Contexte : une grande marque, un gros budget, des résultats peu clairs
Une grande marque internationale avec des dizaines de points dans tout le pays investissait activement dans la promotion d'une app mobile. Les budgets UA (User Acquisition) se comptaient en dizaines de milliers de dollars par mois. Les chiffres dans les cabinets pub avaient l'air faibles, mais il n'y avait pas de compréhension de la cause — pourquoi cela se produisait.
Quand l'équipe a commencé à regarder plus profond — retention, activité in-app, commandes réelles — le tableau est devenu encore plus terrifiant. Une part significative des « installations » ne se transformait en aucune action cible, et la conversion des passages pub/app donnait des ventes faibles. Les utilisateurs semblaient s'évaporer...
« Nous voyions que la pub était configurée et montrée aux utilisateurs, pensant que tout fonctionnait correctement. Quand nous avons commencé à comprendre pourquoi la conversion vers la première commande était si basse, c'est devenu clair : une part significative du trafic était peu ciblée ou pas ciblée du tout, et nos vrais clients ne voyaient presque pas la pub ».
Diagnostic : ce qui se passait exactement avec le trafic
Étape 1. Analyse du funnel par cohortes
La première étape a été une analyse de cohortes détaillée par sources de trafic pub, coût et réalisation des actions cibles. Les installations de différents canaux étaient comparées non en volume mais en qualité : retention Day 1, Day 7, Day 30, conversion vers la première commande, panier moyen, conversion vers l'installation de l'app.
L'écart s'est révélé colossal. Les utilisateurs organiques se convertissaient vers la première commande à environ 40 %. Ceux d'une partie des canaux payants — moins de 3 %. Cela ne pouvait s'expliquer seulement par la différence de qualité d'audiences.
Étape 2. Identification des schémas de fraude
Une analyse détaillée du trafic au niveau des visites individuelles a révélé plusieurs schémas classiques de fraude qui tournaient en même temps.
- Click Injection. Des apps malveillantes sur les appareils d'utilisateurs réels suivaient le moment d'une installation organique et, des millisecondes avant sa fin, généraient un « dernier clic » au nom d'une source payante. La marque payait un réseau partenaire pour des utilisateurs venus d'eux-mêmes. La part de ce trafic était supérieure à 2,4 %.
- Trafic Device Farm. Une partie des installations était générée depuis des fermes d'appareils — de vrais smartphones pilotés automatiquement. Les appareils parcouraient tout le processus d'installation, lançaient l'app et imitaient les premières actions — mais n'allaient pas plus loin. La part de ce trafic était supérieure à 12 %.
- Clic frauduleux pub (Click Fraud). Des concurrents et des services automatisés cliquaient systématiquement sur les annonces, épuisant artificiellement le budget quotidien. Les annonces s'éteignaient en milieu de journée — pile pendant le pic d'activité de l'audience cible — et le budget partait en passages vides sans aucune action cible. La part de ce trafic dépassait 17 %.
Étape 3. Évaluation de l'échelle des pertes
Après une attribution détaillée, il s'est avéré que plus d'un tiers de toutes les installations payées étaient soit de la fraude directe, soit des utilisateurs de valeur nulle acquis via du trafic motivé déguisé en organique.
Le CPI réel — le coût d'acquisition d'un utilisateur ayant passé au moins une commande — s'est révélé 2,3 fois plus élevé que ce que montraient les cabinets pub.
Chiffres avant le début du travail
Conversion vers la première commande depuis les canaux payants : moins de 3 %
Part des installations frauduleuses et de mauvaise qualité : plus de 30 %
CPI réel vs déclaré : ×2,3
Day 7 retention des utilisateurs payants : critiquement en dessous de l'organique
Solution : protection multi-niveaux à toutes les étapes du funnel
Niveau 1. Filtrage avant le clic
Au premier niveau, un système d'analyse des sources de trafic a été déployé avant que le clic ne soit compté par la plateforme. Chaque passage pub était vérifié contre une base d'IP suspectes, des paramètres d'appareil et des motifs de comportement de la source.
Les clics issus de botnets connus, d'adresses VPN sans historique, d'appareils aux paramètres fingerprint suspects étaient coupés immédiatement — le budget n'était pas débité pour eux.
