Почему look-alike аудитория часто работает хуже, чем ты ожидаешь

Look-alike — это не волшебная кнопка. Алгоритм берёт характеристики твоих лучших юзеров и ищет похожих. Звучит логично, но на практике часто приводит к разочарованию. Вот почему.

Первая ошибка — качество исходной аудитории. Если ты запустил look-alike на основе покупателей со слабой маржой, низкой LTV или импульсивных кликов — алгоритм найдёт таких же. Плохой исходник дает плохое расширение. Проверь: кто именно в твоей seed-аудитории? Это реальные лояльные клиенты или просто те, кто один раз нажал кнопку?

Вторая — размер исходной базы. На 50-100 конверсиях алгоритм ещё строит модель. На 500+ он уже более уверен. Если твой пиксель свежий и данных мало, look-alike будет неточной. Дай системе время набрать статистику перед масштабированием.

Третья — overlap с основной аудиторией. Часто look-alike частично совпадает с теми, кого ты уже таргетируешь. Это означает дублирование бюджета. Используй exclusion-списки: исключи основные сегменты, интересы, демографику. Так look-alike станет дополнением, а не дубликатом.

Последняя подводная — слишком широкий look-alike. Если выбрал 5% от всех похожих юзеров — это одно. Если 10-15% — уже теряешь точность. Начни с узкого, смотри метрики, потом постепенно расширяй.