Аудиторія по схожості

Аудиторія по схожості — це група нових користувачів, яку рекламна платформа створює шляхом аналізу існуючого початкового списку, як правило, попередніх конвертерів або завантаженого списку клієнтів з високою цінністю, і знаходження інших користувачів, які мають статистично схожі риси та поведінку. Замість ручного вибору параметрів таргетингу, таких як вік, інтереси або гео, покупець передає платформі список тих, хто вже конвертує, і дозволяє алгоритму знайти більше людей, які на них схожі.

Як працює моделювання на високому рівні#

Платформа аналізує початковий список порівняно зі своєю ширшою базою користувачів, шукаючи шаблони в поведінці під час перегляду, демографічних сигналах та використанні пристроїв або додатків, які відрізняють початкову аудиторію від загальної популяції, а потім оцінює решту своєї бази користувачів за схожістю з цим шаблоном. Покупець зазвичай може встановити, наскільки вузьким або широким має бути зіставлення, що часто виражається як відсоток від загальної бази користувачів платформи в певній країні, де менший відсоток означає більш тісне зіставлення з початковою аудиторією, а більший — обмін точності на охоплення.

Звідки береться початковий список#

Якість початкової аудиторії визначає якість аудиторії по схожості більше, ніж будь-який інший фактор. Початкова аудиторія, побудована на основі реальних покупців або клієнтів з високим LTV, як правило, створює сильнішу аудиторію по схожості, ніж та, що побудована на основі всіх відвідувачів сайту незалежно від того, чи вони конвертували, оскільки модель є настільки хорошою, наскільки хороший шаблон у наданих даних. Покупці, які побудували надійний конвеєр даних першої сторони, події конверсії на основі пікселя, чітко прив'язані до цінності покупки, зазвичай отримують більш корисні аудиторії по схожості, ніж ті, хто використовує тонкі або зашумлені списки.

Аудиторії по схожості проти ретаргетингу#

Їх часто плутають, оскільки обидва покладаються на існуючі дані, але вони вирішують протилежні проблеми. Ретаргетинг повторно залучає людей, які вже безпосередньо взаємодіяли з брендом. Таргетинг по схожості використовує ті самі дані про взаємодію як навчальну початкову аудиторію, але потім знаходить абсолютно нових людей, які ніколи не стикалися з брендом, розширюючи охоплення замість повторного захоплення. Воронка, яка лише ретаргетує, зрештою вичерпує пул для роботи; таргетинг по схожості є одним із стандартних способів постійно подавати свіжих потенційних клієнтів у цю воронку.

Де вписуються нативні та контентні платформи#

Моделювання по схожості найчастіше асоціюється з соціальними та пошуковими платформами, які мають багаті дані першої сторони про поведінку користувачів, але та сама логіка з'являється в нативній рекламі через платформи попиту та платформи управління даними, до яких нативні кампанії можуть підключатися для розширення аудиторії. Покупець, який запускає партнерську пропозицію через Taboola або Outbrain і хоче розширення за типом схожості, зазвичай повинен спрямувати цей таргетинг через підключений шар DMP або DSP, а не покладатися на власні інструменти аудиторії нативної мережі, оскільки нативні платформи історично більше покладаються на контекстний та геотаргетинг, ніж на моделювання по схожості на основі даних першої сторони.

Практичні поради щодо масштабування#

Початок з більш вузького відсотка аудиторії по схожості та добре визначеної, високоякісної початкової аудиторії, а потім розширення лише тоді, коли обсяг занадто малий для витрат, як правило, перевершує початок з широкого та звуження. Широкий запуск аудиторії по схожості спочатку часто спалює бюджет на встановленні слабкого шаблону, якого вузька початкова аудиторія уникнула б з самого початку. Перевірка які рекламодавці вже масштабують певний напрямок є корисною перевіркою здорового глузду перед виділенням серйозного бюджету на нове розширення по схожості.