Look-alike аудитории — метод поиска новых потенциальных клиентов, которые по своим характеристикам и поведению похожи на лучших существующих клиентов компании.
Look-alike аудитории (похожие аудитории, аудитории-двойники) — это технология машинного обучения, которая позволяет находить пользователей, максимально похожих на заданную «эталонную» группу клиентов. Маркетолог указывает сегмент лучших клиентов (например, покупатели с LTV > 50 000 рублей), а алгоритм анализирует их общие характеристики и находит в базе или рекламных сетях пользователей с аналогичным профилем.
Технология основана на концепции векторного представления (embeddings). Каждый клиент описывается набором признаков: демографические данные, поведение на сайте, история покупок, каналы коммуникации, RFM-показатели. Эти признаки преобразуются в числовой вектор в многомерном пространстве. Клиенты с похожими характеристиками оказываются «рядом» в этом пространстве, и их можно найти через вычисление косинусной близости (cosine similarity) между векторами.
Look-alike аудитории широко используются в двух контекстах. Первый — рекламные платформы (Facebook Lookalike, Google Similar Audiences, Яндекс look-alike): вы загружаете список лучших клиентов, а платформа находит среди своих пользователей похожих людей для показа рекламы. Второй — внутренняя CRM/CDP: алгоритм находит «спящих» пользователей в вашей собственной базе, которые похожи на лучших клиентов, но ещё не совершили целевое действие. Второй сценарий особенно ценен, потому что вы работаете с уже известными контактами и можете обратиться к ним напрямую.
Look-alike аудитории решают одну из главных задач маркетинга — масштабирование успеха. Когда компания знает, кто её лучшие клиенты, встаёт вопрос: где найти ещё таких же? Ручной анализ и экспертные гипотезы работают до определённого масштаба, но машинное обучение находит неочевидные паттерны, которые человек не замечает.
По данным Facebook, кампании с look-alike аудиториями снижают стоимость привлечения клиента (CPA) на 20–50% по сравнению с таргетингом по интересам. Конверсия таких кампаний в 2–3 раза выше, а LTV привлечённых клиентов ближе к LTV эталонной группы.
Для CRM-маркетинга look-alike внутри базы приносит не менее впечатляющие результаты. Вместо массовой рассылки по всей базе компания отправляет оффер только тем, кто действительно похож на целевых покупателей. Это увеличивает конверсию рассылки в 3–5 раз, снижает расход бюджета на SMS и платные каналы, и уменьшает риск отписок от нерелевантных предложений.
Дополнительное преимущество — ускорение тестирования. Вместо того чтобы запускать кампанию на всю базу и ждать статистически значимых результатов, можно начать с look-alike-сегмента высокоценных клиентов, проверить гипотезу и затем масштабировать.
Построение look-alike аудитории проходит несколько этапов. На первом этапе формируется seed-аудитория (эталонная группа). Это могут быть клиенты с наибольшим LTV, покупатели определённой категории, активные подписчики — любой сегмент, успех которого вы хотите масштабировать. Чем больше seed-аудитория (минимум 100–500 человек) и чем она однороднее, тем точнее результат.
На втором этапе алгоритм извлекает признаки (features) для каждого клиента из seed-аудитории. Типичные признаки включают: демографию (город, возраст), поведение (количество визитов, глубина просмотра), транзакции (средний чек, частота покупок, давность), коммуникации (Open Rate, CTR по email), RFM-показатели, lifecycle-стадию, AI-скоринг.
На третьем этапе строятся эмбеддинги — числовые представления каждого клиента. Современные подходы используют нейросетевые модели (text-embedding-3-small от OpenAI) для преобразования текстового описания клиента в вектор фиксированной размерности. Альтернативный подход — классические ML-признаки, нормализованные в единый вектор.
