Look-alike аудитории: как найти пользователей, похожих на ваших клиентов

Что такое look-alike аудитория простыми словами

Представьте, что у вас есть список из 3000 клиентов, которые купили курс за последние три месяца. Look-alike-алгоритм берёт этот список (называется seed-аудитория, «семя»), строит математический профиль типичного покупателя — по демографии, интересам, поведению на площадке — и ищет во всей базе пользователей платформы тех, кто максимально похож на этот профиль, но ещё не входит в исходный список.

Ключевое отличие от других видов таргетинга:

• Ретаргетинг — показываем рекламу тем, кто уже был у вас на сайте (те же люди).
• Таргетинг по интересам — вы вручную указываете параметры аудитории (возраст, интересы, гео).
• Look-alike — алгоритм сам находит новых людей, опираясь на реальных клиентов, а не на ваши догадки об аудитории.

Это делает look-alike одним из самых эффективных инструментов холодного привлечения: вы масштабируете уже проверенный сегмент, а не гадаете с параметрами таргетинга вслепую.

Как алгоритм строит look-alike-аудиторию

Технически процесс выглядит так:

1. Вы загружаете seed-сегмент — список email/телефонов (хэшированный) или аудиторию, собранную пикселем/счётчиком по событию (покупка, регистрация, добавление в корзину).
2. Платформа сопоставляет загруженные данные с профилями своих пользователей и строит вектор признаков: демография, устройства, паттерны активности, интересы, поведенческие сигналы.
3. Алгоритм сканирует всю базу пользователей площадки (это могут быть десятки и сотни миллионов профилей) и ранжирует каждого по степени похожести на усреднённый профиль seed.
4. Из ранжированного списка берётся верхний процент — самые похожие пользователи — и формируется рекламная аудитория.

Где в России можно настроить look-alike

После ухода части зарубежных площадок основные варианты для рунета:

В Яндекс Аудиториях сегмент «Похожие» строится либо от списка клиентов из CRM, либо от аудитории сквозной аналитики, размеченной через Метрику. В VK Рекламе можно строить look-alike сразу на основе сегмента, собранного по пикселю с события «Покупка» — это даёт более точный сигнал, чем просто «посетители сайта».

Отдельно стоит помнить, что качество базы самой платформы тоже влияет на результат: у VK Рекламы и Яндекс Аудиторий разные объёмы и профили пользовательской базы, поэтому LAL на одной и той же seed-аудитории может давать разные по эффективности результаты в зависимости от площадки — рекомендуется тестировать хотя бы две площадки параллельно на старте, а не полагаться на одну.

Как собрать качественный seed-сегмент

Прежде чем нажимать «создать похожую аудиторию», проверьте четыре параметра исходного списка:

• Объём. Меньше нескольких сотен строк — алгоритму не хватает сигнала для устойчивого паттерна. Оптимально — от 1000–3000 записей.
• Свежесть. Берите события за последние 60–90 дней, а не за всю историю бизнеса — поведение аудитории меняется, старые данные размывают профиль.
• Однородность. Не смешивайте в одном seed разовых покупателей дешёвого товара и постоянных клиентов премиум-сегмента — это два разных профиля, алгоритм усреднит их в нечто среднее и бесполезное.
• Ценность события. Seed по факту покупки с высоким чеком или по LTV-сегменту (например, топ-20% клиентов по LTV) обычно даёт более качественную look-alike-аудиторию, чем просто список «кто угодно купил хоть раз».

Похожая аудитория, построенная от плохого seed, — это просто дорогой способ показать рекламу случайным людям.

Какой процент похожести выбрать

Большинство платформ позволяют задать ширину аудитории в процентах — насколько строго алгоритм отбирает «похожих»:

Практика: начинайте с 1–3%, оцените CTR и стоимость конверсии через 3–5 дней открутки, и только затем расширяйте до 5–7%, если объёма показов не хватает для нужного масштаба бюджета. Резкий скачок сразу к 10%+ почти всегда обходится дороже, чем постепенное расширение с промежуточной проверкой метрик на каждом шаге.

Частые ошибки при настройке look-alike

На практике большинство неудачных LAL-кампаний спотыкаются на одном и том же:

• Seed собран «для галочки» — весь список email из CRM без фильтра по свежести и качеству.
• Нет списка исключений — реклама показывается в том числе тем, кто уже является клиентом (двойные показы, лишний расход бюджета).
• Тестируется сразу широкий % (10%+) вместо постепенного расширения от узкого.
• Seed не обновляется месяцами — аудитория «протухает», алгоритм работает по устаревшему профилю.
• Смешивание разных целей в одном seed — например, «все, кто написал в чат» вместе с «оплатившие» — вместо создания отдельного look-alike под каждую цель.
• Look-alike запускается без частотного кэппинга, из-за чего аудитория за 2–3 недели «выгорает», а CTR начинает падать без видимой причины.
• Результаты кампании оцениваются слишком рано — по первым 1–2 дням открутки, когда алгоритм ещё не прошёл фазу обучения и статистика нерепрезентативна.

Пример расчёта: сколько людей попадёт в look-alike

Возьмём условный пример: у интернет-магазина есть seed из 2500 клиентов, купивших товар за последние 60 дней. Площадка с общей базой пользователей в 40 млн человек строит look-alike на 2%: это значит, что рекламодателю станет доступна аудитория примерно в 800 000 человек — тех самых 2% пользователей платформы, чей профиль алгоритм счёл наиболее близким к seed.

Если расширить порог до 5%, аудитория вырастет примерно до 2 млн человек, но точность отбора снизится — в выборку начнут попадать пользователи, похожие на seed уже не так тесно. На практике это отражается в метриках: по опыту рекламных кабинетов, переход с 2% на 10% часто даёт рост охвата в 4–5 раз при одновременном росте стоимости целевого действия на 30–60%, потому что более широкая аудитория в среднем менее целевая. Поэтому решение о расширении процента всегда должно приниматься по факту динамики CPA, а не только по желанию нарастить объём показов.

Когда look-alike не работает и что делать вместо

Look-alike плохо работает в трёх сценариях: очень узкая ниша B2B с seed из 20–50 клиентов (алгоритму не на чем строить профиль), очень маленькие рекламные бюджеты (аудитория не успевает набрать сигнал), и рынки с крайне специфичным продуктом, где «похожесть» по общим признакам ничего не говорит о готовности купить.

В этих случаях эффективнее сработают контекстная реклама по прямым запросам (человек уже ищет решение) или ручной таргетинг по узким интересам и должностям. Ретаргетинг и look-alike в этом смысле дополняют, а не заменяют друг друга: ретаргетинг возвращает тех, кто уже был, LAL находит новых, похожих на лучших.