Как мы боремся со спам-лидами: внутренняя антиспам-система MREM

Где начинается спам: аналитика, а не ощущения

Первый слой = аналитика. Мы интегрируем Яндекс DataLens в проекты и строим срезы по кампаниям, посадкам и гипотезам.

Когда по связке 95 % лидов — мусор, это не гипотеза, а fraud-паттерн, когда бот зацепился за определенную посадку. Такие источники не должны оптимизироваться, только моментально отключаться.

Это позволяет:

• не скармливать ОП мусор,
• не принимать стратегические решения на шуме,
• не масштабировать фейковый спрос.

Проверка WhatsApp: базовая валидация реальности человека

Вторая линия — проверка наличия мессенджеров.

Мы автоматически проверяем, зарегистрирован ли WhatsApp по номеру телефона, и в CRM пропускаем только лиды с признаками реального пользователя.

Да, мы знаем кейсы, когда в премиум-сегменте мессенджер оформлен на другой номер. Поэтому на части проектов этот сигнал используется как предупреждение для менеджера, а не жёсткий фильтр.

Но в массе проектов это:

• отсекает до 60–90 % мусора,
• резко повышает долю дозвона,
• снижает выгорание ОП.

Потери живого трафика — ниже 0,3 %.

Выигрыш — кратный.

Кастомная капча: когда стандартные решения больше не работают

Google и Яндекс капчи давно не барьер. Современные боты обходят их на уровне ML-сервисов распознавания.

Поэтому мы внедрили кастомную капчу-ловушку, которая визуально выглядит как обычный UI-элемент, не маркируется в коде как капча ломает автоматические парсеры форм.

В итоге: незаметный шаг для человека и непробиваемый барьер для бота.

Скоринг лидов: CRM как фильтр, а не склад мусора

Следующий уровень — скоринг лидов. Каждый лид получает score по ряду сигналов:

• совпадение указанного имени с реальным,
• паттерны поведения

В CRM попадают только лиды, прошедшие порог качества.

Fingerprinting: отсекаем ботов до формы

Сейчас мы тестируем антиспам по отпечаткам браузера (browser fingerprinting). Автоматические боты и автозаливы используют типовые окружения, прокси-пулы и headless-браузеры. Их fingerprint-паттерны резко отличаются от реальных пользователей.

Мы анализируем:

• сигнатуры браузеров,
• системные параметры окружения,
• нетипичные комбинации OS/UA/Canvas/WebGL,
• повторяемость паттернов на масштабах.

Это позволяет блокировать автоматические источники ещё до отправки формы (и даже до их захода на сайт).

Почему это критично

Спам-лиды это всегда ложная конверсия, ложный ROMI, ложные управленческие решения.

Data-driven-маркетинг начинается не с креативов и идей, а с чистоты сигнала, фильтрации шума и уже потом инженерии спроса.

Мы строим собственный антиспам-стек:

аналитику, поведенческие фильтры, скоринг и fingerprint-защиту,

чтобы каждый лид имел экономический смысл, а каждый отчёт — управленческую ценность.

Скоро покажем, как скоринг и антиспам влияют на конверсию в сделки и unit-экономику проектов.