Для стабильного LAL важен не «максимум», а качество исходной базы. Если в seed-источнике мешать случайные лиды, отказы и мусорные события, модель начнёт искать похожих на шум. Поэтому сначала собирают узкий, чистый пул: оплаченные заявки, подтверждённые покупки, повторные действия из нужной воронки.
Ориентир такой: для старта лучше иметь хотя бы несколько сотен однотипных событий, а для уверенной работы — базу уже в тысячах. Меньше этого look-alike часто получается слишком узким, быстро выгорает и плохо переносит масштабирование. Но и слишком широкий источник тоже вреден: алгоритм видит «среднюю температуру» по всем, а не нужный сегмент.
Чтобы база была пригодна:
— бери один тип события, а не смесь лидов, кликов и покупок;
— убирай дубли, тестовые заявки и явный мусор;
— не смешивай разные гео, офферы и уровни мотивации в одном seed;
— обновляй источник, если качество трафика меняется.
Если данных мало, лучше запустить несколько маленьких look-alike по разным чистым сегментам, чем один рыхлый. Рабочий LAL строится не на размере ради размера, а на повторяемом паттерне внутри базы.
Targeting Lens 🎯
@admedia_targetlens
Какой размер базы нужен, чтобы look-alike не разваливался на тестах
Этот пост опубликован в Telegram-канале Targeting Lens 🎯. Подписаться можно по ссылке: @admedia_targetlens.