Что система ищет, когда ищет «похожих»
Похожая аудитория — не «люди того же возраста и с теми же интересами». Это результат сортировки: платформа берёт ваш список известных людей, строит по нему числовое описание, затем упорядочивает всех остальных пользователей по расстоянию до этого описания и отдаёт вам верхнюю часть очереди.
Описание собирается не из тех признаков, которые вы назвали бы вслух. В расчёт идут поведенческие сигналы: какие категории страниц открывались, в какое время суток, с какого класса устройств, чем заканчивались прошлые сессии, какие рекламные форматы человек досматривал. Формулировки вроде «мужчины 30–40, интересуются ремонтом» — это то, что показывают в интерфейсе для успокоения; внутри работает числовое представление, ближайший понятный аналог которого — векторное представление объекта.
Отсюда главное свойство механизма, из которого потом растут все проблемы. Система не знает, почему ваши клиенты покупают. Она знает только, чем они статистически отличаются от всех прочих, и копирует именно отличие — любое, включая случайное. Если ваши покупатели отличаются главным образом тем, что пришли с одного дешёвого источника, похожая аудитория добросовестно приведёт ещё людей из этого источника. Технически безупречный результат, коммерчески бесполезный.
Исходный список решает больше, чем настройки
| Что берут за основу | Что реально описывает такой список | Чем это оборачивается |
|---|---|---|
| Все посетители сайта | Привычку заходить на сайты этой тематики | Портрет размыт до «интересующихся вообще» |
| Все оставившие заявку | Готовность заполнить форму, а не купить | Копируется поведение любителей запросить расчёт |
| Оплатившие покупатели | Платящее поведение | Лучший вариант, если объём позволяет |
| Выгрузка постоянных клиентов из CRM | Долгую лояльность | Узкий и часто слишком малый список |
| Досмотревшие видео | Терпимость к рекламе, а не спрос | Дешёвый охват без коммерческого сигнала |
| Импорт контактов из базы | Подтверждённых людей за вычетом несовпадений | Реальный размер меньше выгрузки |
Вторая строка — самая частая ошибка. Список «все, кто оставил заявку» кажется естественным сидом, но если заявка у вас дешёвая и низкокачественная, вы просите систему найти ещё людей, склонных оставлять дешёвые низкокачественные заявки. Она найдёт. Стоимость целевого действия при этом может даже упасть, а количество сделок — нет.
Разнородность сида вредит не меньше малого размера. Если в одном списке лежат покупатели двух разных товаров для двух разных типов людей, усреднённый портрет описывает несуществующего человека посередине. Разделение базы по товарным группам перед выгрузкой — та же работа, что и обычная сегментация, только результат уходит не в рассылку, а в рекламный кабинет.
Почему процент похожести — не шкала точности
Ползунок «1 % — 10 %» задаёт, какую долю очереди вам отдать, а не насколько строго проверять сходство. Единица — верхушка списка, десятка — та же верхушка плюс девять частей хвоста.
Арифметика делает разницу наглядной. Допустим, платформа знает 20 миллионов человек в вашей стране показа. Один процент — 200 тысяч, десять — два миллиона. Люди из первых 200 тысяч попадают в обе аудитории; расширение до десяти процентов не улучшает их, оно добавляет 1,8 миллиона тех, кто похож слабее. Средняя конверсия при этом падает по построению, а не из-за плохой настройки.
Практический вывод обратный интуиции: узкий процент выбирают не ради качества, а тогда, когда бюджета мало и его хватает только на верхушку. Широкий берут, когда узкий сегмент выгорает — то есть когда лучшие кандидаты уже видели объявление столько раз, что перестали реагировать. Отслеживать это стоит по частоте показов и по динамике стоимости, а не по ощущению «реклама надоела».
Что ломается на практике
Похожая аудитория даёт трафик, но ни одной сделки. Сид собран по слабому событию — просмотру страницы или незавершённой форме. Система воспроизвела поведение, которое вы ей показали. Пересоберите список по оплатам или по последнему шагу перед оплатой, даже если он окажется в несколько раз меньше.
Первые две недели отличные, дальше стоимость растёт вдвое. Верхушка списка похожести конечна и заканчивается. Расширьте процент, обновите исходный список свежими клиентами или переключите бюджет на другой сегмент; повышать ставку в выгоревшей аудитории — самый дорогой из вариантов.
Похожая аудитория приводит тех, кто и так был на сайте. Пересечение с базой ретаргетинга не исключено, и канал присваивает себе чужие визиты. Добавьте посетителей сайта в исключения — иначе оценка вклада будет завышена на величину, которую вы не видите.
