Kontext: große Marke, großes Budget, unklare Ergebnisse
Eine große internationale Marke mit Dutzenden Standorten im ganzen Land investierte aktiv in die Bewerbung einer Mobile-App. UA-(User-Acquisition-)Budgets beliefen sich auf Zehntausende Dollar pro Monat. Die Zahlen in den Ad-Cabinets wirkten schwach, aber es gab kein Verständnis der Ursache — warum das so war.
Als das Team tiefer schaute — Retention, In-App-Aktivität, echte Bestellungen — wurde das Bild noch erschreckender. Ein erheblicher Teil der «Installs» wurde zu keiner Zielaktion, und die Conversion von Ads-zu-App-Übergängen brachte schwache Verkäufe. Nutzer schienen zu verdampfen...
«Wir sahen, dass die Ads eingerichtet waren und Nutzern gezeigt wurden, und dachten, alles laufe korrekt. Als wir begannen zu klären, warum die Conversion zur ersten Bestellung so niedrig war, wurde klar: ein erheblicher Traffic-Anteil war wenig zielgerichtet oder gar nicht zielgerichtet, unsere echten Kunden sahen die Ads fast nicht».
Diagnose: was genau mit dem Traffic passierte
Schritt 1. Funnel-Analyse nach Kohorten
Der erste Schritt war eine detaillierte Kohortenanalyse nach Ad-Traffic-Quellen, Kosten und Erfüllung der Zielaktionen. Installs aus verschiedenen Kanälen wurden nicht nach Menge, sondern nach Qualität verglichen: Retention Day 1, Day 7, Day 30, Conversion zur ersten Bestellung, durchschnittlicher Warenkorb, Conversion zur App-Installation.
Die Lücke war kolossal. Organische Nutzer konvertierten zur ersten Bestellung bei etwa 40 %. Nutzer aus einem Teil der Paid-Kanäle — unter 3 %. Das ließ sich nicht allein mit Audience-Qualitätsunterschieden erklären.
Schritt 2. Aufdecken von Betrugsschemata
Eine detaillierte Traffic-Analyse auf Ebene einzelner Visits deckte mehrere klassische Betrugsschemata auf, die gleichzeitig liefen.
- Click Injection. Schädliche Apps auf Geräten echter Nutzer verfolgten den Moment einer organischen Installation und erzeugten Millisekunden vor dem Abschluss einen «letzten Klick» im Namen einer Paid-Quelle. Die Marke zahlte einem Partnernetzwerk für Nutzer, die von selbst kamen. Der Anteil solchen Traffics lag bei über 2,4 %.
- Device-Farm-Traffic. Ein Teil der Installs entstand auf Device Farms — echten Smartphones, die automatisch gesteuert wurden. Die Geräte durchliefen den ganzen Install-Prozess, starteten die App und imitierten erste Aktionen — gingen aber nicht weiter. Der Anteil solchen Traffics lag bei über 12 %.
- Klickbetrug bei Anzeigen (Click Fraud). Wettbewerber und automatisierte Dienste klickten systematisch auf Anzeigen und erschöpften künstlich das Tagesbudget. Anzeigen schalteten sich mittags ab — genau in der Peak-Aktivität der Ziel-Audience — und das Budget ging in leere Übergänge ohne eine einzige Zielaktion. Der Anteil solchen Traffics überstieg 17 %.
Schritt 3. Einschätzung des Verlustumfangs
Nach detaillierter Attribution stellte sich heraus, dass mehr als ein Drittel aller bezahlten Installs entweder direkter Betrug waren oder Nutzer mit Nullwert, gewonnen über incentivierten Traffic, der als organisch getarnt war.
Der reale CPI — die Kosten, einen Nutzer zu gewinnen, der mindestens eine Bestellung aufgab — lag 2,3-mal höher, als die Ad-Cabinets zeigten.
Zahlen vor Arbeitsbeginn
Conversion zur ersten Bestellung aus Paid-Kanälen: unter 3 %
Anteil betrügerischer und minderwertiger Installs: über 30 %
Realer CPI vs. deklariert: ×2,3
Day-7-Retention bezahlter Nutzer: kritisch unter Organic
Lösung: mehrstufiger Schutz auf allen Funnel-Stufen
Stufe 1. Filterung vor dem Klick
Auf der ersten Stufe wurde ein System zur Analyse von Traffic-Quellen eingeführt, noch bevor der Klick von der Plattform gezählt wird. Jeder Ad-Übergang wurde gegen eine Basis verdächtiger IPs, Geräteparameter und Verhaltensmuster der Quelle geprüft.
Klicks von bekannten Botnetzen, VPN-Adressen ohne Historie, Geräten mit verdächtigen Fingerprint-Parametern wurden sofort abgeschnitten — Budget wurde dafür nicht abgebucht.
