Lookalike Audience

En lookalike audience er en gruppe nye brugere, som en annonceplatform genererer ved at analysere en eksisterende seed-liste, typisk tidligere konverteringer eller en uploadet liste med højværdi-kunder, og finde andre brugere, der deler statistisk lignende træk og adfærd. I stedet for manuelt at vælge targetingsparametre som alder, interesse eller geografi, giver en køber platformen en liste over, hvem der allerede konverterer, og lader algoritmen finde flere personer, der ligner dem.

Sådan fungerer modelleringen på et overordnet niveau#

Platformen analyserer seed-listen mod sin bredere brugerbase og leder efter mønstre i browsingadfærd, demografiske signaler samt enheds- eller app-brug, der adskiller seed-audiencen fra den generelle befolkning, og scorer derefter resten af sin brugerbase efter lighed med dette mønster. En køber kan normalt indstille, hvor tæt eller bredt matchet skal være, ofte udtrykt som en procentdel af platformens samlede brugerbase i et givet land, hvor en mindre procentdel betyder et tættere match med seeden, og en større procentdel bytter præcision ud med rækkevidde.

Hvor seed-listen kommer fra#

Seed-kvaliteten driver lookalike-kvaliteten mere end næsten ethvert andet input. En seed bygget på faktiske købere eller høj-LTV-kunder har tendens til at producere en stærkere lookalike end en bygget på alle websitets besøgende uanset om de konverterede, da modellen kun er så god som mønsteret i de data, den får tildelt. Købere, der har bygget en solid first-party data-pipeline, pixel-baserede konverteringshændelser knyttet rent til købsværdi, får generelt mere brugbare lookalikes end dem, der sår fra tynde eller støjende lister.

Lookalike audiences vs. retargeting#

De to forveksles, fordi de begge afhænger af eksisterende data, men de løser modsatte problemer. Retargeting gen-engagerer personer, der allerede har interageret direkte med brandet. Lookalike-targeting bruger de samme interaktionsdata som en trænings-seed, men finder derefter helt nye personer, der aldrig har stødt på brandet, og udvider rækkevidden i stedet for at genvinde den. En tragt, der kun retargeter, vil til sidst løbe tør for pool at arbejde med; lookalike-targeting er en af de standardmåder at fortsætte med at fodre friske leads ind i den tragt.

Hvor native- og indholdsplatforme passer ind#

Lookalike-modellering er mest forbundet med sociale- og søgeplatforme, der besidder rig first-party adfærdsdata om brugere, men den samme logik optræder i native annoncering gennem demand-side platforms og data management platforms, som native kampagner kan tilslutte sig for audience-udvidelse. En køber, der kører et affiliate-tilbud gennem Taboola eller Outbrain og ønsker lookalike-lignende udvidelse, skal typisk dirigere den targeting gennem et forbundet DMP- eller DSP-lag i stedet for at stole på det native netværks egne audience-værktøjer, da native platforme historisk set læner sig mere på kontekstuel og geografisk targeting end på first-party lookalike-modellering.

Praktisk rådgivning om størrelse#

Det plejer at give bedre resultater at starte med en tættere lookalike-procent og en veldefineret, højkvalitets-seed, og kun udvide, hvis volumen er for lav til at bruge imod, end at starte bredt og indsnævre. En bred lookalike, der køres først, brænder ofte budgettet af på at etablere et svagt mønster, som en tættere seed ville have undgået fra starten. At tjekke hvilke annoncører allerede skalerer en given vinkel er et nyttigt sanity check, før man forpligter seriøst budget til en frisk lookalike-udvidelse.