Look-alike аудитория 1% по покупателям показывает CPA в 2 раза выше прогноза уже вторую неделю. Какие причины проверить и как улучшить качество lookalike?

Короткий ответ

Сначала нужно проверить качество и размер seed-аудитории (сколько реальных покупателей, а не всех посетителей, попало в список, и насколько они однородны по ценности), затем — не находится ли сам ad set ещё в фазе обучения, и только потом пересматривать проценты similarity или объединять источники для лучшего сигнала.

Как это работает подробнее

Качество look-alike прямо зависит от качества seed: если в исходный список попали случайные посетители или разовые промо-покупатели наряду с постоянными клиентами, алгоритм обучается на смешанном и менее информативном сигнале, что снижает точность похожей аудитории.

Что использовать на практике

• На практике. Полезно пересобрать seed только из покупателей с высокой ценностью за репрезентативный период (например, 90-180 дней), проверить его размер (не менее нескольких сотен-тысяч), сравнить результат look-alike 1% против более широкого 3-5% для понимания, не является ли аудитория 1% слишком узкой и уже частично исчерпанной.
• Пример. Текущий seed — все посетители страницы оплаты (включая неудачные попытки), 1200 человек. Пересборка seed только из подтверждённых покупок за 90 дней даёт более однородный список; после пересоздания look-alike 1% CPA сравнивают за те же 14 дней с контрольной аудиторией.

Подводные камни

• Частая ошибка. Частая ошибка — сразу увеличивать процент similarity (например, с 1% до 10%) в расчёте на больший охват, хотя проблема может быть в качестве самого seed, и расширение только ухудшит точность ещё больше.