Рано или поздно ретаргетинг упирается в потолок: тёплая аудитория тех, кто уже был на сайте, конечна, и охватить новых покупателей за её счёт не выходит. Хочется расширить рекламу на свежих людей, но не сливать бюджет в холодный трафик наугад. Именно эту задачу решают look-alike аудитории — они приводят новых пользователей, похожих на ваших лучших клиентов.
Эта статья — о том, как правильно использовать look-alike для интернет-магазина на 1С-Битрикс: какие исходные сегменты брать, почему их качество важнее всего, как данные из 1С делают похожие аудитории точнее и как измерять эффект. Инфраструктуру для выгрузки сегментов и событий мы настраиваем в рамках автоматизации на 1С.
Коротко
- Look-alike находит новых людей, похожих на ваших клиентов, — способ масштабировать охват без потери качества.
- Качество похожей аудитории целиком зависит от качества исходного сегмента: берите покупателей, а не всех подряд.
- Данные из 1С о заказах и повторных покупках делают исходный сегмент точнее, чем поведение на сайте.
- Look-alike работает в связке с ретаргетингом и оценивается по CPO и окупаемости, а не по охвату.
Что такое look-alike и зачем он магазину
Look-alike (похожая аудитория) — это механика, в которой рекламная система находит новых пользователей, статистически похожих на заданный вами сегмент. Вы говорите: «Вот мои покупатели», а система отвечает: «Вот ещё люди, которые на них похожи». Так вы обращаетесь не к случайной толпе, а к тем, кто с большой вероятностью тоже станет клиентом.
Для магазина ценность в масштабировании без потери качества. Ретаргетинг ограничен теми, кто уже приходил; интересы дают охват, но грубо. Look-alike занимает золотую середину: свежий трафик новых людей, но отобранный по сходству с вашими реальными покупателями. Это делает его одним из главных инструментов роста после того, как ретаргетинг исчерпан.
Как это работает под капотом
Механика проще, чем кажется. Рекламная платформа анализирует ваш исходный сегмент — его поведенческие и иные признаки — и строит статистический профиль. Затем среди своей огромной базы пользователей ищет тех, кто максимально близок к этому профилю.
Вы обычно управляете шириной: узкий look-alike (самые похожие) точнее, но меньше по объёму; широкий охватывает больше людей, но менее точен. Система не раскрывает конкретные признаки — она работает как чёрный ящик, которому важно качество и объём входного сегмента. Поэтому вся ваша работа сводится не к настройке алгоритма, а к подготовке хорошего исходного сегмента.
Качество исходного сегмента решает всё
Главный принцип look-alike: похожая аудитория настолько хороша, насколько хорош исходный сегмент. Мусор на входе — мусор на выходе. Если вы дадите системе всех подряд посетителей, она найдёт похожих на всех подряд, и толку будет мало.
Это переворачивает привычную логику: важнее не то, как настроен look-alike, а кого вы в него заложили. Час, потраченный на сборку качественного сегмента покупателей, окупается больше, чем любые манипуляции с шириной аудитории.
Какие сегменты брать за основу
Разные исходные сегменты дают разное качество похожей аудитории.
| Исходный сегмент | Качество look-alike | Когда использовать |
|---|---|---|
| Повторные покупатели | Высокое | Основной сегмент для роста |
| Крупные заказы | Высокое | Поиск платёжеспособных |
| Все покупатели | Хорошее | Когда ценных пока мало |
| Добавившие в корзину | Среднее | Расширение при малой базе |
| Все посетители сайта | Низкое | Не рекомендуется |
Оптимальная стратегия — начинать с самого ценного узкого сегмента (повторные покупатели, крупные чеки) и расширяться, только если объёма не хватает. Сегмент «все посетители» стоит избегать: он размывает профиль и приводит случайных людей.
Роль данных из 1С
Здесь у магазина на 1С-Битрикс есть большое преимущество, которое часто недооценивают. В 1С ведётся полная история заказов: кто покупал, что именно, на какую сумму, как часто. Это гораздо более ценные данные для сегментации, чем поведение на сайте.
Из истории заказов в 1С можно выгружать точные сегменты: клиенты с высоким средним чеком, покупающие повторно, активные в определённой категории. Такой сегмент, загруженный как исходный для look-alike, даёт похожую аудиторию, отобранную по реальным покупкам, а не по намерениям. Поведение на сайте говорит «интересовался», а данные 1С — «реально купил», и это принципиальная разница в качестве. Настройку таких выгрузок мы закрываем услугой автоматизации продаж и склада на 1С.
События и корректность данных
Чтобы строить сегменты и потом измерять эффект, нужны корректные данные о действиях пользователей. На стороне сайта это события электронной торговли, на стороне учёта — история заказов из 1С.
- События покупки. Факт заказа с суммой должен долетать до рекламной системы для оценки и обучения.
- Сопоставление клиентов. Контакты покупателей из 1С загружаются как исходный сегмент.
- Чистота данных. Дубли и мусор в базе искажают профиль похожей аудитории.
- Актуальность. Сегмент отражает недавних покупателей, а не архив трёхлетней давности.
