Lookalike-kohderyhmä

Lookalike-kohderyhmä on uusien käyttäjien ryhmä, jonka mainosalusta luo analysoimalla olemassa olevaa lähdelistaa, tyypillisesti aiemmin konvertoineita tai ladattua korkean arvon asiakaslistaa, ja löytämällä muita käyttäjiä, jotka jakavat tilastollisesti samankaltaisia piirteitä ja käyttäytymistä. Sen sijaan, että kohdennusparametreja kuten ikä, kiinnostuksen kohteet tai maantiede valittaisiin käsin, ostaja antaa alustalle listan siitä, kuka on jo konvertoinut, ja antaa algoritmin löytää lisää heitä muistuttavia ihmisiä.

Miten mallinnus toimii korkealla tasolla#

Alusta analysoi lähdelistan laajempaa käyttäjäkantaa vasten etsien selkeitä kaavoja selauskäyttäytymisessä, demografisissa signaaleissa sekä laitteen tai sovelluksen käytössä, jotka erottavat lähdekohderyhmän yleisväestöstä, ja sitten pisteyttää loput käyttäjäkannastaan samankaltaisuuden perusteella tuohon kaavaan. Ostaja voi yleensä asettaa, kuinka tiukka tai laaja yhteensopivuuden tulisi olla, usein ilmaistuna prosentteina alustan kokonaiskäyttäjäkannasta tietyllä maalla, jossa pienempi prosentti tarkoittaa lähempää yhteensopivuutta lähteen kanssa ja suurempi vaihtaa tarkkuutta saavutettavuuteen.

Mistä lähdelista tulee#

Lähteen laatu ohjaa lookalike-kohderyhmän laatua enemmän kuin melkein mikään muu syöte. Lähde, joka on rakennettu todellisista ostajista tai korkean LTV asiakkaista, tuottaa yleensä vahvemman lookalike-kohderyhmän kuin lähde, joka on rakennettu kaikista sivuston kävijöistä riippumatta siitä, konvertoivatko he, koska malli on vain niin hyvä kuin sen saamien tietojen kaava. Ostajat, jotka ovat rakentaneet vankan ensimmäisen osapuolen datan putken, pikselipohjaiset konversiotapahtumat, jotka on puhtaasti sidottu ostosarvoon, saavat yleensä hyödyllisempiä lookalike-kohderyhmiä kuin ne, jotka käyttävät ohutta tai meluista listaa lähteenä.

Lookalike-kohderyhmät vs. uudelleenkohdentaminen#

Nämä kaksi sekoitetaan, koska molemmat nojaavat olemassa oleviin tietoihin, mutta ne ratkaisevat vastakkaisia ongelmia. Uudelleenkohdentaminen aktivoi uudelleen ihmisiä, jotka ovat jo vuorovaikuttaneet brändin kanssa suoraan. Lookalike-kohdentaminen käyttää samoja vuorovaikutustietoja koulutuslähteenä, mutta sitten löytää täysin uusia ihmisiä, jotka eivät ole koskaan kohdanneet brändiä, laajentaen näin saavutettavuutta sen sijaan, että otettaisiin se takaisin. Suppilo, joka vain uudelleenkohdentaa, loppuu lopulta tyhjentyen; lookalike-kohdentaminen on yksi standarditavoista pitää tuoreet potentiaaliset asiakkaat virtaamassa tuohon suppiloon.

Miten natiivi- ja sisältöalustat sopivat kuvaan#

Lookalike-mallinnus liitetään eniten sosiaalisiin ja hakualustoihin, joilla on runsaasti ensimmäisen osapuolen käyttäytymistietoja käyttäjistä, mutta sama logiikka näkyy natiivimainonnassa demand-side platformien ja data management platformien kautta, joihin natiivikampanjat voidaan liittää kohderyhmän laajentamiseksi. Ostaja, joka ajaa affiliate -tarjousta Taboolan tai Outbrainin kautta ja haluaa lookalike-tyylistä laajentamista, tarvitsee tyypillisesti reitittää tuon kohdentamisen kytketyn DMP:n tai DSP-kerroksen kautta sen sijaan, että luottaisi natiiviverkon omiin kohderyhmätyökaluihin, koska natiivi-alustat ovat historiallisesti nojautuneet enemmän kontekstuaaliseen ja maantieteelliseen kohdentamiseen kuin ensimmäisen osapuolen lookalike-mallinnukseen.

Käytännön kokoamisneuvoja#

Aloittaminen tiukemmalla lookalike-prosentilla ja hyvin määritellyllä, korkealaatuisella lähteellä, ja sitten laajentaminen vain, jos volyymi on liian ohut, jotta sitä vastaan voidaan käyttää rahaa, suoriutuu yleensä paremmin kuin laajasta aloittaminen ja kaventaminen. Laaja lookalike-ajelu ensin polttaa usein budjetin heikon kaavan vahvistamiseen, jonka tiukempi lähde olisi välttänyt alusta alkaen. Tarkistus siitä, mitkä mainostajat jo skaalaavat tiettyä kulmaa, on hyödyllinen järjen tarkistus ennen vakavan budjetin sitoutumista tuoreeseen lookalike-laajennukseen.