Look-alike аудитории: что это

Look-alike аудитория (от английского look-alike — «похожий») — это группа новых пользователей, которых рекламная система автоматически находит по сходству с вашей исходной аудиторией: клиентами, подписчиками, теми, кто оставлял заявки. Вы загружаете список людей, которые вам ценны, а алгоритм анализирует их характеристики и поведение и подбирает других пользователей, максимально на них похожих. Смысл прост: если система знает, кто у вас уже покупает, она может найти тысячи похожих людей, которые с большей вероятностью тоже станут клиентами.

Это способ масштабировать привлечение, не расширяя таргетинг наугад. Вместо того чтобы гадать, какие интересы и параметры задать в настройках, вы отдаёте алгоритму образец «хорошего клиента» и просите найти похожих. Система делает это на основе сотен признаков, которые человек вручную не смог бы ни собрать, ни обработать.

Что такое look-alike простыми словами

Представьте, что вы говорите рекламной системе: «Вот сто моих лучших покупателей. Найди мне ещё десять тысяч таких же». Система изучает, что общего у этой сотни — поведение, интересы, паттерны активности, — строит их обобщённый портрет и ищет пользователей, которые в него укладываются.

Ключевое отличие от обычного таргетинга: вы не описываете аудиторию сами («женщины 25–35, интересуются фитнесом»), а даёте живой пример и позволяете алгоритму самому вывести признаки. Часто система находит неочевидные закономерности, до которых вы бы не додумались, — и именно поэтому look-alike нередко работает лучше ручных настроек.

Как работает look-alike

Механика в основе одинакова у всех платформ.

Качество результата целиком зависит от качества источника. Алгоритм ищет похожих на тех, кого вы дали, — если источник слабый, похожие будут такими же слабыми.

Где настраивать

Look-alike доступен в большинстве крупных рекламных систем, хотя называется по-разному.

• •Соцсети. Основная площадка для look-alike: там у платформ больше всего данных о пользователях. Аудитории строятся на основе загруженных списков или пикселя.
• •Рекламные системы поисковиков. Похожие аудитории настраиваются на основе данных счётчиков и списков клиентов, работают в сетях показа.
• •Programmatic-платформы (DSP). Look-alike строится на основе DMP и данных о поведении для масштабной закупки показов.

Технически это надстройка над обычной таргетированной рекламой: вы работаете в том же кабинете, просто вместо ручного описания аудитории задаёте источник и просите найти похожих.

Для каких задач подходит

Look-alike раскрывается в конкретных ситуациях, а не как замена всему таргетингу.

• •Масштабирование того, что работает. У вас есть окупаемая аудитория, но она исчерпывается. Look-alike находит похожих и расширяет охват без потери качества.
• •Поиск новой аудитории для нового продукта. Когда непонятно, кому показывать, образец лучших клиентов подсказывает алгоритму направление.
• •Привлечение похожих на самых ценных. Источником берут не всех клиентов, а тех, кто приносит больше всего денег, — и система ищет похожих на них.
• •Выход в холодную аудиторию с меньшим риском. Look-alike теплее случайного таргетинга: эти люди статистически ближе к вашим покупателям.

Плохо look-alike работает там, где исходная аудитория крошечная или разнородная: алгоритму не на чем строить модель.

Как выбрать источник

Качество look-alike определяется источником, поэтому к нему стоит отнестись серьёзно.

• •Берите лучших, а не всех. Источник из платящих клиентов с высоким чеком даст похожих на платящих. Источник из всех, кто хоть раз зашёл на сайт, — похожих на случайных прохожих.
• •Достаточный размер. Слишком маленький источник (несколько десятков человек) не даёт алгоритму материала. Обычно нужны хотя бы сотни, лучше тысячи.
• •Однородность. Если в источнике перемешаны разные типы клиентов, модель размывается. Иногда полезно строить отдельные look-alike под разные сегменты.
• •Свежесть. Данные устаревают: поведение аудитории меняется, старый источник хуже отражает реальность.

Look-alike — это зеркало вашего источника. Загрузите разовых и нецелевых — получите похожих на них. Алгоритм не улучшает качество аудитории, он его копирует и масштабирует.

Типичные ошибки

• •Слабый источник. Look-alike на основе «всех посетителей» без фильтра качества приводит похожих на случайных людей.
• •Слишком узкая или широкая похожесть. Узкая быстро исчерпывается, широкая размывается до обычного холодного таргета. Тестируйте разную ширину.
• •Показ существующим клиентам. Без исключения текущих покупателей вы платите за показы тем, кто уже с вами.
• •Один креатив на холодную look-alike. Эти люди вас не знают — им нужен прогрев, а не сразу «купи», как тёплой аудитории.
• •Оценка по охвату. Большая похожая аудитория ничего не стоит, если заявки из неё дороже, чем из других каналов. Судите по CPA.
• •Забыть про источник после запуска. Аудиторию нужно обновлять, подкладывая свежих качественных клиентов.

Итог

Look-alike аудитория — это способ найти новых клиентов, похожих на ваших лучших, силами алгоритма, который сам выводит признаки хорошего покупателя из вашего источника. Она отлично масштабирует то, что уже работает, и помогает выйти в холодную аудиторию с меньшим риском. Но результат целиком зависит от качества источника: соберите лучших клиентов, а не всех подряд, тестируйте ширину похожести, исключайте существующих покупателей и оценивайте по стоимости заявки, а не по охвату.

Look-alike — лишь один приём в системе привлечения, и работает он в связке с ретаргетингом, аналитикой и грамотными креативами. Как настраивают такие связки на практике и какие источники дают лучший результат, разбирают на профильных деловых мероприятиях по digital — за цифрами живых кейсов видно нюансы, которых нет в справке рекламных кабинетов.