Похожие аудитории

Похожие аудитории (lookalike audiences) — технология таргетинга в рекламных платформах, которая автоматически находит новых пользователей, похожих по поведению и характеристикам на ваших существующих клиентов или посетителей сайта. Инструмент позволяет масштабировать рекламу на холодный трафик без потери качества аудитории.

Что такое похожие аудитории

Похожие аудитории — это сегмент пользователей, которых рекламная платформа отбирает автоматически на основе сходства с вашей исходной аудиторией, которую называют seed-аудиторией. В качестве исходной аудитории может выступать список покупателей из CRM, посетители определенных страниц сайта, пользователи мобильного приложения или любой другой сегмент, который вы считаете ценным. Алгоритм анализирует сотни параметров исходного сегмента — демографию, интересы, поведение в сети, время активности, историю покупок, активность в приложениях — и строит математическую модель типичного представителя вашей аудитории. Затем платформа проходит по всей своей базе пользователей и ищет тех, кто максимально близок к этой модели. В результате рекламодатель получает доступ к аудитории холодного трафика, которая при этом статистически склонна к нужному целевому действию. Это позволяет привлекать новых клиентов эффективнее, чем при использовании широких интересов или демографического таргетинга.

Технология lookalike впервые появилась в Facebook Ads в 2013 году и произвела революцию в таргетированной рекламе. До этого рекламодатели работали исключительно с интересами и демографией — что давало широкие, но неточные сегменты с высоким процентом нецелевых показов. Facebook предложил принципиально иной подход: брать реальных клиентов как эталон и искать похожих пользователей среди миллиардов профилей. Яндекс запустил собственный инструмент в сервисе Яндекс.Аудитории в 2016 году, используя поведенческие данные из поиска, почты, карт, Маркета и других сервисов экосистемы. Google запустил Similar Audiences в Google Ads примерно в то же время, опираясь на данные Chrome, Gmail, YouTube и поисковой истории. Сегодня все крупные рекламные платформы — ВКонтакте, TikTok Ads, myTarget — предлагают собственные реализации этой технологии с разными алгоритмами и глубиной поведенческих данных.

В digital-маркетинге похожие аудитории закрывают одну из главных проблем масштабирования — как получить больше клиентов без пропорционального роста CPA. Ретаргетинг работает только с теми, кто уже взаимодействовал с брендом, и быстро исчерпывает себя при небольшой базе. Таргетинг по интересам дает большой охват, но низкую точность и высокий процент нецелевых кликов. Похожие аудитории находятся между этими двумя подходами: они работают с холодным трафиком, но не широким, а уже предварительно отфильтрованным по вероятности конверсии. По данным Meta Business, рекламодатели, использующие Lookalike Audiences, получают в среднем на 70% больше конверсий при том же бюджете по сравнению с таргетингом по широким интересам. Инструмент критически важен для e-commerce, мобильных приложений, финансовых сервисов и любого бизнеса, накопившего достаточную клиентскую базу для создания качественного исходного сегмента.

Маркетолог, который не использует похожие аудитории при наличии клиентской базы, фактически оставляет деньги на столе. Качество исходного сегмента напрямую определяет качество lookalike: если загрузить список всех посетителей сайта вместо списка покупателей, алгоритм построит менее точную модель и CPA вырастет. Бизнес должен понимать, что этот инструмент — не автоматическое решение проблем, а технология, требующая правильной настройки: минимального размера seed-аудитории (как правило, от 1000 контактов для получения хорошего качества), регулярного обновления исходного сегмента и A/B-тестирования разных источников данных. Кроме того, важно управлять процентом схожести: при настройке в 1% берутся 1% наиболее похожих пользователей — маленькая, но точная аудитория; при 10% — охват шире, но совпадение менее точное. Без понимания этих механик рекламодатель рискует переплатить или не получить ожидаемый результат.

