Определение
Lookalike Audience (в русскоязычном перформанс-маркетинге часто называют «похожей аудиторией», «лалками» или «look-alike») — это сегмент пользователей, который алгоритм рекламной платформы строит на основе уже существующей базы (seed-аудитории) и находит людей с максимально схожим поведением, интересами и вероятностью совершить целевое действие.
Простыми словами: вы загружаете список своих покупателей, подписчиков или посетителей сайта — платформа анализирует сотни сигналов (история покупок, устройства, геолокация, вовлечённость, паттерны просмотра) и находит миллионы незнакомых вам людей, которые «ведут себя как ваши клиенты».
В российском e-com и DTC-сегменте lookalike чаще всего используется в VK Рекламе, Яндекс Директе (сегменты по данным Метрики и CRM), а также в Telegram Ads и зарубежных кабинетах — Meta Ads, Google Ads, TikTok Ads.
Аналогия
Представьте, что у вас есть кофейня в центре Москвы. Вы точно знаете своих постоянных гостей: им 25–40 лет, они работают в офисах рядом, заказывают капучино на овсяном молоке и берут круассан по утрам.
Теперь задача: найти ещё 10 000 таких же людей, которые пока о вас не знают. Вы не можете обойти весь город. Но если у вас есть список из 500 постоянных клиентов — вы отдаёте его «умному помощнику», и он находит районы, офисы и утренние маршруты, где живут люди с такими же привычками.
Lookalike Audience — это и есть такой помощник. Только вместо районов он анализирует цифровые сигнатуры миллионов пользователей.
Формула и механика
Базовая логика расчёта в большинстве платформ:
Lookalike Score = Σ (w₁·x₁ + w₂·x₂ + ... + wₙ·xₙ)
Где:
- x₁...xₙ — поведенческие и демографические признаки пользователя (частота покупок, средний чек, устройства, время активности, интересы);
- w₁...wₙ — веса, которые алгоритм подбирает автоматически на основе seed-аудитории;
- Lookalike Score — вероятность того, что пользователь поведёт себя как ваш существующий клиент.
Практическая формула размера аудитории:
Размер LAL = Общий охват платформы × % схожести
Конкретные данные для ориентира:
1. Seed-аудитория от 1 000 до 5 000 человек — минимальный рабочий порог для стабильного матчинга в Meta и VK. При базе меньше 1 000 качество резко падает.
2. 1% lookalike в Meta от аудитории РФ (~80 млн аккаунтов) даёт примерно 800 000–1 200 000 пользователей — это «горячий» сегмент с максимальным сходством.
3. ROAS на 1–3% LAL обычно на 20–40% ниже, чем на ретаргетинге по CRM, но CPM дешевле в 1,5–2,5 раза, чем у широких интересов.
Сравнительная таблица
| Параметр | Lookalike Audience | Ретаргетинг | Широкий таргетинг (интересы) |
|---|---|---|---|
| Источник данных | Seed-база (CRM, пиксель, подписчики) | Собственные посетители/покупатели | Настройки вручную |
| Размер аудитории | 500 тыс. – 10 млн+ | 1 тыс. – 500 тыс. | 5 млн – 50 млн+ |
| Стоимость клика (CPC) | Средняя | Высокая | Низкая |
| Конверсия в покупку | Выше средней | Максимальная | Ниже средней |
| Скорость «выгорания» | Средняя | Быстрая | Медленная |
| Основное применение | Масштабирование продаж | Дожим тёплой базы | Тесты и охват |
| Требования к данным | Нужна качественная seed-база | Нужен пиксель/CRM | Не нужны |
Применение в DTC и e-com
1. Масштабирование после успешного ретаргетинга.
Когда ретаргетинг по CRM даёт ROAS 6–8, а охват базы ограничен 30 000 человек, lookalike 1–3% позволяет выйти на новые 500 000–1 000 000 пользователей без потери качества.
2. Запуск нового продукта на существующей базе.
Если у вас 8 000 покупателей косметики — LAL 2% найдёт людей, похожих на них, и вы протестируете новую линейку на «тёплой по духу» аудитории.
3. Работа с LTV-сегментами.
Загрузите в качестве seed не всех покупателей, а только тех, у кого LTV выше среднего (например, топ-20% по повторным заказам). Такой LAL даст более качественный трафик, чем база «все клиенты».
4. Гео-экспансия.
Собрали базу в Москве и Санкт-Петербурге — стройте LAL для регионов-миллионников: Казань, Екатеринбург, Новосибирск. Алгоритм перенесёт паттерны поведения.
5. Сезонные кампании.
Перед 11.11, Чёрной пятницей или Новым годом — обновляйте seed-аудиторию за 30 дней до старта, чтобы алгоритм учитывал свежие покупки.
Частые ошибки
Ошибка 1. Слишком маленькая seed-база.
Загрузка 200 email-адресов даст нестабильный LAL. Минимум — 1 000, оптимально — 5 000+ качественных контактов.
Ошибка 2. Грязные данные в seed.
Если в CRM дубли, боты, устаревшие адреса — алгоритм обучится на «мусоре». Чистите базу перед загрузкой.
Ошибка 3. Использование 10% LAL для прямых продаж.
Чем шире процент, тем холоднее аудитория. Для конверсий — 1–3%, для охвата и узнаваемости — 5–10%.
Ошибка 4. Игнорирование обновления seed.
База годичной давности теряет актуальность. Обновляйте seed каждые 30–60 дней.
Ошибка 5. Один LAL на все кампании.
Разные продукты — разные seed. Для премиум-сегмента и масс-маркета стройте отдельные lookalike.
Ошибка 6. Отсутствие исключений.
Всегда исключайте из LAL существующих покупателей и подписчиков — иначе платите за тех, кто уже с вами.
Связанные термины
- Seed Audience — исходная база для построения lookalike.
- Custom Audience — пользовательский сегмент на основе CRM, пикселя или email.
- Retargeting — реклама на тех, кто уже взаимодействовал с брендом.
- Пиксель (Meta Pixel, VK Pixel, Яндекс Метрика) — инструмент сбора данных для seed.
- CRM-сегментация — разбивка клиентской базы по LTV, частоте, среднему чеку.
- ROAS — возврат на рекламные расходы, ключевая метрика оценки LAL.
- LTV — пожизненная ценность клиента, используется для отбора качественного seed.
- Расширение аудитории (Advantage+ / автотаргетинг) — альтернативный алгоритмический подход, часто комбинируется с LAL.