Look-alike аудитория

Look-alike аудитория (от англ. look-alike — «похожий») — это сегмент пользователей, сформированный алгоритмически на основе заданного набора характеристик (референтной аудитории, или «источника»). Цель создания такого сегмента — найти людей, максимально похожих по поведению, интересам, демографическим и другим признакам на исходную группу, но не входящих в неё. Технология широко применяется в цифровом маркетинге и рекламных системах (например, в Facebook (организация признана экстремистской и запрещена в РФ), VK, Яндекс.Директ, Google Ads) для расширения охвата кампаний при сохранении высокой релевантности.

Принцип работы

Алгоритмы look-alike используют методы машинного обучения, в частности кластеризацию и построение моделей на основе нейронных сетей или градиентного бустинга. Процесс состоит из нескольких этапов:

1. Формирование референтной выборки. В качестве источника может выступать база существующих клиентов (CRM-данные), подписчики сообщества, посетители сайта, участники ретаргетинговой кампании или пользователи, совершившие целевое действие (покупку, регистрацию, скачивание приложения). Размер выборки обычно варьируется от нескольких сотен до десятков тысяч человек — чем больше и репрезентативнее исходная группа, тем точнее модель.

1. Извлечение признаков. Система анализирует сотни и тысячи характеристик каждого пользователя из источника: демографические данные (возраст, пол, геолокация), интересы (категории страниц, группы, подписки), поведенческие сигналы (частота посещений, время на сайте, типы контента), историю покупок, используемые устройства, операционные системы, браузеры и т.д.

1. Построение модели. Алгоритм обучается на референтной выборке, выявляя закономерности и корреляции между признаками. На выходе создаётся многомерная «профильная карта» — математическое описание типичного представителя целевой аудитории.

1. Поиск похожих пользователей. Модель сканирует всю базу пользователей рекламной платформы (или её часть) и присваивает каждому из них «коэффициент сходства» (score) с референтной группой. Пользователи с наивысшими оценками включаются в look-alike сегмент.

1. Настройка объёма и точности. Рекламодатель может регулировать «процент сходства» (обычно от 1% до 10% от общей аудитории платформы). Чем меньше процент, тем выше точность совпадения, но меньше охват; чем больше — тем шире аудитория, но ниже релевантность.

Классификация и разновидности

По источнику данных

• На основе клиентской базы (CRM-based). Используются данные о существующих покупателях: email, телефон, ID в системе. Наиболее точный метод, но требует загрузки персональных данных в рекламную платформу (с соблюдением законодательства о персональных данных, например, 152-ФЗ в РФ).
• На основе поведения (behavioral). Источником служат действия пользователей на сайте или в приложении: просмотры товаров, добавление в корзину, оформление заказа. Не требует загрузки ПДн, но менее точен.
• На основе подписчиков/фанатов (social-based). Формируется из подписчиков страницы бренда в соцсети или участников закрытого сообщества.
• На основе ретаргетинга (retargeting-based). Используются пользователи, которые уже взаимодействовали с рекламой (клики, просмотры), но не совершили целевое действие.

По типу рекламной платформы

• Внутренние (платформенные). Создаются и хранятся внутри рекламной системы (например, Look-alike в VK Рекламе, Custom Audiences в Facebook (организация признана экстремистской и запрещена в РФ), Similar Audiences в Google Ads). Работают только в рамках данной платформы.
• Внешние (DMP-ориентированные). Формируются с помощью Data Management Platforms (DMP) — систем управления данными, которые агрегируют информацию из разных источников (сайты, мобильные приложения, офлайн-транзакции) и затем передают сегменты в несколько рекламных сетей.

По степени автоматизации

• Ручные. Рекламодатель самостоятельно выбирает источник, настраивает процент сходства и запускает кампанию.
• Автоматические (динамические). Алгоритм платформы сам подбирает оптимальный источник и параметры на основе истории кампаний и целей (например, в Яндекс.Директе — технология «Автотаргетинг» с элементами look-alike).

