Займиго: −24% CPA выдачи за 3 месяца с разумным снижением объёма

Объём есть, цена выдачи — съедает прибыль

Займиго — крупный игрок на рынке онлайн-микрозаймов. На старте сотрудничества кампании в Яндекс.Директе и других каналах приводили около 11 000 выдач в месяц при стоимости выдачи 4 500 ₽. Объёмов хватало, но экономика начинала проседать: ставки на аукционах росли, а доля заявок, которые проходили внутренний скоринг и доходили до выдачи, постепенно снижалась.

Каждая «не одобренная» заявка — это деньги, потраченные на маркетинг впустую. Бизнес-задача звучала прямо: снизить стоимость выдачи, даже если придётся пожертвовать частью объёма. На таких единичных оборотах разница в сто рублей превращается в миллионы.

• Стоимость выдачи 4 500 ₽, тренд на повышение
• Около 40% заявок не доходят до выдачи — скоринг отсекает
• Авто-стратегии Директа учатся на «отправил анкету», а не на «получил деньги»
• Часть гео и связок системно даёт низкое одобрение, но в отчётах это видно только постфактум

Перенесли логику скоринга в маркетинг — до подачи анкеты

Займиго выбрали Scorika Platform — in-house performance-команда работает на инструменте сама, без передачи ведения. Команде Займиго нужна была технология и контроль, а не подрядчик.

1. SDK на zaymigo.ru + интеграция с внутренним скорингом

   Установили SDK одним тегом. Параллельно подключили API внутреннего скоринга — модель Scorika получила исторические данные «выдача / отказ» за 12 месяцев.
2. Обучили ML-модель на «одобренных» — по поведению

   Модель научилась оценивать поведенческое сходство посетителя с одобренными клиентами: на каком устройстве зашёл, как заполнял анкету, какие разделы смотрел, в какое время суток. По 250+ сигналам. Точность предсказания одобрения за месяц вышла на 87% — то есть мы видим вероятность одобрения ещё до того, как клиент дошёл до анкеты.
3. Виртуальные конверсии: прогноз сходства, не факт анкеты

   В Директ передаются скоры: Низкое сходство с одобренными, Среднее, Высокое. Авто-стратегии переучились искать похожих по поведению на одобренных, а не просто всех, кто отправляет анкеты. База для обучения стала в 15+ раз шире, чем выборка реально одобренных.
4. Главное: захватили «спорную зону»

   Самое неочевидное открытие: модель нашла людей, которых автоматический скоринг бракует, а поведение говорит «выдадим». Раньше эти заявки уходили в отказ автоматически. Сейчас их обрабатывает отдельный трек с ручной проверкой — прирост одобрений из этой зоны добавляет тысячи выдач в месяц.
5. Пересборка LAL и ретаргета

   Look-alike и ретаргет-аудитории пересобрали на сегменте «одобренных и получивших деньги» — а не всех «отправивших анкету». Конверсия этих кампаний выросла в 1,8 раза.

К третьему месяцу — стабильная новая экономика

Первые улучшения CPA увидели через 3 недели после старта виртуальных конверсий. К концу второго месяца цифры стабилизировались, к третьему — закрепились. Объём выдач сознательно отпустили вниз на 7%, чтобы освободиться от заведомо неконвертирующих сегментов.

Маркетинг и продукт впервые заговорили на одном языке: одна и та же логика скоринга работает и в рекламном кабинете, и в принятии решения о выдаче. Это сильно упростило коммуникацию между командами — больше нет спора «маркетинг приводит мусор» против «продукт всё режет».

Похожие истории на других продуктах