Stufe 2. Verhaltensbiometrie nach der Installation
Die zweite Stufe lief auf der Landingpage, zu der Nutzer vor der App-Installation kamen. Das Pixel erfasste Visits, unterschied aber keine echten Menschen von Bots. Das System analysierte das Verhalten auf der Seite: Scrolltiefe, Zeit bis zum Klick auf den Install-Button, Cursor-Bewegungsmuster, wiederholte Visits von einem Gerät.
Sessions mit unmenschlichem Verhalten wurden aus Optimierungs-Audiences ausgeschlossen — Plattformen hörten auf, sie als Maßstab eines «guten Nutzers» zu zählen.
Stufe 3. Audience-Bereinigung und Neu-Training der Algorithmen
Aus allen Retargeting-Audiences und Lookalike-Segmenten wurden Betrugsprofile entfernt. Facebook- und Google-Algorithmen erhielten eine saubere Trainingsstichprobe — echte Nutzer, die tatsächlich Bestellungen aufgaben.
Das änderte nicht nur die Qualität neuer Kampagnen, sondern auch die Wirksamkeit bereits laufender automatischer Strategien: sie hörten auf, sich in Richtung «idealer» Bots zu optimieren. Die Kosten, einen echten Nutzer zu gewinnen, sanken.
Stufe 4. Überarbeitung der Partnervereinbarungen
Auf Basis detaillierter Daten zur Traffic-Qualität jedes Partners wurden die Kooperationsbedingungen überarbeitet. Quellen mit hohem Betrugsanteil wurden abgeschaltet. Budget wurde zugunsten von Kanälen umverteilt, die echte Conversion zu Bestellungen zeigten.
Ergebnisse: was sich nach 60 Tagen änderte
Schlüsselmetriken nach Einführung des Schutzes
- +30 % echte Installs beim gleichen Werbebudget. Geld, das zuvor in Betrug ging, begann, lebende Nutzer zu gewinnen.
- Die Conversion zur ersten Bestellung stieg um das 4-Fache — von unter 3 % auf über 12 % auf Paid-Kanälen.
- Der reale CPI sank um 40 % — durch Ausschluss betrügerischer Installs aus der Berechnung und Budgetumverteilung.
- Day-7-Retention stieg um 22 % — Plattform-Algorithmen begannen, eine Audience zu bringen, die echten Käufern ähnelt, nicht Bots.
- Die Budgetersparnis lag bei über 25 % — Mittel, die zuvor für betrügerischen Traffic gezahlt wurden, wurden auf funktionierende Kanäle umgeleitet.
Warum das Ergebnis genau so ausfiel
Der zentrale Insight dieses Cases — Betrug im mobilen UA richtet doppelten Schaden an. Der erste, offensichtliche: Sie zahlen für Installs, die es nicht gibt. Der zweite, versteckte: Daten von Betrugs-Traffic vergiften die Algorithmen, die danach Ihre Kampagnen optimieren. Betrug zu entfernen spart nicht nur — Sie richten den Kompass, nach dem sich Ihr gesamtes Werbebudget bewegt.
Genau deshalb fiel das Ergebnis unverhältnismäßig groß gegenüber den Änderungen aus: dasselbe Geld, praktisch dieselben Kanäle und dasselbe Team — aber grundsätzlich andere Traffic-Qualität und andere Daten zum Training der Algorithmen.
Die wichtigste Schlussfolgerung des Cases
«Das Problem war nicht, dass wir zu wenig für Ads ausgaben. Das Problem war, dass ein Drittel des Budgets ins Falsche ging. Als wir das fixierten — wuchsen die Zahlen von selbst, ohne höhere Investitionen».
Intelligenter Schutz Ihrer Online-Werbung mit ClikBy
Wir haben AI Selena nicht nur als Filter, sondern als System der Verhaltensbiometrie. Die Plattform analysiert mehr als 130 explizite und implizite Merkmale (von der Cursor-Geschwindigkeit bis zu Netzprotokoll-Spezifika) in Echtzeit.
- Ensemble-Machine-Learning: wir kombinieren 5+ ML-Modelle zur Erkennung synthetischer Identitäten und Device-Farm-Traffics.
- Zero-Trust Attribution: wir verifizieren jede Installation und schließen Click Injection und SDK Spoofing aus.
- Adaptive Schwellen: das System senkt in Sale-Phasen automatisch die Filterstrenge und minimiert False Positives.
Mehr dazu, wie der Schutz vor Ad-Fraud funktioniert, lesen Sie in unserem Material: wie Antifraud in moderner Werbung funktioniert.
Antifraud für Ads bestellen (Yandex.Direct, Google Ads, Meta Ads und andere Plattformen)
