Look-alike

Look-alike (от англ. look-alike — «похожий», «двойник») — в маркетинге и рекламных технологиях это метод таргетинга, при котором рекламная система или платформа на основе данных о поведении и характеристиках известной целевой аудитории (ядра, «seed-аудитории») автоматически находит и подбирает новых пользователей, максимально похожих на неё по заданным признакам. Технология используется для расширения охвата рекламных кампаний при сохранении высокой вероятности конверсии, позволяя привлекать потенциальных клиентов, которые не взаимодействовали с брендом ранее, но обладают схожими с лояльной аудиторией параметрами.

Принцип работы

Look-alike-моделирование основано на машинном обучении и анализе больших данных. Процесс включает несколько этапов.

Формирование seed-аудитории

Seed-аудитория (ядерная выборка) — это группа пользователей, чьи характеристики и поведение считаются эталонными для рекламодателя. Обычно в неё включаются:

• Существующие клиенты — люди, совершившие покупку, оформившие подписку или воспользовавшиеся услугой.
• Посетители сайта — пользователи, выполнившие целевое действие (регистрация, заполнение формы, просмотр определённой страницы).
• Подписчики — участники email-рассылки, подписчики в социальных сетях.
• Участники программы лояльности — держатели карт, участники акций.

Размер seed-аудитории варьируется от нескольких сотен до десятков тысяч человек. Чем больше и репрезентативнее выборка, тем точнее модель.

Анализ и профилирование

Рекламная платформа (например, Яндекс.Директ, VK Реклама, myTarget, Facebook Ads, Google Ads) анализирует совокупность данных о пользователях из seed-аудитории. В анализ включаются сотни и тысячи признаков (фичей), которые могут быть как явными, так и неявными:

• Демографические — пол, возраст, семейное положение, уровень дохода, образование.
• Географические — страна, регион, город, район проживания.
• Поведенческие — частота и время посещения сайтов, история поисковых запросов, типы контента (статьи, видео, товары), клики по рекламе, установки приложений.
• Психографические — интересы, хобби, увлечения, принадлежность к определённым сообществам.
• Транзакционные — средний чек, категории покупок, частота покупок, способы оплаты.
• Технические — тип устройства (мобильный телефон, планшет, ПК), операционная система, браузер, провайдер.

На основе этих данных строится многомерный профиль «идеального» представителя целевой аудитории — так называемый «аватар» или «персона».

Поиск похожих пользователей

Алгоритм сканирует базу всех доступных пользователей платформы (или её сегмент) и вычисляет степень сходства каждого из них с построенным профилем. Для этого используются методы машинного обучения, такие как:

• Кластеризация — группировка пользователей по близости признаков.
• Метод k-ближайших соседей (k-NN) — поиск пользователей, чьи профили наиболее близки к профилям seed-аудитории в многомерном пространстве признаков.
• Логистическая регрессия — оценка вероятности принадлежности пользователя к целевому сегменту.
• Нейронные сети — построение сложных нелинейных моделей для выявления скрытых закономерностей.

Результатом работы алгоритма является список пользователей, ранжированный по вероятности быть похожими на seed-аудиторию. Рекламодатель может выбрать порог (например, 1%, 5%, 10% самых похожих пользователей от общего числа пользователей платформы).

Параметры настройки

При создании look-alike-аудитории рекламодатель может задавать несколько ключевых параметров.

Размер аудитории

Размер определяется процентом от общей базы пользователей платформы в заданном регионе. Чем меньше процент, тем выше точность совпадения с seed-аудиторией, но меньше охват. Чем больше процент, тем шире охват, но ниже релевантность. Типичные значения — от 1% до 10%, реже до 20%. Для крупных платформ (например, VK — более 70 млн активных пользователей в России) 1% может составлять сотни тысяч человек.

География

Ограничивается страной, регионом, городом или радиусом вокруг точки. Look-alike-моделирование обычно работает в пределах заданной географии.

Период данных

Указывается временной интервал, за который анализируются данные seed-аудитории. Например, «клиенты за последние 90 дней» или «посетители сайта за последние 30 дней». Свежие данные дают более актуальный портрет.

Тип конверсии

Можно выбрать конкретное целевое действие для seed-аудитории: покупка, регистрация, подписка, просмотр видео, добавление товара в корзину и т.д. Это позволяет строить модели под разные маркетинговые задачи.

Виды look-alike-моделей

По источнику данных

• First-party data (данные первого уровня) — основаны на собственных данных рекламодателя: CRM-системы, базы клиентов, данные с сайта (пиксели, cookie). Самый точный и контролируемый вариант.
• Second-party data (данные второго уровня) — данные, полученные от партнёра (например, от другого рекламодателя или платформы). Используется реже.
• Third-party data (данные третьего уровня) — данные, купленные у внешних поставщиков (дата-брокеров). Могут быть менее точными и релевантными.

По способу построения

• Автоматические — платформа сама определяет, какие признаки наиболее важны для модели. Самый распространённый тип.
• Ручные (кастомные) — рекламодатель может вручную задать веса для определённых признаков (например, «возраст важнее интересов»). Встречается редко, требует экспертизы.

По цели

• Look-alike для привлечения — модель строится на основе клиентов, совершивших первую покупку.
• Look-alike для удержания — модель строится на основе клиентов, совершающих повторные покупки или имеющих высокий LTV (пожизненная ценность).
• Look-alike для реактивации — модель строится на основе «уснувших» клиентов, которых нужно вернуть.

