Audiens Lookalike

Audiens lookalike adalah sekelompok pengguna baru yang dihasilkan oleh platform iklan dengan menganalisis daftar seed yang ada, biasanya konverter sebelumnya atau daftar yang diunggah berisi pelanggan bernilai tinggi, dan menemukan pengguna lain yang memiliki karakteristik dan perilaku yang secara statistik mirip. Alih‑alih memilih parameter penargetan secara manual seperti usia, minat, atau lokasi, pembeli memberikan daftar orang yang sudah melakukan konversi kepada platform dan membiarkan algoritma menemukan lebih banyak orang yang mirip.

Cara kerja pemodelan, secara umum#

Platform menganalisis daftar seed terhadap basis pengguna yang lebih luas, mencari pola dalam perilaku penelusuran, sinyal demografis, serta penggunaan perangkat atau aplikasi yang membedakan audiens seed dari populasi umum, kemudian memberi skor pada seluruh basis pengguna berdasarkan kesamaan dengan pola tersebut. Pembeli biasanya dapat mengatur seberapa ketat atau luas pencocokan yang diinginkan, sering kali dinyatakan sebagai persentase dari total basis pengguna platform di suatu negara, di mana persentase yang lebih kecil berarti pencocokan yang lebih dekat dengan seed dan persentase yang lebih besar menukar presisi dengan jangkauan.

Dari mana daftar seed berasal#

Kualitas seed menentukan kualitas lookalike lebih daripada hampir semua input lainnya. Seed yang dibangun dari pembeli aktual atau pelanggan dengan LTV tinggi cenderung menghasilkan lookalike yang lebih kuat dibandingkan seed yang dibangun dari semua pengunjung situs tanpa memandang apakah mereka melakukan konversi, karena model hanya sebaik pola dalam data yang diberikan. Pembeli yang telah membangun pipeline data pihak pertama yang solid, peristiwa konversi berbasis pixel yang terhubung bersih dengan nilai pembelian, umumnya mendapatkan lookalike yang lebih berguna dibandingkan mereka yang menggunakan daftar tipis atau berisik.

Audiens lookalike vs. retargeting#

Kedua konsep sering bingung karena keduanya mengandalkan data yang ada, namun mereka menyelesaikan masalah yang berlawanan. Retargeting mengaktifkan kembali orang yang sudah berinteraksi langsung dengan merek. Penargetan lookalike menggunakan data interaksi yang sama sebagai seed pelatihan lalu menemukan orang baru yang belum pernah mengenal merek, memperluas jangkauan alih‑alih menangkap kembali audiens. Funnel yang hanya melakukan retargeting pada akhirnya akan kehabisan pool untuk bekerja; penargetan lookalike adalah salah satu cara standar untuk terus memasukkan prospek baru ke dalam funnel tersebut.

Di mana platform native dan konten berperan#

Pemodelan lookalike paling sering terkait dengan platform sosial dan pencarian yang memiliki data perilaku pihak pertama yang kaya, namun logika yang sama muncul dalam iklan native melalui platform demand‑side dan platform manajemen data yang dapat dihubungkan ke kampanye native untuk ekspansi audiens. Pembeli yang menjalankan penawaran afiliasi melalui Taboola atau Outbrain dan menginginkan ekspansi bergaya lookalike biasanya harus mengarahkan penargetan tersebut melalui lapisan DMP atau DSP yang terhubung, bukan mengandalkan alat audiens bawaan jaringan native, karena platform native secara historis lebih mengandalkan penargetan kontekstual dan penargetan geografis daripada pemodelan lookalike pihak pertama.

Saran praktis untuk penentuan ukuran#

Memulai dengan persentase lookalike yang lebih ketat dan seed yang terdefinisi jelas serta berkualitas tinggi, kemudian memperluas hanya jika volume terlalu tipis untuk dibelanjakan, cenderung mengungguli memulai dengan luas dan kemudian mempersempit. Lookalike yang luas dijalankan pertama kali sering menghabiskan anggaran untuk membangun pola lemah yang seharusnya dapat dihindari dengan seed yang lebih ketat sejak awal. Memeriksa pengiklan mana yang sudah menskalakan sudut tertentu merupakan cek kewarasan yang berguna sebelum mengalokasikan anggaran serius ke ekspansi lookalike baru.