На четвёртом этапе вычисляется близость каждого клиента из общей базы к центроиду seed-аудитории. Чем выше cosine similarity, тем больше клиент похож на эталонную группу. Результат — ранжированный список клиентов с оценкой похожести, из которого маркетолог может выбрать топ-N для кампании.
Онлайн-магазин косметики. Компания создала seed-аудиторию из 500 клиентов с LTV > 30 000 рублей за год. Алгоритм нашёл 3 000 похожих пользователей в базе, которые совершили только 1–2 покупки. Этому сегменту отправили персональное предложение с рекомендациями на основе предпочтений эталонной группы. Конверсия составила 12% (против 3% для обычной рассылки), а средний чек — 4 200 рублей (против 2 800 для массовой кампании).
Финтех-приложение. Seed-аудитория: 200 пользователей, которые подключили премиум-подписку в первые 7 дней после регистрации. Look-alike нашёл 1 500 похожих пользователей среди тех, кто зарегистрировался, но не подключил премиум. Им отправили серию из 3 push-уведомлений с персонализированными преимуществами премиума. Конверсия в подписку составила 8% — в 4 раза выше, чем при массовой рассылке по всем незаконвертированным.
B2B SaaS. Компания проанализировала 100 своих лучших корпоративных клиентов и нашла 400 «двойников» среди пробных аккаунтов. Отдел продаж сфокусировался на этих 400 аккаунтах, что сократило цикл продажи на 30% и увеличило конверсию из trial в оплату с 5% до 14%.
Trigly реализует look-alike аудитории через EmbeddingsService, который использует модель text-embedding-3-small от OpenAI. Сервис преобразует профиль каждого клиента (45+ полей CDP, включая RFM-показатели, AI-скоринг, lifecycle-стадию, историю покупок) в семантический вектор фиксированной размерности.
Метод semantic_search позволяет найти клиентов по текстовому описанию — например, «активные покупатели электроники из Москвы с высоким средним чеком». Метод lookalike строит look-alike аудиторию на основе seed-сегмента: принимает группу клиентов, вычисляет центроид их эмбеддингов и ранжирует всю базу по cosine similarity.
Результаты можно сразу использовать для создания сегмента в CDP через SegmentService и запуска кампании по всем 6 каналам (Email, SMS, Telegram, WhatsApp, Push, Unisender). AISegmentationService дополняет look-alike кластеризацией K-Means по RFM-признакам с автоматическим подбором оптимального количества кластеров (silhouette score, 4–8 кластеров) и LLM-наименованием.
ChurnPredictor и LTVPredictor (GradientBoosting на 12 признаках) могут использоваться для дополнительного скоринга look-alike аудитории: отфильтровать пользователей с высоким риском оттока или выделить тех, чей прогнозируемый LTV максимален.
Look-alike в рекламных платформах (Facebook, Яндекс) ищет похожих пользователей среди всех пользователей платформы — то есть среди людей, которые вас ещё не знают. Look-alike в CDP ищет среди вашей собственной базы контактов. Оба подхода дополняют друг друга: CDP-lookalike помогает лучше конвертировать существующих подписчиков, а рекламный lookalike привлекает новых.
Для качественных результатов рекомендуется не менее 100 клиентов в seed-аудитории. Чем больше — тем лучше, но важнее однородность группы. 100 лучших клиентов по LTV дадут лучший результат, чем 1000 «разных хороших клиентов». В Trigly seed-аудиторию можно формировать через любые фильтры CDP: по сумме покупок, RFM-сегменту, lifecycle-стадии, тегам или динамическим правилам сегмента.
Рекомендуется пересчитывать look-alike каждые 2–4 недели, так как профили клиентов меняются: одни совершают покупки, другие становятся неактивными. В Trigly автоматические задачи recalculate_rfm (ежедневно) и recalculate_ai_scores обновляют ключевые признаки, что позволяет получать актуальные результаты при каждом запросе к EmbeddingsService.
AI-платформа автоматизации маркетинга с лучшими инструментами