Применение в маркетинге

Технология look-alike широко используется в различных каналах digital-маркетинга.

Таргетированная реклама в социальных сетях

В VK Рекламе, myTarget, Facebook (продукт Meta, признанной экстремистской и запрещённой в РФ) Ads и других платформах look-alike-аудитории используются для показа рекламы пользователям, похожим на подписчиков сообщества, участников группы или покупателей интернет-магазина. Это позволяет расширять охват без потери качества аудитории.

Контекстная реклама

В Яндекс.Директе и Google Ads технология применяется для настройки ретаргетинга и таргетинга по интересам. Например, можно создать аудиторию «похожую на тех, кто добавил товар в корзину, но не купил» и показывать им рекламу с дополнительным стимулом.

Программатик-реклама

В системах programmatic buying (например, RTB House, Criteo) look-alike-модели используются для автоматической закупки показов на тысячах сайтов-участников рекламной сети. Алгоритмы в реальном времени оценивают вероятность того, что текущий посетитель сайта похож на целевую аудиторию, и принимают решение о показе.

Email-маркетинг

Look-alike-аудитории могут быть загружены в системы email-рассылок (например, Mailchimp, SendPulse, UniSender) для отправки писем подписчикам, которые по своим характеристикам похожи на лучших клиентов.

Офлайн-маркетинг

В некоторых случаях технология используется для подбора геолокаций для наружной рекламы или таргетинга на мобильные устройства в определённых торговых точках.

Преимущества и ограничения

Преимущества

• Расширение охвата — позволяет находить новых клиентов, не охваченных традиционными методами таргетинга.
• Повышение эффективности — за счёт высокой релевантности аудитории снижается стоимость привлечения клиента (CPA) и увеличивается коэффициент конверсии (CR).
• Автоматизация — не требует ручного подбора сегментов, алгоритм делает это быстрее и точнее.
• Масштабирование — легко масштабируется на разные регионы и продуктовые линейки.
• Работа с «холодной» аудиторией — позволяет привлекать пользователей, которые никогда не слышали о бренде, но имеют высокий потенциал.

Ограничения и риски

• Зависимость от качества seed-аудитории — если ядерная выборка мала, нерепрезентативна или содержит шум (ботов, случайных посетителей), модель будет неточной.
• Снижение точности при большом размере — при выборе большого процента (например, 10%) качество аудитории может существенно упасть.
• Приватность данных — использование персональных данных для построения моделей регулируется законодательством (в России — ФЗ-152 «О персональных данных», в Европе — GDPR). Необходимо получать согласие пользователей на обработку данных.
• Эффект «пузыря фильтров» — чрезмерное использование look-alike может приводить к тому, что реклама показывается только узкому кругу похожих пользователей, не позволяя выйти на новые сегменты.
• Стоимость — на некоторых платформах (например, в programmatic) использование look-alike-моделей может увеличивать стоимость показа.

Критика и этические аспекты

Технология look-alike подвергается критике со стороны защитников приватности и прав потребителей. Основные претензии:

• Непрозрачность — пользователи часто не знают, что их данные используются для построения моделей и показа рекламы на основе сходства с другими людьми.
• Дискриминация — существуют риски, что алгоритмы могут воспроизводить и усиливать существующие предубеждения (например, по возрасту, полу, доходу), исключая определённые группы из показа рекламы.
• Манипуляция — реклама, основанная на глубоком знании поведенческих паттернов, может использоваться для манипуляции потребительским выбором.

В России вопросы использования look-alike регулируются нормами о рекламе (ФЗ-38 «О рекламе») и о персональных данных. Рекламодатели обязаны обеспечивать прозрачность сбора данных и возможность отказа от таргетинга.

Примеры в российской практике

• Яндекс.Директ — технология «Похожие аудитории» (Look-alike) доступна для рекламодателей. Seed-аудитория может быть загружена из CRM, собрана через Яндекс.Метрику или с помощью пикселя.
• VK Реклама — инструмент «Похожая аудитория» позволяет создавать сегменты на основе данных сообществ, ретаргетинга и загруженных списков пользователей.
• myTarget (рекламная сеть Mail.ru Group) — look-alike-моделирование используется для таргетинга на пользователей, похожих на посетителей сайта или участников программы лояльности.
• СберМаркетинг — платформа «СберАналитика» предоставляет возможность построения look-alike-аудиторий на основе данных экосистемы Сбера.

Источники

1. Федеральный закон «О рекламе» от 13.03.2006 № 38-ФЗ.
2. Федеральный закон «О персональных данных» от 27.07.2006 № 152-ФЗ.
3. Документация Яндекс.Директа — раздел «Похожие аудитории».
4. Документация VK Рекламы — раздел «Аудитории».
5. Котлер Ф., Келлер К. Л. «Маркетинг менеджмент» (15-е издание) — главы о таргетинге и сегментации.
6. Чураков В. «Data-Driven маркетинг: как анализировать данные и принимать решения» — раздел о look-alike-моделировании.
7. Статьи на портале Cossa.ru — «Look-alike: что это такое и как работает в рекламе».
8. Материалы конференций по digital-маркетингу (РИФ+КИБ, eTarget).