📁 Аудитории и ретаргетинг

Короткий ответ Ретаргетинговая аудитория состоит из людей, которые уже взаимодействовали с брендом (посетители сайта, подписчики, покупатели), тогда как аудитория проспектинга — это новые пользователи, ранее не контактировавшие с брендом. Как это работает подробнее Ретаргетинг строится на основе событий пикселя, списков CRM или вовлечённости в соцсетях и «догоняет» тех, кто уже показал интерес. Проспектинг использует широкий или интерес-таргетинг/look-alike, чтобы находить новых людей, похожих на целевую аудиторию. Что использовать на практике На практике. Ретаргетинг обычно даёт более высокий CTR и конверсию при меньшем объёме аудитории, а проспектинг — основной источник роста базы клиентов, но с более высокой стоимостью результата на старте. Пример. Ad set «Retargeting — посетители сайта за 14 дней» против ad set «Prospecting — широкий таргетинг 25-45 лет». Проверка: сравнить CPA каждого ad set отдельно, а не кампанию в целом. Подводные камни Частая ошибка. Частая ошибка — оценивать проспектинговую кампанию

Читать полностьюad-platforms

Короткий ответ Look-alike аудитория — это новые пользователи, которых алгоритм платформы находит по схожести с аудиторией-источником (seed), например с покупателями или посетителями сайта. Как это работает подробнее Платформа анализирует характеристики и поведение людей в исходном списке (seed-аудитории) и ищет похожих пользователей среди всех пользователей платформы в выбранном регионе. Что использовать на практике На практике. Качество look-alike сильно зависит от качества и размера seed-аудитории: чем точнее seed отражает ценных клиентов (а не случайных посетителей), тем выше качество результата. Пример. Seed-аудитория: список из 5000 покупателей за последние 90 дней. На основе него создаётся Look-alike 1% в стране размещения. Проверка: сравнить CPA такой аудитории с CPA широкого таргетинга за тот же период. Подводные камни Частая ошибка. Частая ошибка — строить look-alike на слишком маленьком или нерелевантном seed (например, на всех посетителях сайта вместо покупателей), получая низкое качество аудитории

Читать полностьюad-platforms

Короткий ответ Нужно сопоставить уровень пересечения с динамикой CPM обоих сетов за один период: если CPM растёт у обоих при высоком overlap, они конкурируют друг с другом в одном аукционе, и решением обычно является объединение сетов в один или явное разграничение через взаимные исключения. Как это работает подробнее При высоком пересечении аудиторий система показывает рекламу одному и тому же пользователю от имени двух разных ad set'ов одного рекламодателя, которые формально конкурируют между собой в аукционе платформы, что может завышать эффективную цену показа без прироста уникального охвата. Что использовать на практике На практике. После подтверждения проблемы через инструмент Audience Overlap сравнивают суммарный результат объединённого сета (при объединении через CBO или единый ad set) с суммой раздельных результатов за сопоставимый период, чтобы оценить реальный выигрыш от устранения внутренней конкуренции. Пример. Overlap 65% между «Посетители сайта 7 дней» и «Вовлечённость в Instagram 14 дней», оба

Читать полностьюad-platforms

Короткий ответ Единого рецепта нет: ответ зависит от того, какая доля ценности бизнеса раньше опиралась именно на точный пиксельный таргетинг, и требует взвешивания между инвестициями в собственные данные (first-party data, CRM, серверное отслеживание) и принятием более широкого, менее точного таргетинга с опорой на креатив и предложение, а не только на точность аудитории. Как это работает подробнее Ограничения ATT и отказ от сторонних cookie уменьшают долю пользователей, чьи действия можно точно атрибутировать и использовать как seed для look-alike, из-за чего платформы всё больше полагаются на агрегированные/смоделированные сигналы и контекстные данные, а точность узких сегментов аудитории системно снижается для всей отрасли, а не только для одной компании. Что использовать на практике На практике. Практический путь — усиление сбора first-party данных (CRM, email, программы лояльности), внедрение серверного отслеживания (CAPI/S2S) для повышения качества сигналов, которые компания напрямую контролирует, и по

