Lookalike publika (Podobná publika): Magie umělé inteligence, nebo nejrychlejší způsob, jak spálit rozpočet na špatných lidech?

Rychlá definice

Lookalike publika (často zkracovaně LAL nebo podobná publika) jsou jedním z nejsilnějších akvizičních nástrojů reklamních sítí (Meta, Google, TikTok). Fungují na jednoduchém principu: předáte algoritmu vzorek vašich současných zákazníků (tzv. zdrojové publikum neboli Seed) a systém pomocí umělé inteligence najde ve své obrovské databázi desetitisíce až statisíce zcela nových lidí, kteří se těm vašim chovají na internetu nejpodobněji. Mají stejné zájmy, stejnou kupní sílu a stejné nákupní vzorce.

Příklad z praxe: Střelba naslepo vs. Odstřelovací puška

Představte si, že prodáváte prémiové, drahé grily na zahradu a spouštíte reklamu na Facebooku.

• Střelba naslepo (Klasické cílení): Nastavíte v kampani cílení na „Muži, 30-55 let, zájem: vaření a zahrada“. Facebook ukáže vaši reklamu milionu mužů. Jenže většina z nich si doma dělá o víkendu buřty na ohništi a na váš gril za 40 000 Kč nemají peníze. Proklikávají se ze zvědavosti, ale nenakupují. Vaše kampaň je těžce ztrátová.
• Odstřelovací puška (Lookalike publikum): Z cílení vyhodíte všechny zájmy. Místo toho do Facebooku nahrajete e-mailové adresy 1 000 klientů, kteří si u vás ten drahý gril už v minulosti koupili. Vytvoříte 1% Lookalike publikum. Algoritmus si vaše zákazníky „naskenuje“ a najde lidi, kteří čtou stejné weby, mají stejný typ kreditních karet a kupují stejně drahé věci. Reklama se ukáže mnohem menšímu publiku, ale zasáhne bonitní muže, kteří váš produkt reálně chtějí a mohou si ho dovolit.

Jak Lookalike publika ovlivňují váš byznys a proč je musíte využívat?

Jakmile vyčerpáte lidi, kteří už vaši značku znají (vyčerpáte remarketing a brandové hledání), musíte jít hledat nové. LAL je most mezi teplým a studeným publikem.

• Škálování byznysu bez ztráty marže: Pokud chcete růst, musíte oslovovat masu. Klasické široké cílení (Broad) je na začátku extrémně drahé, protože se algoritmus teprve učí, kdo u vás nakupuje. LAL mu dá „tahák“ hned od prvního dne, čímž radikálně snížíte cenu za akvizici nového zákazníka (CAC).
• Zúročení First-Party Dat: Vaše databáze zákazníků je vaše největší bohatství. Lookalike publika jsou způsob, jak tyto e-maily a telefonní čísla proměnit v hmatatelné peníze a nové tržby, aniž byste porušovali GDPR (data se nahrávají v zašifrované podobě – tzv. hashování).
• Záchrana v éře po cookies třetích stran: Vzhledem k tomu, že prohlížeče blokují cookies a uživatelé odmítají cookie lišty, reklamní sítě mají stále méně dat. Lookalike publika, která vycházejí z vašich vlastních, neprůstřelných dat o reálných nákupech, se stávají jedinou cestou, jak udržet chytré kampaně v chodu.

Nejčastější chyby: Kdy vás algoritmus zradí (Garbage in, Garbage out)

Umělá inteligence je jen tak dobrá, jak dobrá data jí poskytnete. Pokud do ní nasypete odpad, najde vám jen další odpad.

