Все, что нужно знать о look-alike таргетинге

Data & Таргетинги
Октябрь 18, 2019 / Автор: Вероника Лихнис

Точное попадание в целевую аудиторию — залог успеха рекламной кампании. Поначалу маркетолог выстраивает портрет пользователя на основе собственного опыта и наблюдений. Затем можно задействовать look-alike таргетинг, инструмент,  позволяющий охватить как можно больше потенциальных клиентов с наименьшими затратами на их поиск. 

Look-alike таргетинг дает нам возможность демонстрировать рекламные материалы пользователям, которые по поведенческим характеристикам похожи на представителей целевой аудитории проекта. Это происходит благодаря математическому алгоритму, который собирает информацию со счетчиков на сайтах рекламодателей. Таким образом составляется  поведенческая модель пользователя. Это люди, которые имеют схожие привычки и предпочтения, покупают одежду в одних интернет магазинах, читают одни и те же новостные порталы, пользуются одинаковой моделью телефона. В реальности они могут быть далеко друг от друга, но в виртуальном мире их маршруты пересекаются каждый день. 

Главные преимущества технологии Look-alike таргетинга:

  1. значительно расширяет охват аудитории;
  2. использование look-alike таргетинга может увеличить CTR в пять раз, а коэффициент конверсий — как минимум вдвое;
  3. работа с нужной аудиторией снижает затраты на нецелевые переходы;
  4. настройки look-alike можно оптимизировать в режиме реального времени благодаря технологии машинного обучения. 

Как вы уже заметили, look-alike аудитории — это мощный инструмент в руках опытного маркетолога, но если вы в начале профессионального пути, обратите внимание на 5 советов по использованию look-alike в своих рекламных кампаниях

  • Обновляйте ваши входные аудиторные данные. Если долго использовать одну и ту же базу, она может потерять актуальность и результаты кампании ухудшатся. Вам следует периодически подгружать собранные данные и создавать новые сегменты look-alike аудиторий.
  • Используйте разные аудиторные сегменты. Далеко не все пользователи в вашем исходном списке имеют одинаковые характеристики. Лучше всего разделить этот массив данных на несколько сегментов для более точного результата. Например, для интернет магазина было бы хорошим решением разделить аудиторию на разные сегменты по значению среднего чека.  
  • Задавайте параметры для похожих аудиторий учитывая цели рекламной кампании и фазу воронки продаж, на которой вы находитесь. Если целью кампании является повысить узнаваемость бренда, то вам следует использовать look-alike таргетинг со входными данными посетителей сайта. Если вы стремитесь увеличить продажи, то используйте базу данных с теми, кто совершил конверсию на сайте. 
  • В зависимости от сервиса, который вы используете, объем входных данных для создания похожих аудиторий может отличаться. Например,  Facebook рекомендует использовать базу из 1000 пользователей как минимум, My Target работает с базами с числом пользователей более 2000, а ВКонтакте сможет найти похожую аудитории при списке в 300 пользователей. Исходя из нашего опыта, наиболее оптимальное число — между 1 000 и 10 000 пользователей в базе. Объем до 1000 пользователей может не дать должного результата, а в базе с числом более 10 000 отличительные черты аудиторного сегмента становятся слишком общими.
  • Работая с Look-alike, вам стоит выбрать, по какому принципу собирать похожие аудитории — по принципу высокой точности или более широкого охвата. Например, в Facebook в пункте “Размер аудитории” вы берете в работу  от 1% до 10% от общего числа пользователей. Выжимка в 1% — это аудитория, которая наиболее всего соответствует характеристикам вашей входной базы. С ростом процента “схожесть” аудитории уменьшается. 

Вывод

Look-alike таргетинг помогает привлечь релевантную аудиторию, ведь по поведенческим характеристикам она максимально приближена к проверенным целевым пользователям, а значит поможет добиться отличных результатов. В то же время, такой вид таргетинга подойдет только клиентам с большим объемом собранных аудиторных данных. Чем больше и качественнее база входных данных — тем лучше будут показатели эффективности. Базу необходимо грамотно разделить на сегменты, чтобы каждый из них имел свои отличительные характеристики.