Jak dříve fungovala podobná publika

Před zavedením iOS 14.5 patřila podobná publika na Facebooku mezi nejefektivnější cílení pro digitální inzerenty. Princip byl jednoduchý: nahráli jste vzorové publikum svých nejlepších zákazníků nebo těch s nejvyšší hodnotou konverze a algoritmus Meta analyzoval stovky signálů, podle nichž našel nové uživatele se stejnými vlastnostmi, chováním a zájmy.

Pixel monitoroval vše – každé zobrazení stránky, vložení do košíku i nákup. Tyto údaje se vracely zpět do systému a vznikaly tak podrobné behaviorální profily, které umožňovaly přesné modelování cílových skupin. Inzerenti mohli s klidem škálovat kampaně pomocí 1 %, 2 % nebo 5 % podobných publik – algoritmus měl k dispozici ucelená data uživatelů napříč internetem.

Podobná publika na Google Ads fungovala na podobných principech – využívala údaje o chování při prohlížení, historii vyhledávání či interakce na YouTube k identifikaci uživatelů podobných vašim zákazníkům.

Co změnilo ochranu soukromí

Zavedení iOS 14.5 v dubnu 2021 tento systém zásadně narušilo. Apple s App Tracking Transparency (ATT) požaduje aktivní souhlas s meziplatformním sledováním a přibližně 75–80 % uživatelů iOS v Česku i jinde tuto možnost odmítlo. To znamenalo obrovskou ztrátu dat pro Meta (Facebook) i další platformy spoléhající na data z pixelu.

Důsledky se projevily například takto:

• Konverzní data jsou neúplná a se zpožděním – pro mnoho uživatelů iOS přijímá Meta pouze modelovaná či agregovaná data
• Vzorová publika se zmenšila, protože méně uživatelů lze přesně přiřadit k určitým akcím
• Přesnost modelování podobných publik klesla kvůli sníženému objemu vstupních dat
• Zkrátila se okna přiřazení konverzí, což ztěžuje úplné sledování zákaznické cesty

Současně ukončování třetích stran cookies v prohlížečích dále narušilo základnu dat, na které klasická podobná publika stavěla. Google oficiálně ukončil \Similar Audiences\ v květnu 2023 – změny v ochraně soukromí prostě neumožňují udržet původní přístup k cílení.

Jaká je situace na Meta dnes

Funkce podobných publik na Meta sice stále existuje, ale její účinnost se výrazně změnila. V roce 2026 mají lookalike publikace postavené jen na chování návštěvníků webu většinou výkonnost daleko slabší než před zavedením iOS 14. Mnozí čeští inzerenti potvrzují, že tradiční lookalike už dnes výkonností těsně překonává jen široké cílení.

Meta na to reaguje prosazováním Advantage+ audience, kde algoritmus překračuje hranice vašich vybraných skupin, pokud objeví relevantnější příležitosti. Dochází tak k přesunu od detailně ručně řízeného cílení k optimalizaci řízené strojovým učením.

Platforma nyní klade důraz na data první strany a doporučuje nasazení Conversions API (CAPI), které pixelová data doplňuje signály ze serveru. Správné nastavení a automatizace přes Meta automation nástroje vám pomůže udržet konzistenci dat i ve složitějších podmínkách.

Jak funguje Google

Google Ads už nenabízí \Podobná publika\ jako samostatnou možnost cílení. Vše směřuje k funkcím rozšiřování publika v rámci Performance Max a Demand Gen, kde výběr a rozšiřování řeší algoritmus automaticky.

Zlatým standardem pro využití vlastní databáze zůstává Customer Match. Můžete nahrát hashované e-mailové adresy, telefonní čísla nebo poštovní adresy – Google je spáruje s přihlášenými uživateli na Search, YouTube, Gmailu i Display síti. Pro top výsledky u Performance Max kampaní doporučujeme zpracovat doporučení ke struktuře PMax a chápat, jak spolu signály a asset groupy fungují.

Optimalizované cílení v Demand Gen kampaních navazuje tam, kde končí lookalike – využijete své vlastní signály a systém pak hledá potenciální konvertující podobně jako dříve modelované lookalike.

Které signály stále fungují

Ne všechny publika utrpěly stejně. V roce 2026 existují vstupní data, která stále zásadně převyšují tradiční pixelové přístupy:

• E-mailové seznamy zákazníků s historií nákupů – deterministická, spolehlivá data pro párování v rámci platforem
• Segmenty nejhodnotnějších zákazníků – lookalike postavené na horních 10–20 % uživatelů podle hodnoty jsou výrazně přesnější, než široké segmenty všech kupujících
• CRM data s důrazem na aktuálnost – recentní nákupci (30–90 dní) vytvářejí kvalitnější vzorová publika než historické seznamy
• Aktivní odběratelé – ti, co čtou nebo klikají na vaše e-maily, vysílají jasnější signály pro modelování publik
• Kupující podle kategorií produktů – segmentace vstupních publik podle sortimentu zvyšuje relevanci lookalike pro konkrétní kampaně

Tip: Při vytváření Customer Match listů kombinujte více identifikátorů (e-mail, telefon, adresa), aby stoupla pravděpodobnost úspěšného spárování. Jeden zákazník se třemi identifikátory má vyšší šanci na propárování než tři zákazníci s jedním údajem.

Alternativy za klasické lookalike publika

V posledních letech se prosadily strategie, které nahrazují zhoršenou účinnost tradičních podobných publik:

Advantage+ publikum na Meta

Algoritmus Meta hledá konverze bez pevných hranic. Při kombinaci se silnou kreativitou a optimalizací na konverze zpravidla přináší lepší výsledky než klasická lookalike.

Široké cílení s kreativním segmentováním

Mnoho inzerentů nyní cílí široce a segmentaci řeší až na úrovni kreativ. Různorodé reklamní podoby přitáhnou různé typy uživatelů.

Stacking zájmů

Kombinace více relevantních zájmů vytváří napodobeniny lookalike skupin na základě deklarovaného chování, nikoliv modelovaných predikcí.

Rozšiřování retargetingu

Začněte návštěvníky se silnou interakcí a dovolte platformě hledat další podobné v jasně stanovených mantinelech.

Dynamické produktové reklamy pro široké publikum

Využijte feed management k personalizovaným produktovým reklamám i pro široké publikum – katalog a algoritmus cílení pracují ruku v ruce.

Data první strany jako nový základ

Nejúspěšnější inzerenti roku 2026 zcela přepracovali strategii kolem sběru vlastních zákaznických dat. Přechod vyžaduje změnu přístupu: už nestačí spolé