Команда собрала lookalike из слишком маленькой базы: несколько сотен лидов, часть из них — мусор после фрод-отсечения. Вход выглядел чисто, но модель училась на шуме. Сначала дали дешёвый клик, потом пошёл рост CPL, а дальше — выгорание связки и просадка по качеству лидов.
Что сломалось:
— база была слишком узкой и не отражала нормального покупателя;
— в seed попали невалидные события: дубли, боты, случайные клики;
— lookalike запускали как основной источник, без параллельных аудиторий на подхвате.
Типовая ошибка тут одна: путают «похожесть на мусор» с «похожестью на клиента». Алгоритм не умеет угадывать вашу воронку лучше, чем данные, которыми его кормили. Если seed грязный или слишком маленький, он быстро закрепляет плохой паттерн и масштабирует его.
Что делать иначе: собирать seed из нескольких валидных событий, держать отдельно сегменты по качеству, не отключать исходные аудитории до проверки стабильности. И не оценивать lookalike только по первому дню: на узкой базе он часто красиво стартует и так же быстро ломается.
Вывод простой: если база слабая, lookalike не чинит перформанс, а просто ускоряет ошибку.
Антикейс: lookalike по узкой базе и обрушение перформанса
Этот пост опубликован в Telegram-канале True CPA — фейлы офферов и банхамеры партнёрок (@True_CPA). Все его публикации — на странице канала.
Открыть в Telegram