Look-alike

Look-alike — технология, при которой рекламная система анализирует базу ваших клиентов и находит похожих пользователей по поведенческим признакам. Загружаете список email/телефонов или собираете базу через пиксель, система разворачивает её до сотен тысяч человек.

Качество зависит от исходной базы: чем чище и однороднее клиенты, тем лучше работает look-alike. Лучше начинать с базы покупателей с высоким LTV — модель найдёт похожих по платёжной активности.

Look-alike тем точнее, чем «уже» и однороднее затравочный сегмент: модель ищет общее у людей внутри базы, а размытая база разводит её до бесполезной. Рабочий минимум для Яндекс Аудиторий — 1000 совпавших профилей, но качество начинается от нескольких тысяч с единым признаком: «купившие дороже 15 000 ₽ за последние 90 дней» или сегмент с высоким LTV. В Аудиториях можно задать точность и охват ползунком: узкий LAL (10–20% похожих) даёт CR ближе к исходной базе, широкий (60–80%) — дешёвый, но холодный трафик.

Look-alike закрывает разные задачи, чем ретаргетинг: ретаргетинг возвращает тех, кто уже был на сайте, LAL приводит новых людей, похожих на текущих покупателей. Частая ошибка — кормить модель базой заявок (лидов), а не оплат: алгоритм найдёт похожих на тех, кто оставляет заявки и не покупает, и CPA вырастет. Сегменты стареют: поведенческие признаки в Крипте обновляются, поэтому пересобирайте look-alike раз в 1–2 месяца и не запускайте LAL от базы, собранной год назад.