Benzer Kitle

Benzer kitle, bir reklam platformunun mevcut bir tohum listesini analiz ederek, genellikle geçmiş dönüştürücüler ya da yüksek değerli müşterilerin yüklü bir listesini kullanarak, istatistiksel olarak benzer özellik ve davranışları paylaşan diğer kullanıcıları bulmasıyla oluşturduğu yeni kullanıcı grubudur. Yaş, ilgi alanı ya da coğrafya gibi hedefleme parametrelerini elle seçmek yerine, bir alıcı platforma zaten dönüşüm sağlayan kişilerin listesini verir ve algoritmanın onlara benzeyen daha fazla kişiyi bulmasını sağlar.

Modelleme Nasıl Çalışır, Yüksek Seviyede#

Platform, tohum listesini daha geniş kullanıcı tabanıyla karşılaştırarak, gezinme davranışı, demografik sinyaller ve cihaz ya da uygulama kullanımındaki kalıpları arar; bu kalıplar tohum kitlesini genel nüfustan ayırır ve ardından kullanıcı tabanını bu kalıba benzerlik açısından puanlar. Alıcı genellikle eşleşmenin ne kadar sıkı ya da geniş olacağını ayarlayabilir; bu, genellikle belirli bir ülkedeki platformun toplam kullanıcı tabanının bir yüzdesi olarak ifade edilir; daha düşük bir yüzde, tohuma daha yakın bir eşleşme, daha yüksek bir yüzde ise hassasiyeti erişim için takas eder.

Tohum Listesi Nereden Gelir#

Tohum kalitesi, benzer kitle kalitesini neredeyse tüm diğer girdilerden daha çok etkiler. Gerçek alıcılar ya da yüksek LTV müşterilerinden oluşturulan bir tohum, dönüşüm sağlayıp sağlamadıklarına bakılmaksızın tüm site ziyaretçilerinden oluşturulan bir tohumdan daha güçlü bir benzer kitle üretir; çünkü model yalnızca verilen verideki kalıpla sınırlıdır. Sağlam bir first‑party data boru hattı, satın alma değerine temiz bir şekilde bağlanmış piksel‑tabanlı dönüşüm olayları olan alıcılar, ince ya da gürültülü listelerden tohum oluşturanlara göre daha faydalı benzer kitleler elde eder.

Benzer Kitleler ve Yeniden Hedefleme#

İkisi de mevcut verilere dayanır, ancak zıt sorunları çözer. Yeniden hedefleme, marka ile doğrudan etkileşime geçmiş kişileri yeniden etkileşime sokar. Benzer hedefleme, aynı etkileşim verisini eğitim tohumu olarak kullanır ve daha önce marka ile hiç karşılaşmamış tamamen yeni kişileri bulur; böylece erişimi genişletir, yeniden yakalamaz. Sadece yeniden hedefleme yapan bir hunı, sonunda çalışacak bir havuz kalmayacaktır; benzer hedefleme, bu hunıya yeni potansiyeller beslemenin standart yollarından biridir.

Yerel ve İçerik Platformları Nerede Yer Alır#

Benzer modelleme, kullanıcılar hakkında zengin birinci‑parti davranış verisine sahip sosyal ve arama platformlarıyla en çok ilişkilendirilir, ancak aynı mantık yerel reklamcılıkta demand‑side platforms ve data management platforms aracılığıyla kitle genişletme için kullanılabilir. Taboola ya da Outbrain üzerinden bir affiliate teklifi yürüten bir alıcı, benzer‑stil genişleme istediğinde bu hedeflemeyi bağlı bir DMP ya da DSP katmanı üzerinden yönlendirmelidir; çünkü yerel platformlar tarihsel olarak bağlamsal ve geo targeting üzerine daha çok odaklanmıştır, birinci‑parti benzer modellemeye değil.

Pratik Boyutlandırma Tavsiyeleri#

Daha sıkı bir benzer yüzde ve iyi tanımlanmış, yüksek kaliteli bir tohumla başlayıp, hacim çok ince olduğunda ancak genişletmek, geniş başlayıp daraltmaktan genellikle daha iyi performans gösterir. İlk olarak geniş bir benzer kitle çalıştırmak, sıkı bir tohumun baştan önleyebileceği zayıf bir kalıbı bütçeye yakabilir. Hangi reklamverenlerin zaten belirli bir açıyı ölçeklendirdiğini kontrol etmek, yeni bir benzer genişleme için ciddi bütçe ayırmadan önce faydalı bir akıl kontrolüdür.