Когда lookalike перестаёт работать, а вы продолжаете его лить

Когда lookalike перестаёт работать, а вы продолжаете его лить

Месяц назад разобрал три кейса подряд: у всех одинаковая картина — lookalike-сегмент по 1% покупателей стабильно деградирует третий месяц подряд. Стоимость привлечения растёт на 15-20%, при этом аудитория визуально «та же самая» в рекламном кабинете. Знакомо?

Проблема не в качестве самой похожей аудитории. Проблема в том, что источник для обучения модели перестал отражать ваших лучших клиентов. Вы продолжаете скормить алгоритму аудиторию покупателей, среди которых 70% — это разовые заказы по акции в три месяца назад. А ваша экономика сейчас держится на повторных покупках и тех, кто пришёл через блогеров полгода назад. Lookalike технически работает корректно — он ищет похожих на тех, кого вы ему дали. Просто «тех» уже не существует в вашей воронке в прежнем качестве.

Что мы делаем в таких случаях вместо бесконечной смены процентов LAL.

Первое — пересобираем сид (seed). Не просто «покупатели за 180 дней», а сегмент с фильтром по LTV, давности последней покупки и средней маржинальности. Платформа умеет загружать такие сегменты, вопрос в дисциплине аналитики до этого шага.

Второе — комбинируем с собственными данными. Если у вас есть качественная база email + поведение на сайте, делаем гибрид: выгружаем её в платформу как custom audience, строим похожих на неё, отдельно строим похожих на покупателей из CRM (система управления клиентскими отношениями), а затем в рекламной кампании миксуем креативы под каждый сегмент. Звучит банально, но в половине проектов этот шаг пропускают годами.

Третье — перестаём измерять эффективность lookalike в отрыве от верхней воронки. Privacy-first атрибуция (server-side — серверная передача данных, MMM — маркетинг-микс моделирование, incrementality — оценка прироста от рекламы) теснит last-click, и это хорошо: вы наконец-то видите, что LAL даёт не прямые последние клики, а прогретый спрос, который конвертируется через email и прямые заходы через 7-14 дней.

Четвёртое — тестируем lookalike от подписчиков и лидов, а не только от покупателей. Парадокс: в проектах с длинным циклом сделки сегмент «похожие на тех, кто смотрел 3 страницы кейсов и скачал гайд» стабильно дешевле в CAC (стоимость привлечения клиента) и качественнее по удержанию, чем классический LAL по покупкам.

Главный вывод, к которому мы пришли: lookalike — это не «волшебная кнопка масштабирования», а один из способов валидации того, насколько хорошо вы понимаете собственный продуктовый fit (соответствие продукта потребностям рынка). Если модель деградирует — проблема почти всегда в вашей обучающей выборке, а не в платформе.

Проверьте, что именно вы отдаёте алгоритму как образец своего идеального клиента. Часто ответ неприятный.

— @RetentionPaid