Audiență Lookalike

O audiență lookalike este un grup de utilizatori noi pe care o platformă publicitară îl generează prin analizarea unei liste-sămânță existente, de obicei convertori anteriori sau o listă încărcată de clienți cu valoare ridicată, și prin găsirea altor utilizatori care împărtășesc trăsături și comportamente similare din punct de vedere statistic. În loc să aleagă manual parametri de targetare precum vârsta, interesele sau geografia, un cumpărător îi înmânează platformei o listă cu cei care deja convertesc și lasă algoritmul să găsească mai multe persoane care le seamănă.

Cum funcționează modelarea, la nivel înalt#

Platforma analizează lista-sămânță împotriva bazei sale mai largi de utilizatori, căutând tipare în comportamentul de navigare, semnale demografice și utilizarea dispozitivelor sau aplicațiilor care disting audiența-sămânță de populația generală, apoi acordă un scor restului bazei sale de utilizatori în funcție de asemănarea cu acel tipar. Un cumpărător poate seta de obicei cât de strictă sau largă ar trebui să fie potrivirea, adesea exprimată ca un procent din totalul utilizatorilor platformei într-o anumită țară, unde un procent mai mic înseamnă o potrivire mai apropiată de sămânță, iar unul mai mare schimbă precizia cu acoperire.

De unde provine lista-sămânță#

Calitatea sămânței influențează calitatea lookalike-ului mai mult decât aproape orice alt input. O sămânță construită din cumpărători reali sau clienți cu valoare de viață ridicată tinde să producă un lookalike mai puternic decât una construită din toți vizitatorii site-ului, indiferent dacă au convertit sau nu, deoarece modelul este la fel de bun precum tiparul din datele pe care le primește. Cumpărătorii care au construit o pipeline solidă de date first-party, evenimente de conversie bazate pe pixel legate clar de valoarea achiziției, obțin în general lookalike-uri mai utile decât cei care folosesc ca sămânță liste slabe sau zgomotoase.

Audiențe lookalike vs. retargeting#

Cele două sunt confundate deoarece ambele se bazează pe date existente, dar rezolvă probleme opuse. Retargeting-ul reangajează persoanele care au interacționat deja direct cu marca. Targetarea lookalike folosește aceleași date de interacțiune ca sămânță de antrenament, dar apoi găsește persoane complet noi care nu au întâlnit niciodată marca, extinzând acoperirea în loc să o recapteze. Un funnel care doar face retargeting va rămâne în cele din urmă fără bază de utilizatori; targetarea lookalike este una dintre modalitățile standard de a continua să alimenteze funnel-ul cu noi potențiali clienți.

Cum se încadrează platformele native și de conținut#

Modelarea lookalike este asociată cel mai mult cu platformele sociale și de căutare care dețin date comportamentale first-party bogate despre utilizatori, dar aceeași logică apare în publicitatea nativă prin intermediul platformelor de partea cererii și platformelor de management a datelor în care campaniile native se pot conecta pentru extinderea audienței. Un cumpărător care rulează o ofertă de afiliere prin Taboola sau Outbrain și dorește o extindere de tip lookalike trebuie de obicei să direcționeze acea targetare printr-un strat conectat de DMP sau DSP, mai degrabă decât să se bazeze pe instrumentele proprii de audiență ale rețelei native, deoarece platformele native se bazează istoric mai mult pe targetare contextuală și geografică decât pe modelarea lookalike bazată pe date first-party.

Sfaturi practice de dimensionare#

A începe cu un procent lookalike mai strict și o sămânță bine definită, de înaltă calitate, apoi a extinde doar dacă volumul este prea mic pentru a cheltui împotriva lui, tinde să depășească performanța începerii larg și a îngustării ulterioare. O rulare inițială largă a unui lookalike deseori arde bugetul stabilind un tipar slab pe care o sămânță mai strictă l-ar fi evitat de la început. Verificarea cei advertiseri deja scalează un anumit unghi este o verificare utilă de bun-simț înainte de a angaja un buget serios într-o nouă extindere lookalike.