Широкие таргетинги дают больше охвата — а узкие всегда эффективнее

Широкие таргетинги дают больше охвата — а узкие всегда эффективнее

Этот миф тянется из эпохи «залей побольше и посмотрим, что сконвертит». В 2018–2020 так действительно работало: дешёвые показы, простая воронка, оптимизация по дешёвым событиям. Многие байеры вынесли из этого привычку: «чем шире, тем больше данных, тем лучше алгоритм учится».

На практике в 2026 это уже не так. Алгоритмы Meta и TikTok достаточно умны, чтобы обучаться на узком сегменте, если в нём набирается 2–4 тысячи целевых событий в неделю. А вот широкий таргетинг в условиях privacy-first атрибуции (атрибуция с приоритетом приватности пользователя) даёт обратный эффект: в выборку попадают случайные пользователи, ML-модель (модель машинного обучения) «размывается», CPA (цена за действие) растёт, а креативы получают разношёрстную обратную связь и перестают попадать в боль.

Откуда ноги растут у мифа — из старого страха: «узко = мало данных = не обучится». Но узкий сегмент с сильным оффером и понятным креативом всегда бьёт широкий. Сначала узкая связка доводится до стабильного CPA на 70–100 конверсий, потом масштабируется через look-alike (похожие аудитории) или расширение внутри ad set (группы объявлений).

Что вместо этого. Правило трёх слоёв:
— **Ядро** — узкая горячая аудитория (ретаргет, база, look-alike 1–3%).
— **Тест** — 3–5 сегментов по 50–100 тысяч, подобранных по смыслу, а не по демографии.
— **Масштаб** — победители из теста, размноженные через Advantage+ или аналоги.

Широкие таргетинги оставьте для брендинга (задач узнаваемости) и тестов креативов на этапе исследования. В performance они почти всегда проигрывают.

— @PaidSocialCraft