Look-alike аудитории

Look-alike аудитории (от англ. look-alike — «похожий», «подобный») — это сегмент пользователей, сформированный алгоритмами машинного обучения на основе заданного набора характеристик (референтной аудитории) для поиска новых людей, максимально схожих с ним по поведенческим, демографическим и иным признакам. Метод применяется в цифровом маркетинге и рекламе для расширения охвата целевой аудитории при сохранении высокой вероятности конверсии.

История возникновения и развития

Концепция look-alike моделирования возникла в середине 2000-х годов с развитием программной (программатик) рекламы и накоплением больших массивов данных (Big Data) о поведении пользователей в интернете. Первыми коммерческими платформами, внедрившими технологию, стали рекламные сети социальных сетей (Facebook в 2013 году, Twitter в 2014 году) и DSP-системы (Demand-Side Platform), такие как Google Display Network и The Trade Desk.

В 2010-е годы алгоритмы look-alike стали стандартным инструментом таргетинга, вытесняя менее точные методы, основанные на простых демографических фильтрах. К 2020 году технология получила распространение в email-маркетинге, рекомендательных системах и офлайн-рекламе с использованием данных о покупках в розничных сетях.

Принцип работы

Референтная аудитория (Seed Audience)

Для построения модели требуется исходный набор пользователей — «семя» (seed). Это могут быть:

• покупатели, совершившие целевое действие (покупку, подписку, скачивание приложения);
• участники программы лояльности;
• посетители сайта, оставившие контактные данные;
• база email-адресов или телефонных номеров клиентов.

Алгоритм машинного обучения

Система анализирует сотни или тысячи признаков (фич) референтной группы: возраст, пол, геолокация, интересы, история просмотров, типы устройств, время онлайн-активности, частота взаимодействия с рекламой, посещённые категории товаров и т.д. На основе этих данных строится многомерная модель «идеального пользователя».

Затем алгоритм сканирует всю базу пользователей платформы (например, всех активных пользователей Facebook или Яндекс.Директа) и ранжирует их по степени близости к модели. Пользователи с наибольшим сходством формируют look-alike сегмент.

Размер и точность

Обычно платформы позволяют задать процент охвата (например, 1%, 5%, 10% от общей аудитории региона). Чем меньше процент, тем выше точность (сходство с референтной группой), но уже охват. При увеличении процента в сегмент попадают менее похожие пользователи, что снижает конверсию, но расширяет охват.

Классификация look-alike аудиторий

По типу референтных данных

• Конверсионные — на основе пользователей, совершивших покупку или заявку.
• Поведенческие — на основе посетителей сайта (ретаргетинговая база).
• Демографические — на основе заданных социально-демографических параметров (пол, возраст, доход).
• Комбинированные — смешанный тип, включающий несколько источников.

По источнику данных

• Внутренние — данные, собранные самой рекламной платформой (пиксели, события, пользовательские профили).
• Внешние (CRM-аудитории) — данные из собственной базы клиентов, загруженные на платформу (email, телефоны, ID устройств).
• Третьи стороны (Third-party data) — данные от поставщиков данных (DMP — Data Management Platform), например, информация о кредитной истории или автомобилевладении.

По модели построения

• Простые (rule-based) — ручной подбор правил (например, «все пользователи, которые посетили страницу товара и не купили»). Устаревший метод.
• Вероятностные (probabilistic) — статистические модели (логистическая регрессия, деревья решений, случайный лес).
• Нейросетевые (deep learning) — использование глубоких нейронных сетей для анализа нелинейных зависимостей (применяется в крупных DSP и социальных сетях).

Применение

В цифровой рекламе

Look-alike аудитории используются для:

• поиска новых клиентов в социальных сетях (Facebook Ads, VK Реклама, Telegram Ads);
• настройки контекстной рекламы (Google Ads, Яндекс.Директ);
• таргетинга в программатик-сетях (RTB-аукционы);
• ретаргетинга с расширением (поиск похожих на тех, кто уже взаимодействовал с брендом).