Читать полностьюad-platforms

Короткий ответ Помимо покупки можно использовать такие события, как посещение определённой страницы, добавление товара в корзину, начало оформления заказа, просмотр видео, подписка на рассылку или взаимодействие с публикацией/профилем в соцсети. Как это работает подробнее Каждое событие фиксируется пикселем сайта, SDK приложения или самой платформой (для вовлечённости в соцсетях) и позволяет построить сегмент аудитории по глубине взаимодействия с брендом, а не только по факту покупки. Что использовать на практике На практике. Разные события соответствуют разным этапам воронки: просмотр страницы товара — верх воронки ретаргетинга, начатое оформление заказа — почти готовая к покупке аудитория; для каждого этапа логично подбирать своё предложение в объявлении. Пример. Аудитория «Начали оформление заказа, но не завершили покупку за 7 дней» получает отдельное объявление с напоминанием о корзине. Проверка: сегмент строится на событии InitiateCheckout без последующего Purchase. Подводные камни Частая ошибка. Частая

Читать полностьюad-platforms

Короткий ответ Смешанный список размывает сигнал: алгоритм учится находить людей, похожих на усреднённого клиента (включая низкоценных разовых покупателей по акции), а не на наиболее ценных постоянных клиентов, что снижает долгосрочную рентабельность трафика, привлечённого через такую look-alike аудиторию. Как это работает подробнее Look-alike строится на основе общих признаков всей seed-аудитории; если в ней много людей, купивших один раз по скидке и не вернувшихся, алгоритм может закрепить именно эти признаки как «типичные для клиента», ухудшая качество привлекаемой аудитории с точки зрения LTV, даже если краткосрочный CPA выглядит приемлемо. Что использовать на практике На практике. Решение — сегментировать seed по ценности (например, LTV, число повторных покупок, средний чек) и строить отдельные look-alike на самых ценных клиентах, при возможности исключив разовых промо-покупателей из seed или выделив их в отдельный менее приоритетный список. Пример. Seed из 10 000 покупателей, из них 6 000 — разовые поку

Читать полностьюad-platforms

Короткий ответ Окно стоит подбирать по фактическому распределению времени между первым визитом и конверсией из собственных данных (GA4/CRM), а не по дефолтному значению платформы: окно должно покрывать основную массу конверсий, но не быть настолько широким, чтобы включать массу давно остывших контактов. Как это работает подробнее В GA4 или CRM можно построить распределение интервалов «дни между первым визитом и покупкой» по историческим конверсиям; если, например, 80% покупок происходит в течение 10 дней после визита, окно в 30 дней избыточно расширяет аудиторию давно неактивными пользователями, снижая среднюю релевантность сегмента. Что использовать на практике На практике. Хорошая практика — тестировать 2-3 варианта окна параллельно (например, 7, 14, 30 дней как отдельные, не пересекающиеся через исключения сегменты) и сравнивать CPA/CVR каждого, а не полагаться только на теоретическое распределение, так как поведение в самой рекламе может отличаться от органического пути. Пример. Анализ GA4: 75% конверсий

Читать полностьюad-platforms

Короткий ответ Настройка строится через загрузку/синхронизацию списка покупателей (по email/телефону в хэшированном виде) в кастомную аудиторию платформы, которая затем указывается как исключение в прочих кампаниях; при редкой или задержанной синхронизации фида свежие покупатели какое-то время продолжают видеть прежнюю рекламу, что тратит бюджет впустую. Как это работает подробнее CRM-фид периодически (например, раз в сутки или по расписанию через API) выгружает список покупателей за выбранный период в аудиторию на стороне платформы; платформа обрабатывает загрузку некоторое время (matching по хэшам), и всё это время покупка пользователя ещё не отражена в аудитории. Что использовать на практике На практике. Чем выше средний чек и частота покупок, тем важнее сократить задержку синхронизации (переходить от ручной выгрузки раз в неделю к ежедневной или near real-time через API/CAPI). Также стоит мониторить процент совпадения (match rate) хэшированных данных — он никогда не бывает 100%. Пример. Фид обновляется ра

Читать полностьюad-platforms

Короткий ответ Чем меньше исходная аудитория, тем меньше сигналов о характеристиках и поведении есть у алгоритма, из-за чего построенная по ней look-alike аудитория получается менее точной и может включать много нерелевантных пользователей. Как это работает подробнее Алгоритм ищет статистические закономерности в seed-аудитории (демография, интересы, поведение), и при малом числе людей такие закономерности менее надёжны — модель может ошибочно обобщать случайные совпадения. Что использовать на практике На практике. Платформы обычно рекомендуют минимальный размер seed от нескольких сотен до пары тысяч человек; для более надёжного результата желательно использовать аудиторию с чётким общим признаком (например, именно покупатели, а не все посетители). Пример. Seed-аудитория всего 80 человек (покупатели за неделю) — платформа может предупредить о недостаточном размере аудитории или дать нестабильный результат. Проверка: сравнить рекомендованный минимальный размер seed в документации платформы с фактическим размеро

Читать полностьюad-platforms