Lookalike Audience

En lookalike audience er en gruppe nye brukere som en annonseplattform genererer ved å analysere en eksisterende seed-liste, typisk tidligere konverteringer eller en opplastet liste med høyt verdsatte kunder, og finne andre brukere som deler statistisk sett lignende egenskaper og atferd. I stedet for å velge målgruppeparametere manuelt som alder, interesser eller geografi, gir en annonsør plattformen en liste over hvem som allerede konverterer og lar algoritmen finne flere personer som ligner på dem.

Hvordan modelleringen fungerer, på et overordnet nivå#

Plattformen analyserer seed-listen mot sin bredere brukerbase og ser etter mønstre i nettleseratferd, demografiske signaler, og enhets- eller app-bruk som skiller seed-målgruppen fra den generelle befolkningen. Deretter scorer den resten av brukerbasen sin etter likhet med det mønsteret. En annonsør kan vanligvis sette hvor tett eller bred matchen skal være, ofte uttrykt som en prosentandel av plattformens totale brukerbase i et gitt land, der en mindre prosentandel betyr en nærmere match med seeden og en større prosentandel bytter presisjon mot rekkevidde.

Hvor seed-listen kommer fra#

Seed-kvaliteten driver lookalike-kvaliteten mer enn nesten annen innspill. En seed bygget fra faktiske kjøpere eller kunder med høy LTV pleier å gi en sterkere lookalike enn en bygget fra alle nettstedets besøkende uavhengig av om de konverterte, siden modellen bare er så god som mønsteret i dataene den får. Annonsører som har bygget en solid first-party data-pipeline, med pixel-baserte konverteringshendelser rent koblet til kjøpsverdi, får vanligvis mer nyttige lookalikes enn de som bruker tynne eller støyende lister som utgangspunkt.

Lookalike audiences vs. retargeting#

De to forveksles fordi begge er avhengige av eksisterende data, men de løser motsatte problemer. Retargeting engasjerer på nytt personer som allerede har hatt direkte kontakt med merkevaren. Lookalike-målgrupper bruker de samme interaksjonsdataene som et treningsutgangspunkt, men finner deretter helt nye personer som aldri har møtt merkevaren, og utvider dermed rekkevidden i stedet for å gjenfange den. En trakt som kun bruker retargeting vil til slutt gå tom for personer å nå; lookalike-målgrupper er en av de standardmåtene å fortsette å mate nye potensielle kunder inn i den trakten.

Hvor native- og innholdsplattformer passer inn#

Lookalike-modellering er mest assosiert med sosiale og søkeplattformer som har rike first-party atferdsdata på brukere, men den samme logikken dukker opp i native annonsering gjennom demand-side platforms og data management platforms som native kampanjer kan koble seg til for målgruppeutvidelse. En annonsør som kjører et affiliate-tilbud gjennom Taboola eller Outbrain og ønsker lookalike-utvidelse, må typisk rute den målgruppeinnsnevringen gjennom et tilkoblet DMP- eller DSP-lag, snarere enn å stole på det native nettverkets egne målgruppeverktøy. Dette fordi native plattformer historisk sett har støttet seg mer på kontekstuell og geografisk målgruppeinnsnevring enn på first-party lookalike-modellering.

Praktiske råd om størrelse#

Det pleier å gi bedre resultater å starte med en tettere lookalike-prosent og en veldefinert, høykvalitets seed, og deretter bare utvide hvis volumet er for tynt til å bruke budsjett mot, enn å starte bredt og deretter innsnevre. En bred lookalike som kjøres først brenner ofte budsjett på å etablere et svakt mønster som en tettere seed ville ha unngått fra starten. Å sjekke hvilke annonsører som allerede skal opp en gitt vinkel er en nyttig sunnhetskontroll før man forplikter seriøst budsjett til en ny lookalike-utvidelse.