В email-маркетинге

Сервисы вроде Mailchimp или SendPulse позволяют загрузить список подписчиков и получить look-alike сегмент для рассылки предложений новым контактам, похожим на активных клиентов.

В офлайн-ретейле

Сети магазинов (например, X5 Retail Group, «Магнит») используют look-alike на основе данных о покупках по картам лояльности для таргетинга рекламы в мобильных приложениях и на сайтах-партнёрах.

В рекомендательных системах

Платформы (YouTube, Netflix, Spotify) применяют look-alike для персонализации контента: на основе пользователя с высоким вовлечением система находит других со схожими предпочтениями.

Преимущества и ограничения

Преимущества

• Расширение охвата — возможность привлечь новых пользователей, не ограничиваясь ретаргетингом.
• Повышение эффективности — конверсия в look-alike сегментах часто выше, чем в широких демографических таргетингах (по данным Facebook, на 20–50%).
• Автоматизация — алгоритм самостоятельно находит паттерны, которые человек может не заметить.
• Работа с холодной аудиторией — возможность продавать товары тем, кто ещё не знает о бренде.

Ограничения

• Зависимость от качества данных — если референтная аудитория мала (менее 100–1000 человек) или содержит шум (нецелевые контакты), модель будет неточной.
• Эффект «пузыря» — алгоритм может показывать рекламу только тем, кто уже похож на существующих клиентов, упуская потенциально перспективные сегменты с иным поведением.
• Приватность и регулирование — в Европе (GDPR) и России (ФЗ-152 «О персональных данных») использование данных для look-alike требует согласия пользователей, что ограничивает применение.
• Стоимость — look-alike сегменты обычно дороже обычного таргетинга из-за более высокой конкуренции на аукционах.

Критика и этические аспекты

Технология look-alike вызывает споры в контексте конфиденциальности. Критики указывают, что алгоритмы могут усиливать дискриминацию (например, исключать из показа рекламы людей по возрасту, полу или социальному статусу) и создавать «эхо-камеры», когда пользователям показывают только однотипный контент. В 2021 году Facebook (признан экстремистской организацией в РФ) столкнулся с исками из-за использования look-alike для таргетинга жилья и кредитов по расовому признаку.

В России с 2023 года вступили в силу поправки к закону «О рекламе», обязывающие рекламодателей маркировать таргетированную рекламу, в том числе look-alike, и предоставлять информацию об алгоритмах обработки данных.

Примеры использования

• Онлайн-кинотеатр «Кинопоиск» использует look-alike на основе подписчиков с высокой активностью для показа рекламы новым пользователям, которые смотрят похожие жанры.
• Сеть аптек «36,6» загружает базу клиентов, купивших дорогие лекарства, и находит похожих пользователей в соцсетях для продвижения премиальных товаров.
• Банк «Тинькофф» применяет look-alike для поиска клиентов, похожих на держателей премиальных карт, при запуске новых продуктов.

Источники

1. Facebook (продукт Meta, признанной экстремистской и запрещённой в РФ) Business Help Center — «About Lookalike Audiences» (2013–2023).
2. Google Ads Help — «Similar audiences: definition and setup» (2015–2023).
3. Яндекс.Директ — «Аудитории: как настроить look-alike» (2020–2024).
4. Федеральный закон «О рекламе» от 13.03.2006 № 38-ФЗ (ред. от 01.09.2023).
5. Федеральный закон «О персональных данных» от 27.07.2006 № 152-ФЗ.
6. Kosinski M., Stillwell D., Graepel T. «Private traits and attributes are predictable from digital records of human behavior» // PNAS, 2013.
7. Provost F., Fawcett T. «Data Science for Business» — O’Reilly Media, 2013 (глава 10: Look-alike modeling).