Сегментация и LAL ломаются не из-за алгоритма, а из-за грязных входных данных

Сегментация и LAL ломаются не из-за алгоритма, а из-за грязных входных данных

Если у вас в кабинете один LAL на все креативы и офферы, вы не строите систему — вы мешаете сигналы. Рабочая схема начинается с разделения по источнику события: purchase, add to cart, lead, view content. У каждого события своя сила и свой уровень шума.

Дальше режем аудиторию не по «интересам», а по поведению:
• теплые: посетители 1–7 и 8–30 дней
• прогретые: ATC, Initiate Checkout, engaged viewers
• покупатели: отдельный пул для исключения и допродажи

LAL имеет смысл только когда seed чистый. База должна быть одной логики: один продукт, один GEO, одно событие, нормальный объем и без мусора из случайных лидов. Если в seed смешаны дешевые клики, фрод и реальные покупки, lookalike будет масштабировать шум, а не качество. Тестируем гипотезу — смотрим на спенд.

По процентам не надо верить в магию. Часто 1% дает лучший контроль, 2–3% — больше охват, но хуже предсказуемость. На практике стоит держать отдельные ad set под разные LAL и не мешать их в одну кучу с broad. Иначе вы не поймете, что именно дало CTR, CVR и CPA.

Анализ данных говорит сам за себя: сегментация нужна не ради структуры, а ради чтения статистики. Когда каждый пул отвечает за свой этап воронки, вы быстрее находите, где течет связка, и не сливаете бюджет на «среднюю температуру по кабинету».