Niveau 2. Biométrie comportementale après l'installation
Le deuxième niveau fonctionnait sur la landing où les utilisateurs allaient avant d'installer l'app. Le pixel enregistrait les visites, mais ne distinguait pas les vraies personnes des bots. Le système analysait le comportement sur la page : profondeur de scroll, temps jusqu'au clic sur le bouton d'installation, motifs de mouvement du curseur, visites répétées depuis un même appareil.
Les sessions au comportement non humain étaient exclues des audiences d'optimisation — les plateformes cessaient de les prendre pour étalon du « bon utilisateur ».
Niveau 3. Nettoyage des audiences et réapprentissage des algorithmes
Des toutes les audiences de retargeting et des segments lookalike, les profils de fraude ont été retirés. Les algorithmes Facebook et Google ont reçu un échantillon d'apprentissage propre — de vrais utilisateurs qui passaient vraiment des commandes.
Cela a changé non seulement la qualité des nouvelles campagnes, mais aussi l'efficacité des stratégies automatiques déjà en cours : elles ont cessé de s'optimiser vers des bots « idéaux ». Le coût d'acquisition d'un utilisateur réel a baissé.
Niveau 4. Révision des accords partenaires
Sur la base de données détaillées sur la qualité du trafic de chaque partenaire, les conditions de collaboration ont été révisées. Les sources à forte part de fraude ont été coupées. Le budget a été redistribué vers les canaux qui montraient une conversion réelle vers les commandes.
Résultats : ce qui a changé après 60 jours
Métriques clés après le déploiement de la protection
- +30 % d'installations réelles avec le même budget pub. L'argent qui partait auparavant en fraude a commencé à attirer des utilisateurs vivants.
- La conversion vers la première commande a été multipliée par 4 — de moins de 3 % à plus de 12 % sur les canaux payants.
- Le CPI réel a baissé de 40 % — en excluant les installations frauduleuses du calcul et en redistribuant le budget.
- Le Day 7 retention a augmenté de 22 % — les algorithmes des plateformes ont commencé à amener une audience proche des vrais acheteurs, pas des bots.
- L'économie de budget a dépassé 25 % — les fonds auparavant versés pour du trafic frauduleux ont été redirigés vers des canaux qui marchent.
Pourquoi le résultat s'est avéré exactement ainsi
L'insight clé de ce cas — la fraude dans l'UA mobile inflige un double dégât. Le premier, évident : vous payez des installations qui n'existent pas. Le second, caché : les données du trafic frauduleux empoisonnent les algorithmes qui optimisent ensuite vos campagnes. En ôtant la fraude, vous ne faites pas qu'économiser — vous corrigez la boussole qui guide tout votre budget pub.
C'est pourquoi le résultat s'est révélé disproportionné par rapport aux changements : les mêmes sous, pratiquement les mêmes canaux et la même équipe — mais une qualité de trafic fondamentalement autre et d'autres données pour l'apprentissage des algorithmes.
Le principal enseignement du cas
« Le problème n'était pas que nous dépensiez trop peu en pub. Le problème était qu'un tiers du budget partait au mauvais endroit. Quand nous l'avons fixé — les chiffres ont grandi tout seuls, sans augmenter l'investissement ».
Protection intelligente de votre publicité en ligne avec ClikBy
Nous avons créé AI Selena pas seulement comme un filtre, mais comme un système de biométrie comportementale. La plateforme analyse plus de 130 signaux explicites et implicites (de la vitesse du curseur à la spécificité des protocoles réseau) en temps réel.
- Apprentissage automatique en ensemble : nous combinons 5+ modèles ML pour reconnaître les identités synthétiques et le trafic Device Farm.
- Zero-Trust Attribution: nous vérifions chaque installation, en excluant Click Injection et SDK Spoofing.
- Seuils adaptatifs : le système assouplit automatiquement les filtres pendant les périodes de soldes, en minimisant les False Positives.
Pour en savoir plus sur le fonctionnement de la protection contre la fraude pub, lisez notre article : comment fonctionne l'antifraude dans la publicité moderne.
Commander l'antifraud pour la pub (Yandex.Direct, Google Ads, Meta Ads et d'autres plateformes)
