Похожие аудитории (look-alike) в Директе: кейсы

Что такое похожие аудитории в Яндекс Директе

Определение. Look-alike (LAL, похожие пользователи) — сегмент людей, чьи интересы и поведение в сети схожи с пользователями исходного сегмента. Важный нюанс: люди из исходной базы в похожий сегмент не попадают — вы получаете именно новую аудиторию. Источник: справка Яндекс Аудиторий, обучающий материал Яндекса.

Похожие аудитории решают задачу, которую ретаргетинг закрыть не может: масштабировать рекламу за пределы тех, кто уже был на сайте или в CRM. Если у вас есть хотя бы несколько сотен конверсий в Метрике или загруженная база клиентов, Директ может найти «двойников» и показать им объявления в поиске и в рекламной сети Яндекса (РСЯ).

Как алгоритм находит «двойников» вашей базы

Подбор похожих пользователей идёт через технологию Крипта. Яндекс заявляет учёт более 300 факторов: поисковые запросы, посещённые сайты, интересы, время активности в сети и другие сигналы. Исходный сегмент (seed) — это «эталон»: алгоритм ищет анонимных пользователей с похожим цифровым профилем.

Логика формирования профиля зависит от типа цели в Метрике:

• Для обычных целей — профиль пользователя берётся в день последнего достижения цели за последний год.
• Для целей «Ecommerce: покупка» и «Ecommerce: добавление в корзину» — профиль строится в момент настройки сегмента, а не по дню конверсии. Это влияет на интерпретацию кейсов интернет-магазинов: модель «смотрит» на текущее поведение покупателей, а не на срез в день заказа.

Источник: новость Яндекс Рекламы о LAL в Директе, справка Директа — сегменты аудитории.

В Яндекс Аудиториях степень похожести настраивается шкалой от 1 до 5: чем выше точность, тем меньше охват, но ближе профиль к seed. Обработка сегмента занимает не менее 2 часов; сегмент считается готовым, если в нём не менее 100 анонимных идентификаторов.

Отличие от ретаргетинга и обычных сегментов

Три инструмента часто путают. Разница принципиальная:

Ретаргетинг бьёт по «своим»; LAL ищет новых. Источник: справка Директа.

В Директе доступны три режима таргетинга на один seed:

1. Только выбранный сегмент или цель — классический ретаргетинг.
2. Выбранный сегмент и похожие пользователи — и «свои», и новые похожие.
3. Только похожие пользователи — исключительно новая аудитория, без тех, кто уже в исходной базе.

Третий режим удобен, когда нужно масштабироваться и не конкурировать с ретаргетингом за одних и тех же людей. Практики рекомендуют выносить LAL в отдельную группу или кампанию для РСЯ, не смешивая с ретаргетингом в одной связке — иначе сложнее оценить вклад каждого сегмента.

По агентским бенчмаркам (не гарантия Яндекса): стоимость конверсии в LAL обычно на 20–30% выше, чем в ретаргетинге, но на 30–50% ниже, чем у холодного трафика; конверсия LAL — порядка 1,5–4% против 0,5–2% у холодного; охват LAL — в 10–50 раз больше, чем у ретаргетинга. Источник: business.ru — обзор 2026, rivox.io.

Минимальные требования к исходной выборке

Официальные пороги и практические рекомендации расходятся — это нормально для узкой ниши.

Источники: справка Директа, справка Аудиторий, ppc.world — гайд LAL.

Match rate при загрузке CRM (практика, не норма Яндекса): из 1000 телефонов платформа может сопоставить 400–600 пользователей; из 12 000 email в e-commerce — 4–6 тысяч. Источник: pawetta.com, trafdealer.ru.

Вывод для запуска: формально хватит 100 пользователей, но для предсказуемого результата лучше ориентироваться на тысячи matched-записей и качественный seed — покупатели, квалифицированные лиды из CRM, а не «все посетители сайта».

Как создать и настроить сегмент похожих аудиторий

Ключевое обновление 2025–2026: LAL можно включить в несколько кликов в Директе по цели или сегменту Метрики, без ожидания подготовки в Яндекс Аудиториях. При малом объёме данных подходит именно цель в Метрике. Источник: новость Яндекс Рекламы.