Как работают похожие аудитории

Загрузка исходной аудитории. Рекламодатель загружает в платформу список идентификаторов: email-адреса клиентов, телефоны, IDFA или GAID мобильных устройств. Платформа хеширует загруженные данные алгоритмом SHA-256 и сопоставляет с собственной базой пользователей. Для Яндекс.Аудиторий необходимо минимум 1000 совпадений по хешам, для Facebook — 100 человек, хотя на практике качество модели резко улучшается при 2000 совпадениях и более. Альтернативный вариант — использовать пиксель или тег ретаргетинга без загрузки списка.
Анализ поведенческих паттернов. Алгоритм изучает характеристики найденных пользователей: паттерны поиска, посещаемые категории сайтов, время суток активности, используемые устройства, географию, интересы и историю покупок. В Яндексе для построения модели используются данные из поисковой истории, почты, Карт, Маркета, Музыки и других сервисов. В Meta алгоритм опирается на активность в Facebook и Instagram, просмотры видео, взаимодействие с рекламой, связи с другими профилями. Модель строится одновременно по сотням признаков, и веса каждого признака рассчитываются индивидуально для вашего seed-сегмента.
Построение математической модели аудитории. На основе собранных данных алгоритм создает многомерный профиль типичного представителя вашей аудитории. Это не простое усреднение характеристик, а взвешенная модель, где одни факторы важнее других: для интернет-магазина электроники паттерн «сравниваю характеристики перед покупкой» весит больше, чем возраст или пол. Модель обновляется при каждом обновлении seed-аудитории. Платформа также учитывает исключения — пользователей из исходного списка не включают в lookalike-сегмент, чтобы не показывать рекламу уже существующим клиентам.
Поиск похожих пользователей в базе платформы. Платформа проходит по всей своей активной базе пользователей — в Яндексе более 50 млн активных пользователей в России, в Meta более 2 млрд по всему миру — и присваивает каждому оценку схожести с построенной моделью. Пользователи ранжируются от наиболее похожих к наименее похожим. При настройке сегмента в 1% в него включается 1% пользователей с наивысшей оценкой схожести; при 5% — соответственно 5%. Чем уже сегмент, тем точнее, но тем меньше охват и выше частота показов при ограниченном бюджете.
Формирование сегмента и его применение к кампании. Готовый lookalike-сегмент появляется в кабинете рекламодателя и подключается к кампании как условие таргетинга. Обновление сегмента происходит автоматически по расписанию платформы — обычно раз в 3-7 дней, что позволяет сегменту «подстраиваться» под изменения в поведении аудитории. Алгоритм начинает показывать рекламу и собирать данные о конверсиях. После накопления 50-100 конверсий точность lookalike существенно возрастает, потому что в оптимизацию включаются уже реальные сигналы того, кто кликает и покупает из этой аудитории.
Дообучение модели на реальных конверсиях. В отличие от статического таргетинга по интересам, lookalike-алгоритм постоянно дообучается в процессе работы кампании. Каждая зафиксированная конверсия — покупка, регистрация, заявка — дает платформе новый сигнал о том, кто именно из похожей аудитории конвертируется. Со временем алгоритм начинает смещать фокус в сторону тех подсегментов, которые дают лучший результат. Это означает, что lookalike-кампании нуждаются в периоде обучения — как правило, от 7 до 14 дней — и не стоит их отключать при первых признаках нестабильных показателей.

Виды похожих аудиторий

Lookalike по списку покупателей (CRM-данные). Самый точный вид, потому что в seed-аудитории только реальные покупатели — люди, уже совершившие целевое действие. Загружаете email или телефоны из CRM, платформа ищет похожих по этому эталону. Для e-commerce с базой от 5000 покупателей это оптимальный старт: по сравнительным тестам, CPA такого lookalike в среднем на 30-40% ниже, чем lookalike по посетителям сайта, потому что модель строится на более чистых данных.
Lookalike по пикселю (посетители сайта). Исходная аудитория формируется из пиксельных данных: кто посещал определенные страницы, добавлял товары в корзину, начинал оформление заказа. Размер такой аудитории обычно значительно больше, чем при использовании CRM, что дает алгоритму больше данных для анализа. Подходит для новых бизнесов без накопленной клиентской базы или для построения аудитории на верхнем уровне воронки. Можно сегментировать: отдельный lookalike по тем, кто смотрел товары, и отдельный — по тем, кто бросил корзину.
Lookalike по пользователям мобильного приложения. Мобильные рекламодатели загружают IDFA или GAID устройств пользователей, совершивших целевое действие в приложении: покупку, регистрацию, подписку, достижение определенного уровня. Инструмент особенно эффективен в мобильном гейминге и fintech: конверсия в установку приложения у lookalike-аудиторий на 40-60% выше, чем у широкого таргетинга по интересам. Платформы вроде TikTok Ads дополнительно используют паттерны потребления видеоконтента для более точной модели.
Lookalike на основе ценности клиента (value-based). Продвинутый вид, доступный в Meta и Google. Вместо просто списка покупателей в seed включается список с суммами покупок или LTV каждого клиента. Алгоритм ищет не просто похожих на покупателей, а похожих на тех, кто тратит больше всего. По данным Meta, value-based lookalike дает на 25-30% более высокий средний чек по сравнению с обычным lookalike от тех же клиентов. Требует достаточно разнообразия в суммах покупок — если все клиенты тратят примерно одинаково, эффект минимален.
Lookalike по вовлеченным пользователям. В качестве seed используется аудитория, взаимодействовавшая с контентом бренда: просмотрела видео более 75%, поставила реакцию на публикацию, перешла по рекламе или сохранила пост. Этот тип популярен для охватных кампаний на верхнем уровне воронки, где целью становится формирование знания о бренде, а не немедленная покупка. Особенно эффективен в TikTok Ads и Instagram, где алгоритм хорошо понимает паттерны потребления видеоконтента.
Lookalike с разным процентом схожести. Управление «широтой» аудитории через процент — одна из ключевых настроек инструмента. При 1% берутся наиболее похожие пользователи: маленькая аудитория, высокая точность, как правило более высокий CPM из-за конкуренции. При 5% достигается баланс охвата и точности, что подходит для большинства конверсионных кампаний. При 10% охват максимальный, но похожесть меньше, и CPA обычно растет. Практика показывает: для конверсионных задач оптимален диапазон 1-3%, для охватных — 5-10%. Тестировать разные значения нужно на отдельных группах объявлений.