• Špatné zdrojové publikum (Seed): Nejkritičtější chyba. E-shop chce vytvořit LAL, a tak jako zdroj použije „všechny lidi, kteří za posledních 30 dní navštívili web“. Problém je, že 98 % z nich nenakoupilo. Byli to jen „čumilové“. Algoritmus tak najde statisíce dalších lidí, kteří budou rádi klikat na reklamu, ale nikdy nevytáhnou peněženku. Zdrojem pro LAL musí být vždy výhradně vaši platící (a ideálně ti nejlepší) zákazníci.
• Příliš malý vzorek dat: Abyste mohli postavit spolehlivé Lookalike publikum, potřebujete systému dodat alespoň několik stovek kvalitních datových bodů (např. 500 reálných nákupů). Pokud tam nahrajete 20 e-mailů, algoritmus nemá z čeho poznat vzorec chování a výsledek bude náhodný.
• Volba příliš velkého procenta: U Lookalike publik si vybíráte velikost obvykle od 1 % do 10 %. 1 % představuje ty absolutně nejpodobnější lidi na daném trhu (nejvyšší šance na nákup). 10 % je obrovská masa lidí, kde už se podobnost vytrácí. Mnoho inzerentů z chamtivosti zvolí hned 10 % a diví se, že jim kampaň nefunguje.

Jak to vidíme v UNIKUM?

V UNIKUM neklikáme na tvorbu publik jen tak naslepo, abychom naplnili reklamní sestavy. Pro nás je Lookalike publikum pokročilá datová hra. Vycházíme ze zlatého pravidla: „Nechceme lidi podobné těm, co u vás nakoupili nejlevnější položku ve výprodeji. Chceme lidi podobné vašim VIP klientům.“

Než nasadíme LAL do vašich kampaní (zejména u Mety a TikToku), uděláme tvrdou segmentaci databáze (např. přes RFM analýzu). Vybereme lidi s nejvyšším celoživotním přínosem (CLV), ty, kteří nakupují opakovaně a nevrací zboží. Teprve tuto „elitní skupinu“ dáme umělé inteligenci jako předlohu pro hledání nových lidí. Dohlížíme také na to, abyste data posílali napřímo ze serveru (S2S), čímž algoritmu zajistíme nepřetržitý přísun čerstvých informací. Tímto přístupem měníme Lookalike publika z nejisté loterie ve stabilní akviziční motor vašeho byznysu. Vše však záleží na kvalitě a množství dat, ze kterých můžeme vycházet.

Mini-FAQ

Kolik kontaktů reálně potřebuji pro vytvoření kvalitního Lookalike publika?

Technické minimum pro vytvoření LAL na platformách jako Meta je obvykle 100 lidí ze stejné země. Praxe je ale neúprosná: pokud dodáte jen 100 lidí, algoritmus z nich nedokáže spolehlivě vyčíst společné znaky a střílí naslepo. Pro reálný výkonnostní byznys doporučujeme do systému nahrát minimálně 1 000 až 5 000 co nejkvalitnějších a nejaktuálnějších kontaktů.

Co když ještě nemám e-mailovou databázi platících zákazníků?

Lookalike publikum se dá vytvořit i bez e-mailů (například z dat vašeho měřicího pixelu nebo S2S). Systému můžete říct, ať najde lidi podobné těm, kteří u vás přidali zboží do košíku, strávili na webu nejvíce času, nebo těm, kteří pravidelně reagují na vaše příspěvky na sociálních sítích. Jakmile ale získáte reálné nákupy a e-maily, vždy je upřednostněte – nákupní data mají pro algoritmus tu nejvyšší možnou váhu.

Fungují Lookalike publika i pro B2B segment?

Ano, ale s jednou obrovskou nástrahou, které se říká Match Rate (míra spárování). V B2B vám klienti často nechávají firemní e-maily (jmeno@firma.cz). Jenže tito samí lidé mají svůj osobní Facebook nebo Instagram registrovaný na svůj soukromý e-mail (jmeno@seznam.cz). Meta je proto nedokáže propojit a publikum zůstane prázdné. V B2B segmentu proto mnohem lépe fungují LAL publika vytvořená z lidí, kteří dokoukali vaše odborné video do konce, případně využití LAL přímo na síti LinkedIn, která je primárně pracovním prostředím.