Lookalike-аудитория: когда модель помогает, а когда только маскирует проблему

Lookalike-аудитория: когда модель помогает, а когда только маскирует проблему

Lookalike-аудитория — это сегмент новых пользователей, которых платформа находит по сходству с исходным списком: покупателями, лидами, подписчиками, посетителями сайта. Алгоритм берёт признаки исходной базы и ищет похожие паттерны поведения, интересов и демографии. В performance это инструмент масштабирования, а не замена стратегии.

Важно отличать lookalike от ретаргетинга. Ретаргетинг работает по уже известной аудитории: человек был на сайте, добавил товар в корзину, открыл письмо. Lookalike строится на расширении за пределы текущей базы. Иначе говоря: ретаргетинг возвращает спрос, lookalike ищет похожий спрос снаружи.

Типичная ошибка — строить lookalike от слишком «грязного» источника. Если исходная база включает всех подряд: случайные лиды, ботов, низкочековые покупки, алгоритм масштабирует не качество, а шум. Вторая ошибка — оценивать lookalike только по CPA. Для него важнее **юнит-экономика**: маржа, доля повторных покупок, LTV и вклад в инкрементальную выручку.

Пример: у e-com проекта есть 5 000 покупателей с повторной покупкой в течение 60 дней. На их основе строят lookalike 1%. Такой сегмент часто даёт дороже клик, но лучше окупается, чем broad-аудитория, если в воронке важен не первый заказ, а возвратный доход.

— @RetentionPaid