Look alike аудитории: масштабируем трафик, а не расходы

Когда ретаргетинга уже не хватает для роста

В какой‑то момент каждая команда упирается в одно и то же:

• ретаргетинг уже выжат, частота зашкаливает;
• все «тёплые» сегменты отработаны;
• брендовый спрос растёт не так быстро, как план продаж.

И при этом есть запрос на увеличение объёма качественного трафика, а не просто рост показов. В этот момент большинство вспоминает про похожие аудитории: «давайте включим look‑alike и расширимся».

Проблема в том, что «просто включить LAL» — самый короткий путь к ситуации «охват вырос, CR просел, CPA улетел». На практике разница между сильными и провальными LAL‑кампаниями почти всегда упирается в три вещи:

• какой источник для look alike вы выбрали;
• как выставили глубину схожести/масштаб;
• где и как встроили эти сегменты в общую структуру аккаунта.

Что такое look‑alike аудитории

Если убрать формальные определения, look‑alike аудитории — это способ сказать площадке:

«Вот люди, которые уже сделали то, что мне нужно (купили, оставили заявку, доплатили за подписку). Найди, пожалуйста, на своих данных тех, кто на них похож по поведению, интересам и профилю».

Похожие аудитории строятся на основе исходного сегмента (seed‑аудитории), и вся магия/боль начинается именно с него.

Типичные задачи, под которые LAL реально работает:

• расширение аудитории рекламы при сохранении или минимальном ухудшении CR;
• поиск новых покупателей с похожим LTV / средним чеком;
• усиление верхней и середины воронки, когда ремаркетинг уже выжат;
• тестирование новых гео / сегментов, опираясь на текущих клиентов.

Важно не ждать от LAL чудес: это инструмент масштабирования, а не «волшебная кнопка, которая удвоит конверсию». В норме CR по LAL‑аудиториям будет хуже, чем по исходному «золотому» сегменту, но лучше, чем по широким таргетингам без данных.

Где look‑alike доступен в России

Если отбросить недоступные/полузаблокированные площадки, вся практическая история с похожими аудиториями в России сейчас крутится вокруг трёх направлений: VK/myTarget, локальных DSP и DMP.

VK Реклама и myTarget

В экосистеме VK look‑alike — это уже базовый инструмент, а не «продвинутая фича для избранных».

Что можно делать:

• собирать исходные сегменты из нескольких источников:
  • трафик сайта (через пиксель),
  • события в мобильных приложениях,
  • списки из CRM (email, телефоны, ID);
• строить LAL‑аудитории, где система ищет людей, похожих на этих пользователей по соцдему, поведению, интересам и географии.

По открытым материалам VK и обучающим курсам у разных платформ свои требования к размеру исходной аудитории, и эти пороги со временем меняются. В общих чертах можно ориентироваться так: чем больше однородных данных вы даёте системе, тем стабильнее будет модель. На практике многие рекламодатели стараются собирать не сотни, а хотя бы тысячи качественных событий или пользователей в seed‑аудитории, но не упираются в конкретную цифру вроде 1000 или 5000 — всегда есть смысл смотреть актуальные рекомендации самой платформы и результаты своих тестов.

Похожие аудитории доступны для большинства форматов: от таргетированной рекламы в ленте до видео и медийных размещений.

Отдельный плюс: myTarget исторически умеет тянуть инвентарь не только из VK, но и из Одноклассников, проектов VK Group и партнёрской рекламной сети, так что один LAL‑сегмент можно использовать для расширения охвата по всей экосистеме.

Чаще всего в кейсах и методичках встречается рекомендация собирать не единицы сотен, а хотя бы тысячи событий или пользователей в исходном сегменте — особенно если речь про покупки или другие ценные действия. Но это не жёсткое правило: в простых сценариях модель может обучиться и на меньших объёмах, а в сложных нишах иногда требуется больше данных. Логика простая: ориентируйтесь на актуальные требования конкретной платформы (VK Реклама, myTarget, DSP/DMP) и на то, как ведут себя ваши кампании в реальных тестах.

Охват похожей аудитории можно регулировать — от более узких сегментов до миллионов пользователей, понимая, что с ростом масштаба падает схожесть и растёт разброс по качеству.

Российские DSP и DMP

Помимо соцсетей, LAL хорошо живёт в программатик‑среде — через локальные DSP и DMP, которые работают с first‑party данными брендов.

Типичный сценарий:

• вы передаёте в платформу:
  • CRM‑данные (ID, телефоны, e‑mail, статусы клиента),
  • веб‑события (просмотр, корзина, покупка),
  • медиаданные прошлых кампаний (кто видел/кликал/конвертился);
• система на стороне DSP/DMP строит модель LAL на машинном обучении и создаёт отдельный таргетинговый алгоритм под вашу задачу.

