Клиентский список для look-alike аудитории содержит и разовых промо-покупателей, и постоянных клиентов без разделения по ценности. Как это может повлиять на качество lookalike и как это исправить?

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 покупатели по промокоду с низким LTV. Новый seed строится только из 4 000 клиентов с 2+ покупками без промокода. Проверка: сравнение LTV за 90 дней когорт, привлечённых со старой и новой look-alike.

Подводные камни

• Частая ошибка. Частая ошибка — оценивать качество такой look-alike только по CPA первой покупки, не глядя на последующий retention/LTV привлечённых клиентов, из-за чего проблема смешанного seed остаётся незамеченной долгое время.