Lookalike közönség

A lookalike közönség egy algoritmusok által összeállított célcsoportszegmens a közösségimédia-tagságon belül. A hirdető nem kell, hogy közvetlen hozzájárulással rendelkezzen a felhasználóktól a célzáshoz, de nem is jut hozzá a személyes adataikhoz, mindössze egy szűkebb listát kell adnia, amihez hasonló emberekből épít aztán nagyobb létszámú listát a közösségi oldal.

Legfontosabb kapcsolódó témák

Adatgazdaság Médiatervezés Remarketing

A közösségi oldalak a viselkedés és érdeklődés alapján profiloznak, illetve a korábbi választások, preferenciák, adatelemzések alapján is szűrnek. Ezek alapján választják ki azt a célcsoportszegmenst, aminek tagjai leginkább hasonlítanak a hirdető által előzetesen felvitt lista tagjaihoz (azaz gyakorlatilag őket használja a tipizálható vevők leírására perszónaként a rendszer). A lookalike közönség esetén a hirdető nem demográfiai vagy érdeklődés alapú paramétereket ad meg, hanem konkrét személyeket azonosít hirdetéseihez a közösségi oldal számára. 

Az újszerű célzási eszközt a Facebook hozta létre elsőként 2013-ban, de ezt követően egyre több platform is elkezdte bevezetni, így például ma már a Google Ads, LinkedIn Ads és Twitter hirdetési megoldásának is része.

A Facebook hirdetési rendszere ma már körülbelül 1 óra alatt összeállítja a nagyobb szegmenst a felvitt e-mail-címek, telefonszámok, nevek vagy egyéb azonosítók alapján. A módszer előnye, hogy ha egy vállalat sikeresen megtalált néhány releváns vásárlót, akik végigjutottak a marketingtölcsér folyamatán, akkor könnyen megspórolható az, hogy újabb széles körű figyelemfelkeltő kampányokat kelljen indítani és annak ismét nagy meddőszórása (azaz sok nem a célcsoportba tartozó, de a kampánnyal elért felhasználója) legyen. 

Elviekben az ilyen hirdetési gyakorlattal csökkenthető a felhasználókat érő reklámzaj, és mindenki sokkal inkább olyan ajánlatokkal fog találkozni, amelyek számára érdekesek és aktuálisak.

A fogyasztóvédelmi kritika a módszerrel szemben viszont az, hogy a létrejövő célcsoportszegmenshez nem lesz semmilyen direkt hozzáférése a hirdetőnek, a Facebook és más közösségi oldalak fekete dobozként működnek, nem derül ki, hogy milyen tényezők és paraméterek mentén történt a válogatás, és a hirdető kénytelen „bemondásra” elhinni, hogy a reklámja valóban számára értékes embereknek valóban olyan számban megjelent.

Ahhoz, hogy a lookalike közönség jól működjön, nagyon fontos, hogy a mintavétel a lehető leghomogénebb legyen, ezért hasznos, ha a hirdető már eleve szűri a saját adatbázisát, és csak a lehető legjobb minőségű, válogatott listát használja. 

A legtöbb esetben ugyan már 100 főre is lehet ilyen kampányt építeni, de a Facebook inkább 1000 és 50 ezer fős alapot javasol a hatékony működéshez. Emiatt a kisebb vállalatoknak, startupoknak kifejezetten nehéz dolguk van, hiszen nekik sokkal nehezebb egy ilyen mintát is összerakni, miközben a sikerhez inkább több, nagyon homogén közönség létrehozása vezet. Az eredmény viszont kecsegtető, ugyanis a jól felállított lookalike kampányokból érkező leadeknek sokkal kisebb része fog visszapattanni, sokkal inkább megéri még a magasabb konverziós árakat is kifizetni.

Utoljára szerkesztve: 2021. október 7.

Kapcsolódó témák










Kapcsolódó gyűjtemények

Utoljára megtekintett fogalmak

A Start Up Guide Galaxis támogatója a Magyar Fejlesztési Bank.
Ez a SUG Galaxis 1.0 nyilvános tesztüzeme. Az oldallal kapcsolatos észrevételeidet, javaslataidat örömmel fogadjuk a hibabejelentes@startupguide.hu címen!

Oldalunk célja a tájékoztatás. Minden tartalmat a legnagyobb gondossággal állítottunk össze és rendszeresen ellenőrzünk, az itt szereplő információk azonban nem tekintendők konkrét helyzetekre vonatkozó üzleti, jogi tanácsadásnak, az információk alkalmazásából fakadó bármilyen jogi következményért a kiadó felelősséget nem vállal.
Hivatalos állásfoglalásért mindig forduljon az illetékes hivatalhoz, ha tanácsadásra van szüksége a megfelelő szakértőhöz! Ha az oldalunk aktualitását vesztett hibás információval találkozna, kérjük jelezze nekünk: hibabejelentes@startupguide.hu!