Без корректных событий и чистой базы даже правильно задуманный look-alike работает вслепую. Проверка того, что данные о заказах и событиях собираются верно, — обязательный первый шаг; при построении интеграций такого рода полезно продумать надёжный обмен данными, о подходах к которому мы писали в материале про REST, вебхуки и безопасность в 1С-Битрикс.
Look-alike в связке с ретаргетингом
Look-alike не заменяет ретаргетинг — они решают разные задачи и усиливают друг друга. Правильно строить из них единую воронку:
- Look-alike приводит новых. Похожие на ваших клиентов люди впервые узнают о магазине.
- Часть переходит на сайт. Заинтересованные попадают в аудиторию посетителей.
- Ретаргетинг добирает тёплых. Тех, кто смотрел товары и не купил, возвращают динамическими объявлениями.
- Покупатели пополняют сегмент. Новые клиенты усиливают исходный сегмент для следующего look-alike.
Так образуется рабочий цикл: look-alike расширяет верх воронки качественным трафиком, ретаргетинг конвертирует тёплых, а покупатели питают следующую итерацию похожих аудиторий. По отдельности оба инструмента слабее, чем в связке.
Размер аудитории и охват
Балансировать приходится между точностью и объёмом. Рекламной системе нужен минимальный размер исходного сегмента — обычно от сотен до тысяч контактов, чтобы найти закономерности. Слишком маленький сегмент не даёт на чём учиться, и похожая аудитория получается случайной.
С шириной похожей аудитории та же логика: узкий look-alike точнее, но ограничен по охвату; широкий охватывает больше людей ценой точности. Разумно начинать узко, с самых похожих, оценить стоимость заказа и расширяться постепенно, следя за тем, чтобы окупаемость не падала. Если ценных клиентов пока мало для минимального сегмента, временно берут более широкое качественное действие и наращивают базу.
Метрики и оценка эффекта
Look-alike оценивается не по охвату, а по деньгам — теми же сквозными метриками, что и любая реклама:
- CPO — стоимость заказа. Во сколько обходится заказ из похожей аудитории.
- ROAS — окупаемость. Сколько выручки принёс рубль, вложенный в look-alike.
- Сравнение с холодными. Даёт ли look-alike заказы дешевле широких интересов.
- Качество трафика. Конверсия и вовлечённость похожей аудитории против случайной.
Ключевой тест — сравнение look-alike с холодными широкими аудиториями: если похожая аудитория стабильно даёт заказы дешевле и с лучшей окупаемостью, она оправдана. Для корректного замера события покупки с суммой обязаны долетать до рекламной системы.
Автообновление сегментов
Исходный сегмент — не статичная база, собранная однажды. Клиенты приходят и уходят, и профиль лучших покупателей меняется. Статичная аудитория годичной давности постепенно теряет актуальность и тянет качество look-alike вниз.
Решение — автоматическое обновление сегмента свежими данными о покупателях из 1С. Актуальный сегмент выгружается по расписанию и передаётся в рекламный кабинет, так что похожая аудитория всегда строится на недавних клиентах. Это удобно реализуется через агенты и выгрузки на стороне сайта, а надёжные потоки данных из 1С мы настраиваем в рамках аудита и оптимизации 1С.
Частые ошибки
- Look-alike на всех посетителях. Размытый исходный сегмент даёт случайную похожую аудиторию.
- Игнор данных 1С. Сегмент строят по поведению на сайте, упуская реальную историю покупок.
- Слишком малый сегмент. Системе не на чем учиться, профиль получается случайным.
- Статичная база. Сегмент не обновляют, он устаревает и теряет качество.
- Оценка по охвату. Смотрят на показы, а не на стоимость заказа и окупаемость.
- Look-alike вместо ретаргетинга. Не строят связку, теряя эффект от взаимного усиления.
- Грязная база контактов. Дубли и мусор искажают профиль похожей аудитории.
Чек-лист запуска
- Собран чистый сегмент. В основе — покупатели из 1С, лучше повторные или с высоким чеком.
- Данные корректны. События покупок настроены, база без дублей и мусора.
- Достаточный объём. Исходный сегмент дотягивает до минимального размера платформы.
- Запущено с ретаргетингом. Look-alike работает в связке, а не вместо него.
- Начали узко. Стартовали с самых похожих и расширяются постепенно.
- Метрики заданы. Считаются CPO и окупаемость, есть сравнение с холодными.
- Автообновление настроено. Сегмент обновляется свежими покупателями из 1С по расписанию.
- Контур замкнут. Новые клиенты питают следующий исходный сегмент.
Вывод
Look-alike аудитории — это способ масштабировать рекламу магазина, не скатываясь в холодный трафик наугад. Они приводят новых людей, похожих на ваших лучших клиентов, и занимают золотую середину между ограниченным ретаргетингом и грубыми интересами. Но весь их эффект держится на одном: качестве исходного сегмента.
Здесь у магазина на 1С-Битрикс серьёзное преимущество — история заказов в 1С позволяет собирать сегменты по реальным покупкам, а не по намерениям. Берите в основу повторных покупателей и крупные чеки, обновляйте сегмент свежими данными, стройте связку с ретаргетингом и оценивайте всё по стоимости заказа и окупаемости. Тогда look-alike станет управляемым каналом качественного роста, а не ещё одной строкой рекламных расходов.
