Как работеха Lookalike аудиториите преди

Преди iOS 14.5, Lookalike аудиториите във Facebook бяха един от най-мощните инструменти за таргетиране, с които разполагаха дигиталните маркетолози. Принципът беше елементарен: качвате базова аудитория от най-добрите си клиенти или тези с най-висока стойност, а алгоритъмът на Meta анализира стотици сигнали, за да намери нови хора със сходни характеристики, поведения и интереси.

Пикселът проследяваше всяко движение – от разглеждане на страници до приключване на покупка. Всички тези действия се връщаха към системата, изграждайки изчерпателни профили за по-точно моделиране на аудитории. Маркетолозите спокойно мащабираха кампании с 1%, 2% или 5% Lookalike аудитории, уверени, че алгоритъмът има пълен достъп до потребителските данни в мрежата.

Подобни аудитории в Google Ads действаха на същия принцип – чрез анализ на поведението при сърфиране, история на търсене и ангажираност в YouTube идентифицираха хора, напомнящи съществуващите ви клиенти.

Какви проблеми донесоха промените в поверителността

Въвеждането на iOS 14.5 през април 2021 напълно промени тази картина. Apple наложи App Tracking Transparency (ATT) – потребителят трябваше изрично да разреши проследяване между приложения и около 75-80% от iOS потребителите отказаха. Така Meta и останалите платформи загубиха огромна част от достъпните сигнали.

Основните ефекти бяха:

• Данните за конверсиите станаха непълни и закъснели – Meta получаваше агрегирана или моделирана информация за много iOS потребители
• Размерът на базовите аудитории намаля, тъй като по-малко действия могат да се свържат с конкретни хора
• Моделирането на Lookalike аудитории стана по-неточно поради липсата на достатъчно входни данни
• Прозорците за атрибуция се съкратиха, затруднявайки проследяването на целия потребителски път

Успоредно с това, спирането на third-party cookie-та в браузърите допълнително разклати данъчната основа на традиционните Lookalike механизми. Google официално прекрати Similar Audiences през май 2023, признавайки, че новите правила за поверителност правят този тип таргетиране неустойчиво.

Състоянието на Meta днес

Lookalike аудиториите в Meta все още съществуват, но ефективността им е съвсем различна. През 2026 Lookalike аудитории, изградени чрез пиксел и поведение на сайта, дават далеч по-слаби резултати сравнено с периода преди iOS 14. Много рекламодатели съобщават, че класическите Lookalike стратегии вече надминават само незначително по-широкото (broad) таргетиране.

Meta реагира като изведе на преден план Advantage+ аудиториите – инструмент, който позволява на алгоритъма автоматично да разширява достъпа отвъд избраните аудитории при наличие на по-добри възможности. Това е преход от строго таргетиране към машинно самообучение и оптимизация.

Платформата вече приоритизира първичните данни – вашите собствени имейл листи, клиентски бази и събития, споделени чрез Conversions API (CAPI). Използването на Meta automation инструменти позволява по-лесно управление на този по-сложен процес без да се прекъсва потока от данни.

Състоянието в Google

Google Ads вече не предлага Similar Audiences като самостоятелна опция. Сега автоматичната експанзия на аудитории е интегрирана в Performance Max и Demand Gen кампаниите, а машинното обучение се грижи за разширяването.

Customer Match е основният начин да използвате собствените си данни в Google. Качвате хеширани списъци с имейли, телефони или адреси, и Google съчетава тези данни със свои потребители в Search, YouTube, Gmail и Display. За оптимални резултати в Performance Max кампаниите винаги съобразявайте избора на сигнал с структурата на PMax – това осигурява синергия между сигналите и конкретните активи.

Оптимизираното таргетиране в Demand Gen кампаниите всъщност отговаря на това, което традиционните Lookalike аудитории предоставяха – започвате от вашите сигнали, а платформата открива и нови потенциални клиенти.

Кои сигнали все още работят

Не всички сигнали за таргетиране са еднакво засегнати. През 2026 някои входни данни запазват своята ефективност и често надминават традиционните Lookalike техники:

• Списъци с имейли на клиенти с история на покупки – най-качественият first-party data, съвпада с най-голяма надеждност
• Сегменти от най-ценните клиенти – Lookalike аудитории, създадени на база топ 10-20% по жизнена стойност (LTV), дават по-добри резултати от общите купувачи
• Данни от CRM със скоринг по скорошност – последните 30-90 дни формират далеч по-силен seed от исторически клиенти
• Активни абонати – отваряния и кликове по имейли засилват алгоритмите при моделиране на нови аудитории
• Списъци според категория продукти – разделяйки базовата аудитория по продуктови линии получавате значително по-релевантни Lookalike модели за отделните бизнес направления

Съвет: При изграждане на Customer Match списъци задължително използвайте няколко идентификатора за един и същ клиент (имейл, телефон, адрес). Вероятността за успешен match е значително по-висока.

Алтернативи на традиционните Lookalike аудитории

Няколко работещи стратегии се наложиха на мястото на класическите Lookalike подходи:

Advantage+ аудитории в Meta

Тук алгоритъмът на Meta търси конвертиращи потребители без строги ограничения. Ако заложите на работещо креативно и оптимизация на самата конверсия, резултатите често надминават старите Lookalike варианти.

Broad таргетинг с креативни вариации

Все повече рекламодатели залагат на широк таргетинг и разнообразни визии вместо тесни сегменти. Креативните варианти сами приобщават различни типове аудитории.

Interest stacking

Слоят се няколко релевантни интереса едновременно, за да се създадат псевдо-Lookalike аудитории на база декларирано поведение.

Разширяване на ретаргетинга

Започвате с ангажирани посетители на сайта, после позволявате на алгоритъма да разшири аудиторията към сходни профили, но под контролиран параметри.

Динамични продуктови реклами към широки аудитории

Чрез feed management предоставяте персонализирани продуктови реклами на широка аудитория – алгоритъмът и продуктовият каталог сами съчетават