Lookalike-аудитория: когда модель ищет не «похожих людей», а похожую экономику

Lookalike-аудитория: когда модель ищет не «похожих людей», а похожую экономику

Lookalike-аудитория — это сегмент пользователей, который рекламная платформа строит по признакам сходства с заданным исходным списком: покупателями, подписчиками, посетителями с высоким LTV, повторными покупателями. Смысл термина не в том, что люди «похожи по интересам», а в том, что алгоритм находит вероятных конвертеров по поведенческим и статистическим паттернам.

**Чем lookalike отличается от ретаргетинга:** ретаргетинг возвращает тех, кто уже был в вашей воронке; lookalike расширяет охват за её пределами.
**Чем отличается от broad-таргетинга (широкого таргетинга):** broad не опирается на ваш seed-список, а lookalike строится именно от него, поэтому качество модели зависит от качества исходной аудитории.

Типичные ошибки:
— брать в seed всех подряд: трафик, случайные визиты, нецелевые лиды;
— строить lookalike от первой покупки, если бизнес живёт на повторных заказах и LTV;
— масштабировать аудиторию без проверки инкрементальности: рост объёма не всегда означает добавочную выручку;
— не сегментировать seed по ценности: пользователи с разным чеком и маржинальностью дают разные модели.

Практический пример: для e-com с падением среднего чека лучше строить lookalike не от всех покупателей, а от 20% клиентов с самым высоким вкладом в валовую маржу. Тогда модель чаще приводит не просто «новых», а экономически полезных пользователей.

— @RetentionPaid

Параллельный взгляд на тему — @MarTechStackRu