Кейс «Мобио» и MoneyMan: как увеличить инкремент в 3 раза на новом медиасплите

Площадки: iOS + Android 

Период: июнь — август 2026

Цели и задачи

1. Кратно нарастить объем инкрементальных выдач.

2. Удержать стоимость выдачи в пределах ключевых показателей эффективностей (KPI).

3. Разделить выдачи, которые появились благодаря рекламе, и те, которые продукт получил бы органически. 

Клиент

MoneyMan (входит в группу «Свой») — один из крупнейших игроков российского рынка альтернативного кредитования. Компания работает с 2012 года, по данным рейтингового агентства «Эксперт РА»; по результатам 2025 года MoneyMan находится в топ-3 по объему выданных займов среди МФО в России с показателем 57,1 млрд рублей.

Заемные средства выдаются и через мобильный канал: пользователь скачивает приложение, регистрируется и получает деньги.

В МФО (микрофинансовые организации) ошибка атрибуции искажает не только отчетность, но и оценку того, сколько денег приносит рекламная закупка. Потому что весь путь до выручки лежит внутри приложения и прогнозируется на основе MMP (Mobile Measurement Partner — партнер по мобильным измерениям).

Почему в микрозаймах измерять эффект сложнее, чем кажется

Спрос на заем почти всегда ситуативный: деньги нужны сейчас, и человек идет их искать сам. Он вводит в поиске название знакомого сервиса, открывает магазин, устанавливает приложение. С точки зрения бизнеса это органика: она была бы и без рекламы.

Однако с точки зрения MMP все выглядит иначе. Если человек за последние дни хоть раз контактировал с любой рекламой — увидел баннер, кликнул по объявлению — установка будет засчитана рекламному источнику по последнему касанию. Фактически канал получил выдачу, которая случилась бы и так.

Чем шире окна атрибуции и чем больше источников работает одновременно, тем больше собственного спроса продукта попадает в платный отчет. Отчет при этом выглядит все лучше.

«Мобио» предложили развести эти два числа и измерить каждое отдельно.

Реализация

Обнаружение проблемы

1. Сначала проанализировали сырые данные: построчные выгрузки установок и внутренних событий приложения и свели их с выгрузкой выдач из CRM клиента. На старте одновременно в закупке работало более 200 источников трафика.

2. Анализ показал, что основной метрикой оценки эффективности рекламной кампании было количество покупок, атрибутированных платному источнику. Покупки анализировались вне контекста продвижения и связанных с ним метрик: количество кликов, установок, распределение CTIT (Click-to-Install Time — время от клика до установки) / VTIT (View to Install Time — время от просмотра до установки).

Такой подход не позволял оценить ценность для бизнеса и ответить на вопрос: «Насколько выросли выдачи в целом по продукту?» или «Перетекает ли трафик из органики в платные каналы?»

3. Дополнительно обнаружили различия в поведении пользователей на iOS и Android. Медианное время от рекламного контакта до установки составляло около 8 минут на Android и 2,3 часа на iOS.

Это означало, что одно и то же окно атрибуции могло по-разному влиять на результаты на разных ОС и, как следствие, на объем выдач, который система относила к рекламе.

В результате сформулировали основной вопрос проекта: какая часть выдач действительно появилась благодаря рекламе, а какая произошла бы и без рекламного контакта?

Как проанализировали более 200 источников

Аналитика с ИИ

«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.

Технологию внедрили в собственную систему закупки «Мобио» и в базу, 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 (Machine Learning — машинное обучение) развернули локально на сервере «Мобио», поэтому клиентские данные не передавались во внешние облачные сервисы.

Что проверяла модель

По каждому источнику ИИ строил несколько независимых профилей и искал расхождения между ними.

1. Время от рекламного контакта до установки — анализировали распределение задержек и выявляли нетипичные смещения.
2. Конверсию по воронке: установка → регистрация → заявка → выдача. Показатели сравнивали с данными по вертикали и органическим трафиком продукта.
3. Согласованность этапов — искали источники с аномальными сочетаниями объемов и конверсий между этапами.
4. Удержание — анализировали форму когортных кривых и выявляли нетипичную динамику.
5. Медийные метрики — сопоставляли показы, клики и установки и отмечали несогласованные значения.
6. 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 перенесли 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 «Мобио» смотрел, 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. Однако для работающего МФО такой эксперимент слишком рискован, поэтому 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 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.

Результаты

После изменения в структуре закупки получили следующие результаты:

• общий объем выдач вырос на 3,8%, 
• прирост органики составил 66%,
• платная выдача снизилась на 44%.

^{Средние выдачи в сутки: до и после.
1–10 июня против 16–25 июня 2026. Тест Уэлча для разности средних.}

Инкрементальный выход вырос в 3 раза, а платный объем сократился на 44%, при этом общее число выдач не изменилось. Это показало разницу между атрибуцией и реальным приростом. Поэтому эффективность рекламы стали оценивать не только по выдачам, которые MMP относит к платным каналам, но и по дополнительному результату для бизнеса.

Откуда берется снижение стоимости выдачи

Стоимость выдачи зависит не столько от цены установки, сколько от способности источника проводить пользователя по всей воронке — от установки до получения займа. Поэтому после пересборки микса мы перераспределили объем в каналы с более высокой сквозной конверсией.

В июле новая юнит-экономика показала потенциал масштабирования: при увеличении бюджета в 2,4 раза модель прогнозировала рост выдач в 2,9 раза и снижение смешанного CPS (Cost-Per-Sale — цена за продажу). Прогноз подтвердился: фактический CPS за 1–20 августа оказался всего на 1% выше расчетного.

Что осталось оптимизировать

Основная проблема

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 показатель 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.

Сценарии перераспределения бюджета 

Четыре канала на обеих платформах забирают 21% недельного бюджета, но дают только 5% выдач. Именно они формируют часть разрыва до целевого CPS. Поэтому команда проверила, что произойдет, если вывести эти каналы из закупки и направить высвободившийся бюджет в ядро.

Как показывает расчет, 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 в РСЯ на Android за счет оптимизации воронки.

Рекомендации «Мобио»

Реклама. Рекламодатель ООО «МОБИЛЬНЫЙ МАРКЕТИНГ», ИНН 7714395269