Сравнение похожих аудиторий и ретаргетинга

Параметр	Похожие аудитории	Ретаргетинг
Тип трафика	Холодный (новые пользователи, не знакомые с брендом)	Теплый (пользователи, уже взаимодействовавшие с брендом)
Охват аудитории	Сотни тысяч и миллионы пользователей	Ограничен размером базы посетителей или клиентов
Средний CPA	Выше ретаргетинга на 30-60% — холодная аудитория требует больше касаний	Ниже — пользователь уже знаком с предложением и ближе к решению
Этап воронки	Привлечение — awareness и consideration, верхний и средний уровень	Возврат и конверсия — decision, нижний уровень воронки
Минимальная база	От 1000 уникальных совпадений в seed-аудитории для приемлемого качества	От 100-300 посетителей для запуска, но эффект заметен от 1000+
Исчерпаемость	Не исчерпывается — алгоритм постоянно ищет новых подходящих пользователей	Исчерпывается быстро при небольшой базе, частота растет, CTR падает

Пример использования похожих аудиторий

Интернет-магазин туристического снаряжения со средним чеком 6500 рублей и трафиком 22 000 визитов в месяц столкнулся с проблемой масштабирования: ретаргетинговые кампании в Яндекс.Директе давали CPA 1900 рублей при выручке 280 000 рублей в месяц, но аудитория быстро выгорала. Частота показов достигла 8,3 на пользователя, CTR упал до 0,4%, и дальнейший рост бюджета в ретаргетинге не давал прироста продаж. База покупателей за год составила 4800 человек, что создавало хорошую основу для lookalike-экспериментов.

Маркетолог загрузил CRM-список из 4800 покупателей в Яндекс.Аудитории и создал похожий сегмент с настройкой 3%. Параллельно запустил value-based lookalike в myTarget, передав список покупателей с суммами заказов. За 45 дней CPA в lookalike-кампании составил 2200 рублей — в рамках установленной цели 2500 рублей. Средний чек у новых покупателей из похожей аудитории оказался выше — 7100 рублей, потому что алгоритм нашел пользователей с похожими паттернами выбора дорогих позиций. Суммарная выручка от lookalike-каналов составила 540 000 рублей за период, а ретаргетинг перестал выгорать — новые клиенты из похожей аудитории регулярно пополняли базу ретаргетинга и создавали самовосполняющийся цикл привлечения.

Частые вопросы

Какой минимальный размер исходной аудитории нужен, чтобы lookalike работал точно?

Официальные минимумы у платформ разные: Facebook принимает seed от 100 человек, Яндекс.Аудитории требует от 1000 совпадений по хешированным данным, ВКонтакте — от 1000 пользователей. Но на практике качество модели резко улучшается при базе от 2000-5000 совпадений: алгоритму нужно достаточно данных, чтобы найти статистически значимые паттерны, а не подстроиться под случайные характеристики небольшой группы. При базе до 500 человек CPA lookalike-кампании в среднем на 60-80% выше, чем при базе от 3000 человек — это подтверждают сравнительные запуски специалистов по performance-рекламе. Если база небольшая, есть два пути: подождать её накопления или использовать менее специфичный источник — например, посетителей сайта вместо покупателей, что даст больше совпадений, пусть и с меньшей точностью модели.

Можно ли запускать похожие аудитории одновременно в Яндексе и Meta?

Не только можно, но и рекомендуется — это принципиально разные базы пользователей с разными поведенческими сигналами. Яндекс строит lookalike на основе поисковых запросов, истории почты, активности в Картах и Маркете — то есть захватывает пользователей в контексте информационного и коммерческого поиска. Meta берет социальные связи, интересы, паттерны потребления контента в лентах Instagram и Facebook — это совершенно другая точка касания и другой момент в покупательском пути. Один и тот же реальный покупатель будет иметь разный профиль в этих системах, поэтому аудитории не дублируют друг друга критически даже при одном seed-сегменте. Практика показывает: запуск lookalike на двух-трех платформах с одним источником данных позволяет охватить разные точки пути клиента, а сравнение CPA между платформами дает четкое понимание, где масштабировать бюджет в первую очередь.

Похожие аудитории выгорают со временем так же, как ретаргетинг?

Классического выгорания, как у ретаргетинга с фиксированной базой, не происходит — алгоритм постоянно обновляет сегмент и ищет новых пользователей. Но снижение эффективности со временем возможно по другим причинам. Во-первых, если seed-аудитория не обновляется — например, список покупателей загружен один раз год назад — модель устаревает, и алгоритм продолжает искать похожих на старый профиль, который уже не отражает текущего клиента. Рекомендуется обновлять seed каждые 30-60 дней. Во-вторых, при агрессивном масштабировании через увеличение процента схожести с 1% до 10% качество падает из-за менее точного совпадения с моделью. В-третьих, в узких нишах с небольшим числом потенциальных клиентов в регионе платформа может исчерпать подходящих пользователей, после чего частота начнет расти. Решение — расширить географию таргетинга, регулярно обновлять seed или добавить value-based сигналы для более точной сегментации аудитории.