

Использование экспоненциальной time-decay-модели позволило распределить ценность взаимодействий пропорционально их влиянию на итоговую покупку, корректно оценивая вклад каждого канала. Суммарная ценность от всех источников приводилась к одному, чтобы была возможность агрегировать данные в различных срезах и выявлять эффективные площадки/форматы/креативы.

Техническая реализация

Реализация проекта стала возможной благодаря интеграции технологических инструментов и аналитической инфраструктуры клиента:

Пиксель обеспечил сбор данных о действиях пользователей, включая просмотры, клики и глубину вовлеченности.
Расширенные модели атрибуции позволили учитывать все касания в окне 60 дней, формируя объективную картину влияния каналов.
ML-модели использовались для построения сегментов с высокой вероятностью конверсии и прогнозирования поведения пользователей.
Аналитика post-view и post-click дала возможность оценить эффективность кампаний с учетом всех точек взаимодействия.

Результаты

Система объединила ретаргетинг, ML-сегментацию и аналитику в единую экосистему, обеспечив прозрачность данных и управляемость коммуникацией на всех этапах.

Результаты внедрение комплексного подхода существенно превзошли ожидания от кампании:

Более 11,1 тыс. оформленных полисов ОСАГО с учетом окна атрибуции 60 дней — результат превысил плановый объем на 346%.
CPA снизился на 78% относительно целевого значения.
Рост качества трафика: за счет ML-сегментации и продуманного ретаргетинга доля вовлеченной аудитории увеличилась, что напрямую отразилось на объеме конверсий.

Выводы

Кейс демонстрирует эффективность системного подхода к работе с данными и коммуникацией. Использование технологий Adspector в сочетании с ML-сегментацией и долгосрочной аналитикой позволило построить устойчивую модель привлечения и удержания клиентов на высококонкурентном рынке ОСАГО.
Продуманная стратегия взаимодействия с пользователем, усиленная точными данными и расширенным окном атрибуции, обеспечила рост продаж, снижение CPA и увеличение прозрачности анализа каналов.

Результаты подтверждают: интеграция технологических решений и аналитики нового уровня становится ключевым фактором повышения эффективности рекламных кампаний и конкурентоспособности страховых брендов в цифровой среде.

Алина Новикова, руководитель направления digital-маркетинга АО «‎АльфаСтрахование»:

«С помощью programmatic-платформы и брендформанс-подхода нам удается получить новый инвентарь для взаимодействия с потенциальными клиентами и увеличить продажи полисов ОСАГО. Благодаря качественно подобранной аудитории Adspector и оптимизации по модели подсчета post-view-конверсий от агентства у нас получается достичь положительной динамики по снижению CPA месяц к месяцу».

Анастасия Субботина, руководитель группы по работе с социальными сетями Media Instinct Group:

«Клиент “АльфаСтрахование” поставил перед нами цель по количеству покупок полиса ОСАГО на сайте и их стоимости на 2025 год. Для выполнения необходимых объемов конверсий мы решили использовать брендформанс-подход помимо классических перформанс-каналов. Выбранная стратегия позволила нам объединить методы оптимизации по post-click- и post-view-моделям атрибуции, вследствие чего при размещении в programmatic-рекламе Adspector нам удалось получить post-view-конверсии со стоимостью в 4,5 раза ниже планового KPI при сохранении качественного трафика на сайт».

Александр Ващилин, руководитель направления programmatic Adspector:

«При работе с рекламными кампаниями, целью которых является привлечение конверсий и снижение CPA, неотъемлемая часть процесса — поиск наиболее заинтересованной аудитории и дальнейшее взаимодействие с ней. Брендформанс-подход на пересечении высококачественного инвентаря и работы с аудиторией на всех этапах потребительской воронки позволил эффективно оптимизировать размещение по целям в post-click и post-view, благодаря чему удалось для клиента “Альфастрахование” снизить CPA в 4,5 раза в рамках размещения в Adspector».

Команда проекта от АО «‎АльфаСтрахование»:

Алина Новикова, руководитель направления digital-маркетинга АО «‎АльфаСтрахование»

Команда проекта от Media Instinct Group

Клиентский сервис
Петр Шерекин, директор по работе с клиентами по перформанс-рекламе
Анастасия Федосеева, руководитель группы по работе с клиентами
Елена Новикова, младший менеджер по работе с клиентами

Техническая команда
Игорь Теселкин, руководитель отдела по рекламе в социальных сетях и медийных продуктов перформанс-направления
Анастасия Субботина, руководитель группы по работе с социальными сетями
Кристина Дегтярева, старший менеджер по программатик-рекламе и социальным медиа
Никита Казанин, менеджер по работе с социальными сетями

Команда аналитики
Ильнур Юлдашев, руководитель группы аналитики