Contesto: un grande brand, un grande budget, risultati poco chiari
Un grande brand internazionale con decine di punti in tutto il paese investiva attivamente nella promozione di un'app mobile. I budget UA (User Acquisition) si contavano in decine di migliaia di dollari al mese. I numeri nei cabinet ads sembravano deboli, ma non c'era comprensione della causa - perché succedeva.
Quando il team ha iniziato a guardare più a fondo — retention, attività in-app, ordini reali — il quadro è diventato ancora più allarmante. Una parte significativa delle «installazioni» non si trasformava in nessuna azione obiettivo, e la conversione dai passaggi ads/app dava vendite deboli. Gli utenti sembravano evaporare...
«Vedevamo che gli ads erano configurati e mostrati agli utenti, pensando che tutto funzionasse correttamente. Quando abbiamo iniziato a capire perché la conversione al primo ordine era così bassa, è diventato chiaro: una quota significativa del traffico era a bassa intenzione o non target in assoluto, e i nostri clienti reali quasi non vedevano gli ads».
Diagnosi: cosa succedeva esattamente al traffico
Passo 1. Analisi del funnel per coorti
Il primo passo è stato un'analisi di coorte dettagliata per fonti di traffico ads, costo e completamento delle azioni obiettivo. Le installazioni da canali diversi si confrontavano non per quantità, ma per qualità: retention Day 1, Day 7, Day 30, conversione al primo ordine, scontrino medio, conversione all'installazione dell'app.
Il divario è risultato colossale. Gli utenti organici convertivano al primo ordine intorno al 40%. Quelli da parte dei canali a pagamento — meno del 3%. Non poteva spiegarsi solo con la differenza di qualità delle audience.
Passo 2. Individuazione degli schemi di frode
Un'analisi dettagliata del traffico a livello di singole visite ha rivelato diversi schemi classici di frode che operavano insieme.
- Click Injection. App dannose sui dispositivi di utenti reali tracciavano il momento di un'installazione organica e, millisecondi prima del completamento, generavano un «ultimo click» a nome di una fonte a pagamento. Il brand pagava una rete partner per utenti arrivati da soli. La quota di tale traffico era superiore al 2.4%.
- Traffico Device Farm. Parte delle installazioni era generata da farm di dispositivi — smartphone reali controllati automaticamente. I dispositivi percorrevano tutto il processo di installazione, avviavano l'app e imitavano le prime azioni — ma non andavano oltre. La quota di tale traffico era superiore al 12%.
- Click fraudolento sugli ads (Click Fraud). Competitor e servizi automatizzati cliccavano sistematicamente sugli ads, esaurendo artificialmente il budget giornaliero. Gli ads si spegnevano a metà giornata — proprio nel picco di attività dell'audience target — e il budget andava in passaggi vuoti senza alcuna azione obiettivo. La quota di tale traffico superava il 17%.
Passo 3. Stima della scala delle perdite
Dopo un'attribuzione dettagliata è emerso che più di un terzo di tutte le installazioni pagate erano frode diretta oppure utenti a valore zero acquisiti via traffico incentivato mascherato da organico.
Il CPI reale — il costo di acquisizione di un utente che ha fatto almeno un ordine — è risultato 2,3 volte più alto di quanto mostravano i cabinet ads.
Numeri prima dell'inizio del lavoro
Conversione al primo ordine dai canali a pagamento: meno del 3%
Quota di installazioni fraudolente e di bassa qualità: più del 30%
CPI reale vs dichiarato: ×2,3
Day 7 retention degli utenti a pagamento: criticamente sotto l'organico
Soluzione: protezione multilivello in tutte le fasi del funnel
Livello 1. Filtro prima del click
Al primo livello è stato introdotto un sistema di analisi delle fonti di traffico prima che il click venga conteggiato dalla piattaforma. Ogni passaggio ads veniva verificato su una base di IP sospetti, parametri del dispositivo e pattern di comportamento della fonte.
I click da botnet noti, indirizzi VPN senza storia, dispositivi con parametri fingerprint sospetti venivano tagliati subito — il budget non veniva addebitato per essi.
