Lookalike Audience

A lookalike audience olyan új felhasználók csoportja, amelyet egy hirdetési platform generál egy meglévő maglista (jellemzően múltbeli konverterek vagy feltöltött, magas értékű ügyfelek listája) elemzésével, és olyan más felhasználók megtalálásával, akik statisztikailag hasonló jellemzőket és viselkedést mutatnak. Ahelyett, hogy kézzel választaná ki a célzási paramétereket, mint a kor, érdeklődés vagy földrajz, a hirdető átadja a platformnak azt a listát, hogy kik konvertáltak már, és hagyja, hogy az algoritmus találjon még több, hozzájuk hasonló embert.

A modellezés működése magas szinten#

A platform elemzi a maglistát a szélesebb felhasználói bázisához viszonyítva, keresve mintákat a böngészési viselkedésben, demográfiai jelekben, valamint eszköz- vagy alkalmazáshasználatban, amelyek megkülönböztetik a magközönséget az általános populációtól, majd pontozza a felhasználói bázis többi részét a minta hasonlósága alapján. A hirdető általában beállíthatja, hogy mennyire szoros vagy széles legyen az egyezés, gyakran a platform teljes felhasználói bázisának egy adott országban mért százalékában kifejezve, ahol egy kisebb százalék szorosabb egyezést jelent a maggal, a nagyobb pedig a pontosságot cseréli fel az elérésért.

Honnan származik a maglista#

A mag minősége jobban meghatározza a lookalike minőségét, mint szinte bármely más bemenet. A tényleges vásárlókból vagy magas LTV-értékű ügyfelekből épített mag általában erősebb lookalike-et eredményez, mint az összes webhelylátogatóból épített – függetlenül attól, hogy konvertáltak-e –, mivel a modell csak annyira jó, amennyire a kapott adatokban lévő minta. Azok a hirdetők, akik kiépítettek egy szilárd first-party data folyamatot, pixel-alapú konverziós eseményeket, amelyek tisztán kapcsolódnak a vásárlási értékhez, általában hasznosabb lookalike-eket kapnak, mint azok, akik vékony vagy zajos listákból indulnak ki.

Lookalike audience vs. retargeting#

A kettőt gyakran összekeverik, mert mindkettő meglévő adatokra támaszkodik, de ellentétes problémákat oldanak meg. A retargeting újra megszólítja azokat, akik már közvetlenül kapcsolatba léptek a márkával. A lookalike célzás ugyanezt az interakciós adatot használja tanító magként, de aztán teljesen új embereket talál, akik még soha nem találkoztak a márkával, ezzel bővítve az elérést a visszanyerés helyett. Egy tölcsér, amely csak retargetingol, előbb-utóbb kimeríti a rendelkezésre álló készletet; a lookalike célzás az egyik szokásos módja annak, hogy friss potenciális vásárlókat tápláljunk ebbe a tölcsérbe.

A natív és tartalmi platformok szerepe#

A lookalike modellezést leginkább a közösségi média- és keresőplatformokkal társítják, amelyek gazdag first-party viselkedési adatokkal rendelkeznek a felhasználókról, de ugyanez a logika megjelenik a natív hirdetésben is a demand-side platformok és adatkezelő platformok révén, amelyekbe a natív kampányok csatlakoztathatók közönségbővítés céljából. Egy hirdető, aki egy affiliate ajánlatot futtat Taboola vagy Outbrain segítségével, és lookalike-stílusú bővítést szeretne, általában egy kapcsolódó DMP vagy DSP rétegen keresztül kell irányítsa ezt a célzást, nem pedig a natív hálózat saját közönségeszközeire támaszkodjon, mivel a natív platformok történelmileg inkább a kontextuális és földrajzi célzásra támaszkodnak, mint first-party lookalike modellezésre.

Gyakorlati méretezési tanács#

Általában jobb teljesítményt nyújt egy szorosabb lookalike százalékkal és egy jól meghatározott, magas minőségű maggal kezdeni, és csak akkor bővíteni, ha a mennyiség túl kicsi a költéshez, mint szélesen kezdeni és leszűkíteni. Egy először szélesen futtatott lookalike gyakran elégeti a költségvetést egy gyenge minta megállapítására, amelyet egy szorosabb mag már az elején elkerült volna. Hasznos józan ellenőrzés lehet, mielőtt komoly költségvetést köteleznél egy új lookalike bővítésre, ha megnézed, mely hirdetők már méreteznek egy adott szöget.