Look-alike аудитория
Look-alike аудитория — сегмент пользователей, похожих на исходную базу клиентов (сид) по поведению и интересам. Алгоритм VK Рекламы или Яндекса находит людей, чьи признаки совпадают с теми, кто уже покупал. Расширяет охват без потери релевантности.
Определение Look-alike аудитория
Look-alike аудитория (от англ. look-alike — «похожий») — это сегмент новых пользователей, которых рекламная система подобрала по сходству с вашей исходной базой. Исходную базу называют сидом (seed): это список покупателей из CRM, посетителей сайта, подписчиков сообщества или тех, кто оставил заявку. Алгоритм анализирует сотни поведенческих и социально-демографических признаков сида и ищет среди миллионов пользователей тех, кто статистически на них похож. В результате реклама показывается не случайным людям, а аудитории с повышенной вероятностью покупки — при этом охват вырастает в десятки раз по сравнению с исходным списком.
Как работает и применение
Механика похожа в VK Рекламе и Яндекс Директе, хотя терминология отличается: у Яндекса это «похожие аудитории» в Метрике и Аудиториях. Сначала вы загружаете сид размером от 1000 контактов (минимум для качественного обучения модели обычно 2000-5000). Система сопоставляет признаки сида с базой всех пользователей и формирует сегмент похожести с настраиваемой шириной: узкий look-alike (1-2 процента) даёт максимальное сходство, широкий (5-10 процентов) — больший охват ценой релевантности. Качество сида решает всё: база реальных покупателей работает лучше, чем база всех посетителей сайта. Look-alike встраивают в стратегию контекстной и таргетированной рекламы для масштабирования, а данные о посетителях для сида собирают через настроенную Яндекс.Метрику. Органический трафик из SEO-продвижения тоже пополняет сид качественными визитами.
| Источник сида | Качество look-alike | Минимальный размер |
|---|---|---|
| Покупатели из CRM | Высокое | от 1000-2000 контактов |
| Лиды, дошедшие до сделки | Высокое | от 2000 контактов |
| Все посетители сайта | Среднее | от 3000 пользователей |
| Подписчики сообщества | Среднее | от 5000 подписчиков |
Виды и настройка ширины
Look-alike различают по ширине сегмента и по типу сида. Узкий процент (1-3) ищет максимально близких двойников — это даёт высокую конверсию, но малый охват, поэтому подходит для дорогих ниш с длинным циклом сделки. Широкий процент (5-10) расширяет аудиторию для охватных кампаний и теста новых рынков, но точность падает. По типу сида выделяют look-alike на покупателей (лучшая отдача), на отказников для дожима, на LTV-сегмент (двойники самых ценных клиентов). Отдельный приём — look-alike на тех, кто провёл на сайте больше 2 минут или просмотрел 3+ страницы: такой сид собирается через сегменты Метрики и часто работает не хуже базы покупателей.
Метрики и пример
Эффективность look-alike оценивают по стоимости заявки и конверсии в сравнении с обычным таргетингом. Пример. Магазин загрузил сид из 4000 покупателей в VK Рекламу и создал look-alike шириной 3 процента — сегмент составил около 850 тысяч человек. За месяц на эту аудиторию потратили 90 000 рублей, получили 220 заявок при цене лида 409 рублей. Параллельная кампания на широкий таргетинг по интересам дала лид по 680 рублей. Разница в 40 процентов окупила работу с сидом за первую неделю. Через 3 недели сид обновили свежими покупателями, и модель стала точнее: цена лида опустилась до 370 рублей. Регулярное обновление сида — главный фактор стабильной отдачи look-alike.
Связанные концепции
- Целевая аудитория — основа для сида; чем точнее описана ЦА, тем лучше работает look-alike, построенный на её представителях.
- Ретаргетинг — показ рекламы тем, кто уже контактировал с брендом; look-alike дополняет его, выводя на новых, но похожих людей.
- LTV — пожизненная ценность клиента; сид из высоко-LTV покупателей даёт самый прибыльный look-alike.
- Яндекс.Метрика — инструмент сбора сегментов посетителей, которые становятся сидами для похожих аудиторий.
- Сид (seed) — исходная база, на которой обучается модель похожести; её качество и размер определяют результат.
- Парсинг аудиторий — сбор пользователей сообществ и конкурентов как альтернативный источник сида для look-alike в соцсетях.
Частые ошибки
- Берут сид из всех посетителей сайта вместо реальных покупателей — модель учится на нецелевых людях.
- Загружают слишком маленький сид (менее 1000 контактов), и алгоритм не успевает выявить закономерности.
- Не обновляют сид месяцами, из-за чего look-alike отстаёт от текущего спроса и сезона.
- Сразу ставят широкий процент похожести в погоне за охватом, теряя точность и сливая бюджет.
- Не исключают из look-alike уже существующих клиентов, показывая рекламу тем, кто и так купил.
Частые вопросы
Какой минимальный размер сида для look-alike?
Формально системы принимают от 1000 контактов, но устойчивая модель получается при сиде от 2000-3000 качественных записей. Чем больше и однороднее база покупателей, тем точнее алгоритм находит двойников. На сиде в 100-200 человек look-alike обучить нельзя — данных не хватает для статистики.
Чем look-alike отличается от ретаргетинга?
Ретаргетинг возвращает тех, кто уже был на сайте или контактировал с брендом. Look-alike, наоборот, выводит на совершенно новых людей, которые похожи на ваших клиентов, но раньше с вами не пересекались. Ретаргетинг работает на удержание и дожим, look-alike — на расширение охвата без потери релевантности.
Какую ширину похожести выбрать?
Начинайте с узкого диапазона 1-3 процента: он даёт самую дешёвую заявку. Если охвата не хватает или нужно масштабировать кампанию, постепенно расширяйте до 5-7 процентов и следите за стоимостью лида. Широкие 10 процентов берут для теста новых рынков, но точность там заметно ниже.
Где взять сид, если базы покупателей нет?
Сидом могут стать вовлечённые посетители сайта: те, кто провёл больше 2 минут, просмотрел несколько страниц или дошёл до корзины. Такие сегменты собираются в Яндекс.Метрике. Также подойдут подписчики сообщества или участники конкурентных групп. Настройку сбора аудиторий мы делаем при запуске рекламных кампаний.
Как часто обновлять look-alike?
Сид стоит освежать раз в 2-4 недели, добавляя новых покупателей и убирая устаревшие контакты. Спрос, сезонность и поведение аудитории меняются, поэтому модель, обученная на полугодовой базе, постепенно теряет точность. Регулярное обновление сида — главный способ удерживать низкую цену заявки.
Работает ли look-alike в Яндекс Директе?
Да, у Яндекса это называется «похожие аудитории». Сегмент создаётся в Яндекс Аудиториях на основе данных из Метрики или загруженного списка, а затем подключается к кампаниям в Директе. Принцип тот же: система ищет пользователей, похожих на ваш сид, и расширяет охват рекламы за счёт релевантной новой аудитории.