Look-alike — это аудитория для рекламы, которую рекламная система подбирает по сходству с уже имеющимися клиентами бизнеса. Компания загружает список своих покупателей или подключает данные о посетителях сайта, и алгоритм находит в базе пользователей платформы людей с похожими характеристиками и поведением, даже если они никогда раньше не сталкивались с брендом. Найденных пользователей и показывают в рекламе вместо холодной аудитории, подобранной вручную по интересам и демографии.
Идея в том, что алгоритм видит гораздо больше сигналов о поведении пользователей, чем может учесть человек при ручной настройке таргетинга: там не два-три параметра вроде возраста и города, а сотни поведенческих признаков одновременно. Похожесть считается не по одному-двум параметрам, а по всей совокупности данных, которые платформа накопила о каждом пользователе.
Как строят look-alike аудиторию
Процесс начинается с исходной аудитории, которую называют seed-аудиторией или аудиторией-источником: это может быть список email-адресов существующих клиентов, посетители определенных страниц сайта или пользователи, совершившие покупку за последние несколько месяцев. Чем точнее и однороднее исходный список, тем качественнее получится похожая аудитория, поэтому список из случайных подписчиков рассылки работает хуже, чем список именно платящих клиентов.
Дальше рекламная платформа сравнивает признаки пользователей из seed-аудитории с признаками всех остальных пользователей в своей базе и выделяет тех, кто похож сильнее всего. Размер похожей аудитории задают в процентах: узкий процент дает меньше пользователей, но более точное совпадение с исходным списком, широкий процент увеличивает охват за счет снижения точности сходства.
Качество seed-аудитории определяет результат сильнее, чем настройки самой похожей аудитории. Список из тысячи случайных посетителей сайта, включая тех, кто зашел на секунду и ушел, даст менее точную похожую аудиторию, чем список из трехсот клиентов, оплативших заказ на крупную сумму, потому что во втором случае алгоритму понятнее, какое именно поведение нужно искать.
Виды look-alike аудиторий
По источнику seed-аудитории выделяют несколько практических вариантов. Look-alike по клиентской базе строят на списке email-адресов или номеров телефонов уже совершивших покупку. Look-alike по посетителям сайта строят на данных пикселя аналитики, обычно сегментируя по конкретному действию: просмотру карточки товара, добавлению в корзину, оформлению заказа. Look-alike по вовлеченности в контент строят на пользователях, которые взаимодействовали с публикациями бренда в соцсетях, что подходит компаниям без большой базы покупателей на старте.
Каждый вариант дает разное качество совпадения. Аудитория по факту покупки обычно точнее всего предсказывает будущих клиентов, потому что seed-группа состоит из людей, которые уже прошли весь путь до оплаты, а не ограничились интересом на промежуточном этапе.
Look-alike и ретаргетинг
Термины иногда путают, хотя они решают противоположные задачи. Ретаргетинг показывает рекламу людям, которые уже были на сайте или в приложении компании, то есть работает с теми, кто уже знаком с брендом. Look-alike, наоборот, ищет новых людей, которые раньше с брендом не сталкивались, но по поведению похожи на тех, кто уже стал клиентом. Ретаргетинг возвращает знакомую аудиторию, look-alike расширяет охват за счет незнакомой.
Пример: интернет-магазин косметики
Магазин косметики выгрузил в рекламный кабинет список из 2 400 клиентов, которые за полгода сделали повторную покупку хотя бы раз, вместо того чтобы использовать полный список всех когда-либо оформивших заказ. На основе этого узкого и качественного списка построили похожую аудиторию с процентом сходства 1 из 100, то есть максимально близкую по поведению к исходной группе.
Кампания на look-alike аудиторию показала стоимость привлечения покупателя на 28 процентов ниже, чем стандартная кампания по интересам на ту же категорию товара, а доля повторных покупок среди пришедших из этой кампании клиентов за три месяца оказалась выше, чем в среднем по остальным рекламным источникам. Магазин связал это с тем, что seed-аудитория изначально состояла из лояльных, а не разовых покупателей, и алгоритм искал именно такое поведение.
От чего зависит точность look-alike
Размер seed-аудитории имеет значение: слишком маленький список, обычно меньше нескольких сотен пользователей, не дает алгоритму достаточно данных для поиска устойчивых закономерностей. Свежесть данных тоже важна: список клиентов двухлетней давности хуже отражает текущее поведение аудитории, чем список за последние несколько месяцев, особенно в быстро меняющихся нишах.
Процент сходства напрямую управляет балансом между точностью и охватом: для теста небольшого бюджета выгоднее взять узкий процент с высокой точностью, а для масштабирования уже проверенной кампании можно постепенно расширять процент похожести, наблюдая, как меняется стоимость привлечения клиента.
Типичные ошибки
- Берут слишком широкую seed-аудиторию. Список из всех подряд подписчиков или посетителей сайта без фильтра по целевому действию размывает сигнал, и похожая аудитория получается менее точной.
- Игнорируют устаревание данных. Аудиторию, построенную по списку клиентов годичной давности, не обновляют месяцами, хотя поведение и состав клиентской базы за это время меняется.
- Сразу выбирают широкий процент сходства. Без предварительного теста на узком проценте компания не понимает, работает ли сама механика для ее ниши, и тратит бюджет на менее точную аудиторию с самого начала.
- Используют один и тот же список для разных продуктов. Похожая аудитория, построенная на покупателях бюджетного товара, плохо подходит для рекламы премиального продукта той же компании, потому что поведенческий профиль клиентов различается.
Частые вопросы
Сколько клиентов нужно для качественной look-alike аудитории? Большинство рекламных платформ рекомендуют не менее нескольких сотен пользователей в исходном списке, а стабильные результаты чаще получают от тысячи и выше.
Можно ли использовать look-alike без готовой базы клиентов? Да, в качестве seed-аудитории годятся и посетители определенных страниц сайта с установленным пикселем аналитики, готовый список email или телефонов для этого не обязателен.
Построить и протестировать look-alike аудитории на разных площадках, подобрав правильную seed-аудиторию под конкретный продукт, помогает таргетированная реклама с настройкой кампаний под задачу привлечения новых клиентов.