Ser like publikum ut

En «lookalike audience», kalt en lignende målgruppe på noen plattformer, er en målrettingsmetode der en annonseringsplattform identifiserer personer som ligner på en gruppe annonsøren leverer til. Annonsøren tilbyr en såkalt «seed audience», vanligvis en kundeliste eller et sett med personer som har utført en verdifull handling, og plattformens modell finner andre i brukerbasen som deler lignende egenskaper og atferdsmønstre.

Det tiltrekkende er at det løser det vanskeligste problemet innen oppkjøp, som er å finne folk som ennå ikke vet at en bedrift eksisterer, men som ville verdsette den. Manuell målretting er avhengig av at annonsøren gjetter hvilke demografiske opplysninger, interesser og atferd som predikerer en god kunde, og disse gjetningene er ofte feil. En modell trent på faktiske kunder kan identifisere prediktive signaler ingen markedsfører ville ha spesifisert, inkludert kombinasjoner som ikke gir intuitiv mening, men som holder empirisk.

Kvaliteten på frøene bestemmer alt om resultatet, og det er her de fleste implementeringer mislykkes. En modell som er trent på alle tidligere kjøpere, vil finne personer som ligner på gjennomsnittskunden, inkludert de med lav verdi og som raskt forlater kundene. En modell som er trent på de mest verdifulle kundene, definert av livstidsverdi, gjentatte kjøp eller margin, finner personer som ligner på disse i stedet. Forskjellen i nedstrøms ytelse mellom disse to frøene er ofte større enn forskjellen mellom to målrettingsstrategier.

Størrelsen på frøene innebærer en reell avveining. Plattformer krever vanligvis et minimum, ofte rundt tusen matchede individer, og modeller forbedres generelt med mer data opp til et visst punkt. Men et større frø betyr vanligvis en løsere definisjon av en god kunde, så valget står mellom en presis modell bygget på færre eksempler og en bredere bygget på flere. Å teste flere frø, definert av forskjellige verditerskler, er mer informativt enn å resonnere om hvilke som skal fungere.

Likhetsprosenten styrer avveiningen mellom rekkevidde og presisjon. En nøye definert målgruppe som samsvarer med den øverste én prosenten av likhet er mindre og yter vanligvis bedre per visning, mens bredere definisjoner når flere personer med lavere gjennomsnittlig kvalitet. Riktig innstilling avhenger av om begrensningen er effektivitet eller volum, og det er å kjøre flere nivåer som separate kampanjer, i stedet for å blande dem, som gjør forskjellen målbar.

Å fornye er viktigere enn de fleste annonsører forventer. Frø som er bygget fra en kundeliste blir foreldet etter hvert som kundebasen endres, og modeller bygget på en bedrifts kunder fra to år siden vil finne personer som ligner på en bedrift selskapet siden har gått videre fra. Ved å oppdatere frøpublikum regelmessig, og gjenoppbygge modeller når posisjonering eller produktmiks endres vesentlig, holder du målrettingen i tråd med den nåværende virksomheten.

Databeskyttelsesforpliktelser gjelder direkte, ettersom opplasting av en kundeliste til en annonseringsplattform er en behandlingsaktivitet som krever et lovlig grunnlag, passende offentliggjøring og respekt for enhver innsigelse eller tilbaketrekking. Plattformer tilbyr hashing for å unngå overføring av identifikatorer i ren form, men hashing fjerner ikke forpliktelsen, og målgrupper bygget fra data samlet inn for et urelatert formål er et vanlig samsvarshull.

Fordi metoden er helt avhengig av å vite hvilke kunder som faktisk er verdifulle, mislykkes den stille i organisasjoner som ikke kan skille dem fra hverandre. I praksis trekker frødefinisjonen på kundeverdianalysen som opprettholdes gjennom dataanalyse, kampanjegjennomføringen sitter hos markedsføringstjenester, og den resulterende målgruppestrategien gjennomgås innen vekststyring når virksomheten endrer hvilket segment den prøver å vokse i.