Похожие аудитории (lookalike): как создать и масштабировать

Представьте небольшой интернет-магазин, который за пару лет собрал лояльную базу постоянных покупателей. Его кампании ретаргетинга — по посетителям сайта и брошенным корзинам — хорошо конвертируют, но этот пул конечен: у числа показов одному и тому же кругу в несколько тысяч человек есть потолок. Когда магазин расширяется на таргетинг по интересам в поисках новых людей, стоимость растёт, а конверсия падает. Главный вопрос становится таким: "Как найти новых людей, похожих на моих лучших клиентов, но которые меня ещё не знают?" Похожая аудитория (lookalike) — это как раз инструмент, созданный, чтобы на него ответить.

В этом материале разбираем, что такое похожая аудитория (lookalike), как она работает изнутри, почему качество сида (seed — исходной аудитории) решает всё, и как её создать и масштабировать шаг за шагом: выбрать правильный источник, сбалансировать сходство и охват, наложить исключения, накормить сид first-party данными и измерить инкрементальный эффект. Это не волшебная кнопка — но при правильной настройке один из самых эффективных способов выйти на холодные аудитории.

1Качественный seed2Модель платформы3Похожая аудитория4Новые клиенты

Что такое похожая аудитория (lookalike)?

Похожая аудитория — это рекламная аудитория из новых пользователей, которые статистически похожи на уже имеющуюся у вас исходную аудиторию (сид), но не входят в неё. Логика проста: вы говорите платформе "вот мои самые ценные клиенты", а её модель находит пользователей, максимально похожих на них по поведению, интересам и профилю, и собирает вам новый пул охвата. Этим lookalike принципиально отличается от ретаргетинга, который возвращает тех, кто вас уже знает: ретаргетинг снова вовлекает тёплую аудиторию, а lookalike открывает холодную, которая на неё похожа.

Самая известная реализация — Lookalike Audience у Meta (Facebook/Instagram); она создаётся внутри Meta Ads из выбранного вами источника. Одна ремарка о рынке в целом: Google какое-то время назад убрал "похожие аудитории/похожие сегменты" и перешёл к оптимизированному таргетингу, расширению аудитории и автоматизации на first-party данных. Иначе говоря, идея "найти ещё таких же" уходит от списка, собранного вручную, к тому, что алгоритм делает автоматически, — но логика сида остаётся прежней: кому подражать, по-прежнему говорите вы.

Как это работает изнутри

Создавая lookalike, вы задаёте только источник и целевой рынок или страну; остальное делает модель платформы. Она извлекает общие сигналы людей из вашего сида — модели поведения, интересы, характер вовлечённости, черты профиля — и ранжирует всю свою пользовательскую базу по степени сходства с этим паттерном. На выходе — большой пул кандидатов, упорядоченный от "максимально похожих на источник" к "наименее похожим".

Важная деталь: люди, уже входящие в сид, исключаются из нового пула, то есть lookalike по определению выходит на новых людей. И модель хороша ровно настолько, насколько хорош пример, который вы ей дали, — здесь буквально работает правило "мусор на входе — мусор на выходе". Meta в последнее время во многом встроила эту логику в Advantage+ audience: выбранный источник теперь не жёсткая граница, а "подсказка по аудитории" для алгоритма, который может выйти за её пределы, если это улучшает результат. Классический lookalike, собранный вручную, и этот автоматический подход теперь сосуществуют — и чем бы вы ни пользовались, исход решает одно и то же: качество сида.

Всё в сиде: используйте самые сильные сигналы

Потолок lookalike задаёт исходная аудитория. Самая частая ошибка — засеять его чем-то широким, но шумным: "все посетители сайта" или "весь список рассылки". Такая аудитория большая, но в ней есть все, кто зашёл один раз, ничего не купил или кликнул случайно; попросите модель "найти похожих на этих" — и получите пул, похожий на среднее, то есть ни на кого конкретно.

Правильный подход — брать самые сильные сигналы: покупатели, лояльные постоянные клиенты, аккаунты с высокой пожизненной ценностью (LTV), квалифицированные лиды, которые реально закрылись в сделку. Эти люди представляют ваш профиль идеального клиента (ICP) — именно ту аудиторию, которой должен подражать lookalike. Сузить источник с помощью сегментации клиентов — например, только те, кто за последний год покупал больше одного раза, — делает аудиторию меньше, но чище.

Небольшой, но чистый источник почти всегда даёт лучший lookalike, чем большой, но шумный. Скажите модели ясно, на кого быть похожей, — и получите ясную аудиторию в ответ.

Насколько большим должен быть источник?

Платформам нужно, чтобы источник преодолел определённый минимальный порог — то есть содержал достаточно сопоставленных записей для моделирования, — потому что слишком маленький список даёт модели мало примеров для обучения. Но главный посыл такой: сначала качество, потом размер. Как только вы прошли порог, раздувать аудиторию низкокачественными записями ради объёма — терять больше, чем приобретать.