На российском рынке такой подход используют, например:

• Soloway и другие локальные DSP, где можно задать целевое действие (покупка, заявка, посещение нужных страниц) и управлять охватом: чем шире охват, тем слабее схожесть, но больше масштаб.
• DMP‑системы уровня AdRiver и аналогов, которые умеют склеивать данные из CRM, пикселей, логов кампаний и сторонних источников в один профиль, а уже поверх этого строить look‑alike модели.

Плюс этого подхода: вы не привязаны к одной соцсети и можете использовать LAL одновременно в медийке, видео, мобайле, DOOH‑инвентаре и т.п., оставаясь в рамках российского правового поля.

Откуда брать исходник: источники для look‑alike

Хорошие и плохие seed‑аудитории

Смотрите на look‑alike аудитории как на копию: если в исходном фото человек закрывает глаза, на копии он тоже будет с закрытыми глазами.

Лучшие источники для look alike:

• Конверсии с деньгами:
  • покупка, оплаченный заказ, продлённая подписка;
  • «повторные покупки с LTV выше X» — если умеете собрать.
• Качественные заявки, прошедшие скоринг:
  • лиды, которые реально дошли до сделки, а не все подряд;
  • заявки с квалификацией менеджера (подгружать через CRM).
• Сильный контентный интерес:
  • просмотр ключевых страниц (калькуляторы, прайс, кейсы);
  • просмотр видео/лендинга до определённого процента (например, 75–100%).

Плохие источники для look alike:

• все посетители сайта за год;
• подписчики любого контента подряд;
• «все, кто кликнул на баннер»;
• сырые базы, где половина — случайные или мотивированные пользователи.

У площадок есть минимальные технические пороги по размеру исходника (у myTarget в справке, например, фигурирует минимум 1000 пользователей), но это именно нижняя граница. Важно не столько догонять конкретное число, сколько дать системе достаточно однородных и ценных действий в seed‑аудитории. В простых сценариях модель может работать и на меньших сегментах, в сложных нишах чаще нужны тысячи событий, а не сотни, поэтому лучше опираться на актуальные рекомендации площадки и свои тесты.

Где брать данные в реальных проектах

Основные источники для look alike:

• CRM и программы лояльности — номера телефонов, e‑mail, ID, статусы клиента.
• События на сайте/в приложении: просмотр ключевых страниц, добавление в корзину, покупка, активность в личном кабинете.
• Результаты рекламных кампаний: списки тех, кто уже кликал/досматривал/конвертился.
• CDP/сквозная аналитика: сегменты «частые покупатели», «высокий LTV», «регулярные платежи».

На практике чаще всего начинают с CRM + конверсий пикселя, а уже потом переходят к более тонким сегментам через CDP.

Как собирать сегменты для look‑alike: практический чек‑лист

Шаг 1. Определите «идеального» пользователя под задачу

• B2C: «покупали не один раз», «чек выше среднего», «дошли до N‑го шага».
• B2B: «прошли квалификацию», «вышли на встречу/демо», «вошли в стадию коммерческого предложения».

Шаг 2. Соберите сегмент из конкретных событий

• выгрузка из CRM;
• сегмент в аналитике/сквозной BI;
• аудитории пикселя/SDK на сайте и в приложении.

Шаг 3. Почистите данные

• дубликаты;
• тестовые контакты;
• старые, неактуальные записи (лучше фокус на 30–180 дней, чем на 5‑летнюю историю).

Шаг 4. Разделите сегменты по качеству

• не смешивайте в одну корзину «все, кто оставил лид» и «все, кто купил»;
• делайте отдельные LAL‑аудитории для «топ‑клиентов» и «массовых покупателей».

Шаг 5. Загружайте и тестируйте по очереди

• сначала LAL по самой качественной аудитории;
• потом — по более широким сегментам, если нужен масштаб.

Мини‑кейсы: как это выглядит вживую

Кейс 1. E‑commerce, средний чек 3–5 тыс. ₽

Задача — увеличение объёма качественного трафика без сильного проседания по CR.

Что сделали:

• seed‑аудитория: клиенты с 2+ покупками за последние 6 месяцев, чек выше среднего;
• построили 2 LAL‑сегмента: «узкий» (максимальная схожесть) и «широкий» (больше охват, меньше схожесть);
• узкий сегмент пустили в связке с более агрессивными ставками и глубокой оптимизацией под покупку, широкий — под «добавление в корзину».

По данным поставщика аналитики, в подобных схемах CR по «узкому» LAL часто проседает в среднем не более чем на 10–20% относительно исходного сегмента, при этом объём трафика может вырасти в 2–3 раза.

Кейс 2. B2B‑SaaS, длинный цикл сделки

Задача — найти новые компании, похожие на текущих платящих клиентов.

