Look-alike (похожие аудитории)

Происхождение и история термина

Look-alike modeling — одно из названий задачи audience expansion, то есть расширения аудитории. В научной работе 2021 года подходы к этой задаче разделены на три семейства: правила по заданным признакам, заранее выбранные функции сходства и прогнозные модели. Авторы также описали двухэтапную систему WeChat: общая модель училась на прежних кампаниях, затем настраивалась под новую кампанию и её исходную группу. ^[6] Эта публикация показывает один этап развития метода, но не устанавливает единственного автора термина или дату его появления.

Значение настройки меняется вместе с продуктом. В течение 2026 года Google поэтапно переводит похожие сегменты, подключённые к кампаниям Demand Gen, из режима порогового ограничения в режим рекомендации для алгоритма. Это изменение не распространяется автоматически на другие типы кампаний Google, Display & Video 360 или другие рекламные платформы. ^[2]

Суть и механизм

Сначала рекламодатель задаёт исходную группу. Посетители статьи, отправители формы и покупатели подписки представляют разные действия, хотя один человек может попасть сразу в несколько групп. Состав группы влияет на то, какие примеры получает модель. Поэтому практическая рекомендация — выбирать исходное событие, связанное с целью кампании.

Затем платформа сопоставляет исходную группу с доступными ей пользователями. Конкретные признаки и алгоритмы различаются. Яндекс сообщает о сходстве интересов и поведения в интернете, TikTok — об анализе атрибутов созданной пользовательской аудитории. ^{[1] [4]} В исследованной системе WeChat модель оценивала кандидатов относительно конкретной кампании и отбирала пользователей с наиболее высокими оценками. Это пример одной архитектуры, а не описание закрытых алгоритмов рекламных платформ. ^[6]

На последнем шаге результат используется для показа рекламы. Здесь особенно важно различать сегмент и сигнал. В новом режиме Google Demand Gen исходная группа и выбранный уровень охвата помогают алгоритму расставлять приоритеты, но не образуют жёсткую границу: система может показать рекламу пользователям за пределами выбранного порога сходства. Если рекламодатель отказался от обновления, прежний режим с ограничениями сохраняется для соответствующей группы объявлений. ^[2]

Виды и различия платформ

Термины интерфейса нельзя переносить из одной системы в другую. Таблица отражает только правила, прямо описанные в прочитанных официальных справках.

LinkedIn Predictive Audiences — смежный продукт с собственным названием, а не универсальный синоним look-alike. LinkedIn прогнозирует аудиторию, участники которой могут совершать действия, похожие на действия пользователей в исходных данных. ^[3]

Как применяется на практике

Учебный пример: российское медиа продвигает платную профессиональную подписку. Команда выбирает исходную группу оплативших подписку за согласованный период, удаляет ошибки и дубли, затем создаёт похожую аудиторию. Группа всех посетителей сайта была бы шире, но описывала бы другое действие пользователя.

В Яндекс Аудиториях похожий сегмент можно создать только из собственного сегмента со статусом «Готов»; его участники будут исключены из нового сегмента. ^[4] В Google Demand Gen сначала проверяют, работает ли группа объявлений в режиме рекомендации или в прежнем режиме ограничений. В TikTok и LinkedIn сверяют допустимый источник, настройку размера и исключения по актуальной справке продукта. ^{[1] [2] [3]}

Для сравнения кампаний полезно заранее зафиксировать цель, период, географию, предложение, бюджет и признак качественного обращения. Если одновременно изменить исходную группу, объявление и посадочную страницу, разницу результата нельзя уверенно объяснить только подбором аудитории.

Как измерить или проверить

Метрику выбирают по цели. В учебном примере расходы составили 20 000 рублей, кампания получила 100 обращений, из которых 20 прошли заранее установленную квалификацию.

Доля квалифицированных обращений равна $20 / 100 = 20\%$. Цена обращения показывает затраты на любой полученный контакт, а цена квалифицированного обращения — на контакт, который прошёл заданный фильтр. Для корректного сравнения двух кампаний одинаково определяют обращение, квалификацию, период и состав затрат. Эти числа иллюстрируют расчёт и не являются рыночной нормой.

Также фиксируют версию исходной группы и режим платформы. В режиме сигнала Google Demand Gen результат кампании нельзя приписать показам только внутри выбранного порога похожести. ^[2]

Ошибки, ограничения и спорные вопросы

Первая ошибка — принимать сходство за намерение купить. Модель переносит найденные закономерности на кандидатов, но не доказывает мотив конкретного человека. Авторы исследования WeChat отдельно описывают риск переобучения модели при ограниченном числе исходных пользователей. Этот вывод относится к изученной архитектуре и не задаёт универсальный минимум для платформ. ^[6]

Вторая ошибка — считать ползунок размера одинаковым ограничителем везде. TikTok и Яндекс связывают более точный подбор с меньшим сегментом, но в новом режиме Google Demand Gen выбранный уровень лишь направляет алгоритм. Поэтому Narrow в Google не гарантирует меньший фактический охват. ^{[1] [2] [4]}

Третья ошибка — менять исходную группу без записи версии. Если вчера в неё входили покупатели, а сегодня добавлены все отправители формы, изменилось условие подбора. Это изменение нужно учитывать при оценке результатов.

Правовой аспект

Если исходная группа содержит персональные данные, для российского сценария определяют роли участников и правовое основание обработки. Статья 6 Федерального закона № 152-ФЗ перечисляет основания обработки; наличие клиентского файла само по себе не доказывает допустимость новой рекламной цели или передачи данных. Если оператор поручает обработку другому лицу, часть 3 статьи 6 требует согласия субъекта, если федеральный закон не устанавливает иное, а также закрепления в поручении перечней данных и операций, целей, конфиденциальности и мер защиты. ^[5]

Отдельно проверяют трансграничную передачу и местонахождение баз данных. Статья 12 требует до начала такой передачи направить Роскомнадзору отдельное уведомление. ^[5] Действующая на 24.10.2026 редакция статьи 12 учитывает изменения Федерального закона от 26.07.2026 № 265-ФЗ, вступившие в силу со дня официального опубликования. ^[7] Часть 5 статьи 18 ограничивает использование находящихся за пределами России баз данных при сборе персональных данных граждан РФ, в том числе через интернет, и содержит исключения. ^[5]

Применимость норм зависит от состава данных, цели, ролей сторон, маршрута передачи, договора и исключений. Этот раздел даёт общую справку; до публикации требуется проверка юристом.

Частые вопросы

Связанные термины

• retargeting
• segmentatsiya-auditorii
• tselevaya-auditoriya
• cpa
• konversiya