Ищите практичный баланс:

• Достаточно данных для модели: в источнике должно быть достаточно сопоставленных записей, чтобы платформа нашла закономерность; очень маленькие списки дают слабые, нестабильные аудитории.
• Но не в ущерб чистоте: вместо того чтобы добавлять "всех" ради прохождения порога, берите самую крупную группу, у которой всё ещё сильный сигнал.
• Выберите одно определение: смешивать "покупателей" и "добавивших в корзину" в одном сиде — размывать сигнал; чище строить отдельные lookalike из отдельных источников.

Сходство или охват? Компромисс расширения

При создании lookalike платформа даёт регулятор "степени сходства": насколько узкой (небольшое ядро, максимально похожее на источник) или широкой (больший пул, похожий более свободно) сделать аудиторию. Это компромисс, и правильный ответ зависит от цели кампании.

Узкий lookalike больше похож на ваш источник; обычно он качественнее, но меньше и быстрее выгорает. Широкий lookalike охватывает больше людей и лучше масштабируется, но релевантность может падать по мере ослабления сходства. Называть конкретный процент было бы обманчиво — верная настройка зависит от вашей отрасли, качества источника и бюджета. Здоровый подход — начать с узкого ядра и расширяться постепенно, по мере того как позволяет результат: так вы сначала ловите самых ценных "похожих", а затем масштабируетесь под контролем.

Слои: исключения и сочетание с интересами

Запускать lookalike сам по себе редко даёт лучший результат; настоящая отдача — от наслоения. Первое правило — исключения: уберите из аудитории существующих клиентов и тех, кто уже сконвертировался. Иначе вы показываете бюджет "на новых клиентов" тому, кто у вас уже купил, — тратите деньги и портите измерения. По той же причине исключение вашей тёплой аудитории ретаргетинга позволяет каждой аудитории делать свою работу.

• Исключайте существующих клиентов: уберите покупателей из lookalike и дотянитесь до них иначе — другим сообщением в другой кампании.
• Управляйте пересечением аудиторий: таргетинг одного и того же человека сразу в нескольких кампаниях повышает стоимость и размывает результаты.
• Сужайте, когда это помогает: пересечение очень широкого lookalike с географией, возрастом или одним ключевым интересом может поднять релевантность — но каждый слой уменьшает аудиторию, не переусердствуйте.

Кормим хороший сид: first-party данные, Pixel и CAPI

Качество lookalike прямо пропорционально качеству данных, которые вы ему даёте, — а лучшие данные ваши собственные. First-party данные (данные о клиентах, покупках и поведении, которые вы собираете сами) — это и самый точный источник, и наиболее пригодный для загрузки на рекламные платформы; в мире после cookie их ценность только выросла.

Донести эти данные до платформы можно двумя основными путями. На стороне браузера Meta Pixel фиксирует события на сайте (покупка, добавление в корзину, заполнение формы); на стороне сервера Conversions API (CAPI) отправляет те же события прямо с вашего сервера, закрывая слепые зоны, которые оставляют блокировщики рекламы и ограничения на cookie. Работая вместе, они дают платформе более полный и надёжный поток сигналов — а значит, сид, на котором учится ваш lookalike, чище.

Наконец, обновляйте сид: по мере роста клиентской базы регулярно обновляйте списки-источники. Статичный список, выгруженный год назад, уже не отражает ваших лучших клиентов сегодня; живой, регулярно пополняемый источник держит модель актуальной.

Измерение и ловушки: увидеть инкрементальную ценность

Понять, действительно ли lookalike работает, помогает не взгляд на приписанные ему (attributed) конверсии, а измерение его инкрементального эффекта: принёс ли он продажи, которых без него не случилось бы? Ведь широкий lookalike может выглядеть "хорошим" просто потому, что вбирает тех, кто и так сконвертировался бы; настоящий вопрос — создал ли он новый, дополнительный спрос. Гео-тесты, holdout-группы и замеры прироста конверсий — здоровые способы это увидеть.

Самые частые ловушки похожи друг на друга, и большинство восходит к сиду:

• Плохой сид: шумный или нерелевантный источник изначально даёт слабую аудиторию.
• Пересечение (overlap): таргетинг одного человека в ретаргетинге и lookalike одновременно раздувает стоимость.
• Слишком широко: чрезмерное ослабление аудитории ради масштаба роняет релевантность и конверсию.
• Устаревший источник: список, не обновлявшийся месяцами, подражает профилю клиента, которого уже нет.

Часто задаваемые вопросы

В итоге похожая аудитория — не волшебный ярлык роста, а способ превратить ваши данные в рычаг: определите лучших клиентов, превратите их в чистый сид, сбалансируйте сходство и охват и измеряйте результат инкрементально. В центре этого цикла — чистые, актуальные данные о клиентах. CRM вроде Rocketly помогает, позволяя сегментировать самых ценных клиентов и переносить эти списки на рекламные платформы как самый чистый источник для lookalike, превращая идею "найди похожих на моих лучших клиентов" в повторяемую систему.