Пошаговое создание в интерфейсе Директа

Способ 1 — прямо в Единой перфоманс-кампании (ЕПК):

1. Откройте группу объявлений → блок «Ретаргетинг и подбор аудитории».
2. Нажмите «Добавить условие».
3. Выберите цель или сегмент Метрики (либо сегмент из Яндекс Аудиторий).
4. Укажите режим: «Выбранный сегмент и похожие пользователи» или «Только похожие пользователи».

Способ 2 — через Яндекс Аудитории (если нужна тонкая настройка):

1. Создайте исходный сегмент (CRM, AppMetrica, пиксель, гео и др.) и дождитесь статуса «Готов».
2. «Производный сегмент» → «Похожий сегмент» — только на собственный готовый сегмент.
3. Задайте степень похожести 1–5, при необходимости сохраните распределение по городам и типам устройств.
4. Подключите готовый LAL-сегмент в Директе.

В материалах практиков встречается формулировка «с 2025 года настройка LAL доступна прямо в интерфейсе Директа» — это позиция автора, а не официальная дата релиза. Источник: vc.ru — Богданов.

Готовые LAL-сегменты без ручной сборки: «Похожие на посетителей», «Похожие на достигнувших целей кампании», «Похожие на покупателей» (при e-commerce целях на счётчике). Источник: справка Директа.

Источники данных: Метрика, конверсии, загрузка базы

Источники seed в экосистеме Яндекса:

• Цели и сегменты Яндекс Метрики — быстрый вход для малого и среднего бизнеса.
• Сегменты Яндекс Аудиторий — CRM (CSV от 100 записей), AppMetrica, пиксель, геосегменты.
• Готовые автосегменты Директа — «похожие на покупателей» и аналоги.

Таблица выбора seed — практический ориентир из анализа кейсов и экспертных комментариев:

Комментарий Kokoc Performance: «LAL на топ-10% по LTV обычно даёт более „покупающую“ модель и лучше по окупаемости, но упирается в объём… LAL на „добавили в корзину“ масштабнее, но шумнее». Источник: kokoc.com.

Подробнее о загрузке CRM и сегментах — в материале «Сегменты аудиторий: Метрика и Директ»; о связке Метрики и Директа — в «Сегменты аудиторий: Метрика и Директ».

Как добавить сегмент в группу объявлений

В ЕПК LAL настраивается в блоке ретаргетинга и аудиторий. Можно объединять LAL и ретаргетинг в одной группе или вынести в отдельные — для чистоты тестов чаще выбирают второе.

Поиск: сегмент аудитории работает через логику «И» с ключевыми фразами или автотаргетингом — показ только тем, кто подходит и по запросу, и по профилю.

РСЯ: сегменты — через «ИЛИ» с другими условиями показа; LAL здесь обычно даёт основной прирост охвата.

Источник: справка Директа, курс ЯРД Look-alike.

Рекомендуемая доля бюджета на LAL в тестах — 20–30% от общего; период обучения автостратегий — 7–14 дней. Источник: TenChat — Богданов, rivox.io.

Кейсы: когда похожие аудитории дают результат

Ниже — четыре сценария с единой матрицей: ниша → seed → режим → площадка → результат. Цифры из первичных источников; агентские кейсы не верифицированы Яндексом.

Интернет-магазин: масштабирование на покупателей

Кейс edtech (Rivox, агентский отчёт):

Seed и детали ниши в публикации не раскрыты полностью, но вывод для e-commerce и edtech очевиден: LAL дал кратный рост объёма при почти сохранённой стоимости заявки. Источник: rivox.io.

A/B тест точности LAL 1–5 (ppc.world, e-commerce, 2 месяца):

• По женской базе CRM: более высокая точность → выше конверсия, ниже стоимость заказа — гипотеза подтвердилась.
• По мужской базе: закономерностей нет; лучшая стоимость заказа — при минимальной точности (5 из 5), лучшая конверсия — при точности 3 из 5.
• В CRM женщин было в 3,8 раза больше записей — авторы связывают нестабильность мужского теста с малым объёмом seed.

Методология: отдельные группы, взаимоисключение LAL-сегментов. Источник: ppc.world.

Практический вывод для магазина: стартуйте с seed «покупатели» или «добавление в корзину» (с учётом нюанса e-commerce целей), режим «Только похожие», площадка РСЯ, бюджет 20–30%, тест точности 3–5 на отдельных группах.

