Look-alike часто работает только на узком объёме: алгоритм быстро находит «похожих», а потом начинает расширять поиск в менее релевантную аудиторию. В итоге растут показы, а качество лидов падает.
Что обычно ломает связку:
— слишком маленькая исходная база: 100 лидов не дают устойчивого паттерна;
— резкое увеличение бюджета вместо плавного роста;
— один и тот же креатив гоняют слишком долго, и аудитория выгорает;
— в пикселе смешаны разные события, из-за чего модель учится на шуме.
Чтобы масштабирование не убивало LAL, держите несколько слоёв: холодный look-alike, более широкий интерес, и отдельный ретаргет. Не пытайтесь выжать всё из одной аудитории — как только частота и CPA начинают ползти вверх, пора разводить сегменты и обновлять входные данные.
Лучше масштабировать не только бюджет, но и сам источник обучения: новые лиды, свежие события, отдельные крео и разные окна оптимизации. Тогда look-alike остаётся рабочим дольше, а не превращается в дорогой проходной трафик.
Scaling Cases 🚀
@admediaScalingCases
Почему look-alike сливается при масштабировании и как не убить связку
Этот пост опубликован в Telegram-канале Scaling Cases 🚀 (@admediaScalingCases). Все его публикации — на странице канала.
Открыть в Telegram