Livello 2. Biometria comportamentale dopo l'installazione
Il secondo livello lavorava sulla landing a cui arrivavano gli utenti prima di installare l'app. Il pixel registrava le visite, ma non distingueva persone reali dai bot. Il sistema analizzava il comportamento in pagina: profondità di scroll, tempo al click sul pulsante di installazione, pattern di movimento del cursore, visite ripetute da uno stesso dispositivo.
Le sessioni con comportamento non umano venivano escluse dalle audience di ottimizzazione — le piattaforme smettevano di considerarle lo standard del «buon utente».
Livello 3. Pulizia delle audience e riaddestramento degli algoritmi
Da tutte le audience di retargeting e dai segmenti lookalike sono stati rimossi i profili fraudolenti. Gli algoritmi di Facebook e Google hanno ricevuto un campione di addestramento pulito — utenti reali che facevano davvero ordini.
Questo ha cambiato non solo la qualità delle nuove campagne, ma anche l'efficacia delle strategie automatiche già in corso: hanno smesso di ottimizzarsi verso bot «ideali». Il costo di acquisizione di un utente reale è sceso.
Livello 4. Revisione degli accordi partner
Sulla base di dati dettagliati sulla qualità del traffico di ciascun partner sono state riviste le condizioni di collaborazione. Le fonti con alta quota di frode sono state disattivate. Il budget è stato ridistribuito a favore dei canali che mostravano conversione reale in ordini.
Risultati: cosa è cambiato dopo 60 giorni
Metriche chiave dopo l'introduzione della protezione
- +30% di installazioni reali con lo stesso budget ads. I soldi che prima andavano in frode hanno iniziato ad attrarre utenti vivi.
- La conversione al primo ordine è cresciuta di 4 volte — da meno del 3% a più del 12% sui canali a pagamento.
- Il CPI reale è sceso del 40% — escludendo le installazioni fraudolente dal calcolo e ridistribuendo il budget.
- Il Day 7 retention è cresciuto del 22% — gli algoritmi delle piattaforme hanno iniziato a portare un'audience simile ad acquirenti reali, non a bot.
- Il risparmio di budget è stato superiore al 25% — i fondi prima pagati per traffico fraudolento sono stati reindirizzati verso canali che funzionano.
Perché il risultato è stato proprio così
L'insight chiave di questo caso — la frode nell'UA mobile infligge un doppio danno. Il primo, ovvio: pagate per installazioni che non ci sono. Il secondo, nascosto: i dati del traffico fraudolento avvelenano gli algoritmi che poi ottimizzano le vostre campagne. Togliendo la frode, non solo risparmiate — correggete la bussola su cui si muove tutto il vostro budget ads.
Proprio per questo il risultato è stato sproporzionatamente grande rispetto ai cambiamenti: gli stessi soldi, praticamente gli stessi canali e lo stesso team — ma una qualità del traffico radicalmente diversa e altri dati per addestrare gli algoritmi.
La conclusione principale del caso
«Il problema non era che spendessimo poco in ads. Il problema era che un terzo del budget andava nel posto sbagliato. Quando l'abbiamo sistemato — i numeri sono cresciuti da soli, senza aumentare gli investimenti».
Protezione intelligente della vostra pubblicità online con ClikBy
Abbiamo creato AI Selena non solo come filtro, ma come sistema di biometria comportamentale. La piattaforma analizza più di 130 segnali espliciti e impliciti (dalla velocità del cursore alla specificità dei protocolli di rete) in tempo reale.
- Machine learning ensemble: uniamo 5+ modelli ML per riconoscere identità sintetiche e traffico Device Farm.
- Zero-Trust Attribution: verifichiamo ogni installazione, escludendo Click Injection e SDK Spoofing.
- Soglie adattive: il sistema riduce automaticamente la rigidità dei filtri nei periodi di saldi, minimizzando i False Positives.
Per saperne di più su come funziona la protezione dal frode ads, leggete il nostro materiale: come funziona l'antifrode nella pubblicità moderna.
Ordinare antifraud per gli ads (Yandex.Direct, Google Ads, Meta Ads e altre piattaforme)