Что сделали:

• собрали список аккаунтов, которые прошли квалификацию и вышли на этап теста/пилота;
• выделили контактных лиц (e‑mail/телефоны/ID), загрузили как исходный сегмент;
• построили LAL и использовали его в связке с контентом «кейсы», «вебинары», «гайды», а не сразу с «оставь заявку».

Результат по рынку: такие LAL‑кампании обычно дают CR ниже, чем чистый ремаркетинг, но выше, чем широкие таргеты по должностям/интересам, а главное — достаточно «узкий» и релевантный трафик для работы продаж.

Как управлять масштабом: расширение аудитории рекламы без убийства качества

Почти на всех площадках у похожих аудиторий есть настройка, которая по сути отвечает на вопрос: «насколько похожие нам нужны люди и сколько их будет».

Упрощая:

• Максимальная схожесть
  • меньше охват,
  • выше вероятность, что CR и CPA будут близки к исходнику.
• Баланс схожести и охвата
  • середина, которую чаще всего рекомендуют как стартовую;
  • рост трафика с умеренным проседанием по качеству.
• Максимальный охват
  • сильно больше пользователей,
  • CR и CPA заметно хуже, но помогает быстро собрать объём и протестировать новые гипотезы.

На практике безопасно стартовать с «узкой» или средней по ширине LAL‑аудитории, а уже потом расширяться, если видите вменяемые цифры по цене цели.

Какие цифры считать нормальными для LAL‑кампаний

Универсальной «правильной» цифры CTR не существует — слишком многое зависит от формата, площадки, ниши и того, что вы считаете целевым действием. Корректнее оперировать диапазонами и бенчмарками, а не одной магической планкой.

Если говорить про ориентиры для холодного трафика и похожих аудиторий:

• CTR
  • по данным справочных материалов и обзоров, для многих форматов нормальный коридор для холодной аудитории лежит примерно в диапазоне от нескольких десятых процента до пары процентов.
  • для баннерной рекламы в обзорах часто фигурирует диапазон 0,1–1%, а показатели выше 1% уже относятся к довольно сильным результатам и зависят от креатива и места размещения.
  • для форматов, ближе к нативным или текстово‑графическим (по типу РСЯ), источники называют коридор около 0,5–2% как рабочий уровень по кликабельности; всё, что стабильно заметно ниже нижней границы этих диапазонов на достаточном объёме показов, — сигнал, что стоит проверить креатив, оффер или релевантность сегмента.

Важно: это ориентиры, а не стандарты — в некоторых нишах и плейсментах «здоровые» цифры могут лежать ниже или выше, поэтому всегда сравнивайте CTR с собственными бенчмарками и целями, а не только с усреднёнными значениями из статей.

• CR (конверсия в целевое действие)
  • в реальных проектах CR по похожим аудиториям обычно ниже, чем по исходным «горячим» сегментам, но заметно выше, чем по совсем широким таргетингам без данных.
  • грубый ориентир: если CR по LAL‑кампаниям держится на уровне, скажем, 60–90% от CR вашего качественного исходного сегмента, это выглядит адекватно для масштабирования; если же показатели падают до уровня обычного «широкого» таргета, значит модель не ловит нужные паттерны, и стоит пересобрать seed‑аудиторию или перегруппировать кампании.
• ROMI и цена цели
  • по обзорам и кейсам, грамотное использование look‑alike чаще даёт картину «ROMI немного ниже, чем по ядру, но всё ещё здоровый», при этом вы выигрываете за счёт роста объёма конверсионного трафика.
  • если при подключении LAL у вас одновременно растёт объём, сохраняется вменяемый CR и не уезжает в космос цена цели, — это нормальная рабочая ситуация; требовать от похожих аудиторий тех же показателей, что от брендового поиска или ретаргетинга, обычно нереалистично.

Идея простая: не фиксироваться на одной цифре CTR, а смотреть на связку из охвата, кликабельности, конверсии и ROMI для ваших форматов и ниш, сравнивая LAL‑кампании с собственными бенчмарками по холодному трафику, а не с ремаркетингом или брендовыми запросами.

Ориентировочные диапазоны CTR для холодной аудитории

Формат / канал	Ориентир CTR для холодной аудитории	Комментарий
Поисковая контекстная реклама	3–10%	Для Яндекс.Директ многие источники называют 5–10% «хорошим» уровнем.
РСЯ / другие контекстно‑медийные сети	0,5–2%	В справках и обзорах указывают 0,5–1,5% как норму, 2%+ — уже очень хорошо.
Баннерная медийная реклама	0,1–1%	Для баннеров часто приводят диапазон 0,3–1%; выше 1% — скорее удачные кейсы.
Нативная реклама / промо‑посты	0,5–5%	По обзорам нативка обычно кликается лучше баннеров, но сильно зависит от интеграции.
Таргетированная реклама в VK (лента)	0,5–1,5%	Для холодной аудитории называют 0,5–0,8% нормой, выше 1% — хороший уровень.