Услуги и лидогенерация: поиск «похожих» на заявку

Официальный кейс Яндекса — «Красный апельсин» (архитектурно-строительная компания, премиум B2C):

«До эксперимента конверсия обходилась примерно в 6000 ₽. За две недели тестирования look-alike нам удалось привлечь больше потенциальных клиентов на сайт и снизить стоимость конверсии до 1600 ₽».

— Денис Стеценко, интернет-маркетолог. Источник: новость Яндекс Рекламы.

Кейс застройщика (агентство, недвижимость, Воронеж):

Источник: блог агентства.

Агентский кейс Дмитрия Богданова дублирует порядок цифр (3000 → 1600 ₽) без детализации ниши — полезен как ориентир, но слабее официального кейса по методологии.

Для услуг критично оценивать LAL не только по стоимости клика в Директе, а по валидности лидов и сделкам в CRM — рекомендация экспертов Madgun и Kokoc. Источник: madgun.agency.

Узкая ниша: работа с малым бюджетом

Не каждый запуск LAL заканчивается ростом в разы. Честный контрпример с vc.ru:

«Чаще всего результат — минимум лидов (2–3 шт.), либо их нет, но бывает, что приносит хорошие результаты».

В одном из запусков автор получил +10 лидов за 20 дней — на фоне типичных 2–3 лидов это скорее слабый, чем сильный результат для большинства ниш. Источник: vc.ru/marketing/758783.

Когда LAL в узкой нише всё же имеет смысл:

• Есть цель Метрики с 100+ достижениями за год — формальный порог Директа закрыт.
• Бюджет на тест выделен на 7–14 дней без ожидания мгновенного снижения стоимости конверсии.
• Seed — конверсия, а не клики или «все посетители».
• LAL идёт отдельной группой в РСЯ, а не смешивается с широким холодным таргетингом.

Упрощение входа для малого бизнеса с низким трафиком через цели Метрики — один из трендов 2025–2026 по данным Яндекса. Источник: новость Яндекс Рекламы.

Типичные ошибки и как их избежать

Слишком маленькая исходная выборка

Формально достаточно 100 пользователей, но при 100–300 matched-записях модель нестабильна: охват скачет, конверсия «плывёт», как в мужском сегменте теста ppc.world. Решение: накапливать seed (объединять периоды, чистить CRM от дублей), загружать телефон и email для лучшего match rate, не запускать LAL, пока в CRM меньше 500–1000 сопоставленных контактов для коммерческих ниш.

Неверный сигнал для обучения (клики вместо конверсий)

Seed «все посетители» или «просмотр 3 страниц» размывает профиль: алгоритм находит похожих на любопытных, а не на покупателей. Ошибка особенно часта при копировании логики Facebook Lookalike 1:1. Правильный сигнал: покупка, оплаченный заказ, квалифицированная заявка, звонок из CRM. Для e-commerce помните про особенность целей «покупка» и «корзина» — профиль строится в момент настройки, не по дню сделки.

Смешение сегментов и каннибализация охвата

Типичные промахи:

• LAL и ретаргетинг в одной группе без раздельной аналитики — невозможно понять, что именно сработало.
• Несколько LAL с пересекающимся охватом на одни креативы — конкуренция ставок внутри аккаунта. В тесте ppc.world сегменты взаимоисключали друг друга — так проще сравнить точность 1–5.
• Режим «сегмент + похожие», когда цель — только новые клиенты: часть бюджета уходит на уже знакомых пользователей. Для чистого масштаба выбирайте «Только похожие пользователи» и исключайте seed из показов, если платформа позволяет.

Подробнее о ретаргетинге и пересечении аудиторий — в «Ретаргетинг в Яндекс Директе: аудитории».

Как измерить эффективность

Метрики охвата, конверсии и стоимости лида

Минимальный набор для отчёта по LAL:

Источник бенчмарков: business.ru, madgun.agency.

Сравнительное тестирование с классическим таргетингом

Схема чистого теста:

1. Контроль — холодная группа (интересы / автотаргетинг) с тем же креативом и бюджетом.
2. Тест — LAL «только похожие» на seed «покупатели» или «заявка», отдельная группа РСЯ.
3. Период — минимум 14 дней после стабилизации автостратегии.
4. Одинаковые — гео, посадочная, оффер, исключения брендовых запросов.

Фиксируйте не только стоимость конверсии в интерфейсе, но и LTV (пожизненную ценность клиента) или маржу по когортам — особенно если LAL чуть дороже ретаргетинга, но приводит клиентов с большим чеком (логика seed по топ-LTV из Kokoc).