Аудитория собралась, но показов почти нет. Сегмент слишком узкий для заданной географии и ставки: система физически не находит достаточно людей в пересечении условий. Снимите лишние ограничения по возрасту и интересам — они накладываются поверх похожести и режут её дважды.
Четвёртый случай стоит отдельного пояснения, потому что ошибка выглядит как аккуратность. Похожая аудитория уже содержит демографию вашего сида внутри себя. Накладывая сверху ручной таргетинг по возрасту и интересам, вы не уточняете отбор, а вырезаете из него тех, кто похож на ваших клиентов поведением, но не совпал по анкете. Именно эти люди часто и есть та неочевидная находка, ради которой механизм включали.
Где механика не даёт ничего
| Ситуация | Почему похожесть не помогает | Что работает вместо |
|---|---|---|
| Малая база клиентов | Портрет строится по шуму, а не по закономерности | Ручной подбор аудитории по гипотезам |
| Продажи с закупочным комитетом | Решение принимают несколько человек, в сиде виден один | Отраслевые списки и работа с должностями |
| Разовый спрос по событию | Похожие люди не находятся в том же событии | Поисковый спрос и контекстная реклама |
| Очень узкая география | В пересечении условий не остаётся объёма | Расширение форматов, а не аудитории |
| Товар с редкой характеристикой | Признак не отражён в поведении в сети | Прямой отбор по спросу |
Первая строка — граница, которую обходят чаще всего, и обычно зря. Когда клиентов в базе мало, соблазн загрузить всё подряд ради достижения порога понятен, но результат предсказуем: чем разнороднее сид, тем ближе портрет к среднему пользователю платформы. В этом состоянии похожая аудитория превращается в дорогой способ купить широкий охват — то же самое можно получить дешевле, просто расширив таргетинг руками.
Третья строка про спрос, привязанный к событию: переезд, свадьба, поломка техники. Похожесть по поведению не предсказывает событие, она находит людей, чьё прошлое поведение напоминает прошлое поведение ваших клиентов. Человек, идеально похожий на вашего покупателя, но у которого ничего не сломалось, не купит.
Как проверить, что канал что-то добавил
Отчёт платформы покажет заявки и стоимость, но не ответит на вопрос, случились бы эти сделки без похожей аудитории. Часть людей в ней уже знала о вас или дошла бы через поиск — и по модели атрибуции канал заберёт себе то, что заработали другие.
Проверяемый способ один: отложить контрольную группу. Часть географии или часть аудитории выводится из показов, дальше сравнивается результат по двум частям. Требования к такому эксперименту обычные — сопоставимые по объёму половины, достаточный срок, никаких других изменений в это же время. Если разница между половинами меньше их естественного разброса, канал не добавил ничего измеримого при текущих настройках.
Более дешёвая проверка без эксперимента — сравнить похожую аудиторию не с нулём, а с широким таргетингом на тот же бюджет. Механизм имеет смысл ровно настолько, насколько он обыгрывает простую альтернативу. Если стоимость заявки совпадает, вы платите за сложность, а не за результат, и бюджет логичнее направить в формат с понятным управлением.
Спорное место
Совет «собирайте похожую аудиторию по покупателям, а не по посетителям» я повторил дважды и не могу его нормально обосновать в общем случае.
Проблема в конфликте двух требований. Список оплативших даёт чистый сигнал, но почти всегда мал; список посетителей велик, но грязен. Где проходит точка обмена — сколько чистоты стоит отдать за объём — зависит от того, насколько разнородна база, и этого числа нет ни у меня, ни в документации платформ. Утверждение «тысяча покупателей лучше десяти тысяч посетителей» звучит убедительно и проверяется только тестом на конкретном проекте, где обе версии крутятся параллельно достаточно долго.
Второе неудобное соображение касается самой идеи похожести. Она предполагает, что будущие клиенты устроены как прошлые. Для устоявшегося ассортимента это разумно. Для растущего бизнеса — сомнительно: механизм по построению воспроизводит уже занятый сегмент и не находит соседние. Компания, которая долго масштабируется на похожих аудиториях, получает всё более точную копию своего сегодняшнего покупателя и всё меньше поводов узнать, кому ещё её товар мог бы подойти. Проверять эту гипотезу приходится другими средствами — новыми посадочными страницами под другие сценарии и прямыми экспериментами с аудиториями, которых в исходном списке нет.
Частые вопросы
Сколько человек нужно в исходном списке?
Что лучше брать за основу — посетителей сайта или покупателей?
Чем похожая аудитория отличается от таргетинга по интересам?
Почему похожая аудитория перестала работать через месяц?
Можно ли собрать похожую аудиторию по списку из CRM?
Источники
- Целевая аудитория — Wikipedia
- Recommender system — Wikipedia
- Контекстная реклама — Google
- Справка Яндекс.Директа — Яндекс