Прогнозируемые аудитории (Predictive Audiences) — что это и как не путать с look-alike

Прогнозируемые аудитории (Predictive Audiences) — что это и как не путать с look-alike

Прогнозируемые аудитории — это сегменты пользователей, сформированные моделью машинного обучения (ML) на основе вероятности совершения целевого действия (конверсия, повторная покупка, отписка). В отличие от look-alike (поиск «похожих» на заданное ядро), predictive напрямую оценивает склонность (propensity) каждого ID к событию, используя десятки фич: историю кликов, время на сайте, корзину, погоду, макроэкономические индикаторы.

Главное отличие: look-alike копирует профиль исходного сегмента, predictive — предсказывает поведение на основе множества факторов. Например, look-alike на «покупателей кроссовок» покажет рекламу всем, кто похож на этих покупателей, даже если человек сейчас не в рынке. Predictive-модель отфильтрует тех, кто с вероятностью >70% купит именно в ближайшую неделю, что даёт более высокий ROAS, но меньший охват.

Типичные ошибки:
— Использовать predictive без регулярного ретренинга модели (раз в 2–4 недели). Поведение меняется, модель устаревает.
— Ожидать, что predictive аудитории работают с теми же частотами и креативами, что и look-alike. Им нужны более персонализированные объявления (например, с таймером скидки).
— Назначать predictive как единственный источник таргетинга, игнорируя контекстную среду (окружение страницы). В 2026, с ростом Privacy Sandbox и отказом от третьих сторонних куки, predictive на first-party data (CRM, сайт) становится базой, но требует дополнения контекстом.

Пример: маркетплейс одежды загружает в DSP сегмент «Predictive Loyalty — вероятность

— @ProgrammaticGuidePro