Применение

Look-alike аудитории используются в различных сферах цифрового маркетинга:

• Привлечение новых клиентов. Основная задача — найти людей, которые с высокой вероятностью заинтересуются продуктом, но ещё не знакомы с брендом. Это позволяет расширять клиентскую базу без снижения конверсии.
• Продвижение мобильных приложений. Поиск пользователей, похожих на тех, кто уже установил и активно использует приложение, для увеличения числа установок и удержания.
• E-commerce. Таргетинг на аудиторию, похожую на покупателей определённой категории товаров (например, «любители спортивной обуви»), для запуска кросс-продаж или upsell.
• B2B-маркетинг. На основе данных о клиентах компании (должность, отрасль, размер бизнеса) формируется сегмент похожих компаний для лидогенерации.
• Политическая реклама и социальные кампании. Используется для поиска избирателей, похожих на сторонников партии, или для распространения социальной информации (например, о вакцинации).

Преимущества и недостатки

Преимущества

• Повышение эффективности рекламы. Кампании на look-alike аудитории показывают более высокий CTR (кликабельность) и CR (конверсию) по сравнению с широким таргетингом по интересам.
• Экономия бюджета. Снижаются затраты на показы нерелевантным пользователям.
• Масштабируемость. Позволяет быстро увеличивать охват без потери качества, если исходная выборка качественная.
• Автоматизация. Не требует ручного подбора сегментов — алгоритм сам находит похожих пользователей.

Недостатки

• Зависимость от качества источника. Если референтная аудитория мала, нерепрезентативна или содержит «шум» (случайные контакты), модель будет неточной.
• Ограниченность платформой. Look-alike сегмент нельзя выгрузить и использовать в другой рекламной системе (за исключением DMP-решений).
• Риск «перегрева». При частом использовании одной и той же референтной группы аудитория может стать перенасыщенной рекламой, что снизит эффективность.
• Этические и правовые вопросы. Использование персональных данных для построения моделей требует соблюдения законов о конфиденциальности (GDPR в Европе, 152-ФЗ в РФ, CCPA в Калифорнии). В 2022 году в ряде стран обсуждались ограничения на использование look-alike в политической рекламе из-за риска манипуляции.

Критика и ограничения

Основная критика технологии связана с потенциальной дискриминацией. Алгоритмы могут неосознанно воспроизводить и усиливать существующие предубеждения (например, исключать из аудитории определённые социальные или этнические группы, если они не представлены в исходной выборке). В 2020 году Facebook (организация признана экстремистской и запрещена в РФ) столкнулся с исками, в которых утверждалось, что look-alike таргетинг на жильё и работу нарушает антидискриминационные законы США.

Кроме того, точность модели снижается при работе с редкими или нишевыми продуктами, где исходная аудитория слишком мала для построения статистически значимой модели. В таких случаях рекомендуется использовать комбинированные подходы (например, look-alike + ретаргетинг).

Интересные факты

• Технология look-alike впервые была внедрена Facebook (организация признана экстремистской и запрещена в РФ) в 2013 году как часть инструмента Custom Audiences. До этого рекламодатели использовали только ручной таргетинг по интересам и демографии.
• В 2021 году компания Apple ввела ограничения на отслеживание пользователей (App Tracking Transparency), что существенно усложнило сбор данных для look-alike моделей на iOS-устройствах. В ответ рекламные платформы начали активнее использовать контекстные и семантические сигналы.
• В России технология look-alike активно применяется в VK Рекламе и Яндекс.Директе. Яндекс, в частности, использует собственную модель «Крипта» для построения сегментов на основе поискового поведения и данных о покупках.

Источники

• Facebook (продукт Meta, признанной экстремистской и запрещённой в РФ) Business Help Center. «About Lookalike Audiences» (архивная версия, 2022).
• Google Ads Help. «About similar audiences» (документация, 2023).
• Яндекс.Директ. Справка: «Look-alike аудитории» (раздел справки, 2024).
• VK Реклама. «Look-alike аудитории: инструкция по созданию» (официальный блог, 2023).
• «The Ethical Algorithm: The Science of Socially Aware Algorithm Design» — Michael Kearns, Aaron Roth (Oxford University Press, 2019).