Все эти значения — ориентиры для оценки порядка величин. В реальной работе всегда стоит опираться на свои бенчмарки по нише, формату и креативу, а не на одну «золотую цифру» из таблицы.

Где look‑alike чаще всего подводит и почему

Ошибка 1. «Слить всё в один мешок»

Складывают в один сегмент всех, кто:

• просто заходил на сайт;
• кликал по баннеру;
• когда‑то что‑то покупал.

Что делать вместо:

• разнести сегменты на «тёплые» и «конверсионные»;
• строить look‑alike аудитории на чистых конверсионных событиях, а не на кликерах.

Ошибка 2. Оптимизировать LAL только по кликам

«У нас CTR хороший, значит, всё ок» — и дальше никто не смотрит, что CR и CPA деградируют.

Что делать вместо:

• сразу завязывать LAL‑кампании на цели с деньгами (покупка, заявка, подписка), а не только на клики;
• оценивать сегмент по стоимости целевого действия и ROMI, а CTR рассматривать как вспомогательную метрику.

Ошибка 3. Использовать слишком старые и «зашумлённые» данные

Сегмент за три года, где половина клиентов давно «сгорела», а поведение на рынке изменилось.

Что делать вместо:

• ограничивать исходник последними 3–6 месяцами (иногда до 12, если цикл длинный);
• периодически обновлять сегменты и пересобирать look‑alike аудитории по свежим данным.

Ошибка 4. Ожидать, что LAL заменить бренд и медийку

Look‑alike — это всё равно игра с существующей «матрицей» клиентов. Если бренд неизвестен или продукт только выходит на рынок, модели просто не на что будет опираться.

Что делать вместо:

• сначала создать базу через медийку, контент, перформанс;
• уже потом масштабироваться с помощью похожих аудиторий.

Как вписать похожие аудитории в систему, а не «включить галочку»

Похожие аудитории лучше всего работают не как отдельный эксперимент, а как часть общей логики:

1. Наверху воронки — LAL по «просмотрам контента» и мягким целям, чтобы собирать новых людей в свои first‑party сегменты.
2. В середине — LAL по «добавившим в корзину», «запросившим демо», «посмотревшим ключевые разделы».
3. Ближе к низу — LAL по «покупателям» и «подписчикам», чтобы наращивать наиболее ценную аудиторию.

Параллельно:

• поддерживать медийку и контент, чтобы не замыкаться только на performance;
• строить first‑party data‑стратегию: CRM, CDP, события, единые ID, чтобы LAL‑модели реально было на чём учиться.

Таблица: какие сегменты использовать для look‑alike под разные задачи

Задача	Исходный сегмент (seed)	Тип LAL / ширина
Быстро нарастить трафик в B2C	Покупатели за 3–6 мес., чек ≥ среднего	Средняя ширина, тест широкого варианта
Усилить лидогенерацию в B2B	Лиды, прошедшие квалификацию, вышедшие на демо	Узкий LAL, небольшой масштаб
Прокачать подписку/повторные	Подписчики 6+ мес., клиенты с 2+ покупками	Средний LAL, связка с медийкой
Тест нового региона	Клиенты из соседних регионов с похожим профилем	Средний/широкий LAL по региону
Продвижение нишевого продукта	Покупатели именно этого продукта/категории	Узкий LAL по этой группе

Роль look‑alike аудиторий в стратегии: где они уместны, а где нет

Look‑alike аудитории — это инструмент для тех, кто уже научился работать с данными и перформансом и теперь хочет масштабировать результат, а не догонять «холодных» пользователей вслепую.

Имеет смысл активно использовать похожие аудитории, когда:

• у вас есть вменяемая база клиентов и first‑party данные;
• настроена аналитика по CR и ROMI, а не только по CTR;
• вы готовы тестировать разные сегменты для look alike и ширины моделей, а не включать одну галочку и ждать магии.

Если базу ещё только собираете, честнее сначала вложиться в контент, медийку, ретаргетинг и CRM, а к LAL‑масштабированию вернуться, когда будет что «клонить».

Key Takeaways

• Look‑alike аудитории — это не кнопка «сделать хорошо», а способ заземлённо расширять рекламные кампании на основе реальных данных о клиентах.
• Качество LAL почти всегда определяется тем, какой исходный сегмент вы отдали системе, и насколько аккуратно вы управляете масштабом.
• При грамотной работе расширение аудитории рекламы через похожие сегменты позволяет увеличивать объём конверсионного трафика без катастрофического роста CPA и падения ROMI.