Lookalike i Similar Audiences w Google Ads: targetowanie
Lookalike i Similar Audiences to metody targetowania oparte na danych, które automatycznie wyszukują nowych użytkowników przypominających Twoich obecnych klientów - na podstawie listy źródłowej (seed) i modelu podobieństwa. „Lookalike” to termin z ekosystemu Meta; odpowiednikiem w Google Ads były Podobne segmenty (Similar Audiences), które Google wycofał w połowie 2023 roku i zastąpił zautomatyzowanym targetowaniem opartym na sygnałach odbiorców, takim jak optymalizacja targetowania (optimized targeting) i sygnały odbiorców w Performance Max.
- Czym różni się Lookalike od Similar Audiences?
- Dlaczego Google wycofał Similar Audiences?
- Co zastąpiło Similar Audiences w Google Ads?
- Jakie dane zasilają targetowanie oparte na danych?
- Jak zbudować listę źródłową wysokiej jakości?
- W których kampaniach wykorzystasz targetowanie oparte na danych?
- Jakie wyniki daje targetowanie oparte na danych?
- Jak monitorować skuteczność targetowania data-driven?
- Jakie błędy najczęściej psują targetowanie oparte na danych?
- Podsumowanie
- Źródła i dokumentacja
Zgłasza się do mnie klient i mówi: „Chcę uruchomić kampanię lookalike w Google, tak jak mam na Facebooku”. I tu zaczyna się rozmowa, którą prowadzę coraz częściej. Bo Google Ads nie ma dziś przycisku „utwórz lookalike” - a mimo to możliwość docierania do użytkowników podobnych do Twoich klientów istnieje i działa lepiej niż stare, ręczne listy podobnych odbiorców. Zmienił się mechanizm, nie cel. Przez lata audytowania kont Google Ads widzę, że najwięcej straconego potencjału leży właśnie tu: reklamodawcy albo szukają funkcji, której już nie ma, albo nie zasilają automatów danymi, na których te automaty stoją.
Wnioski, które decydują o skuteczności docierania w Google Ads do użytkowników podobnych do obecnych klientów.
-
Lookalike to funkcja Meta Ads, a w Google Ads odpowiednikiem były Podobne segmenty
Podobne segmenty (Similar Audiences) budowały statyczną listę użytkowników przypominających listę źródłową reklamodawcy. W Meta Ads lookalike nadal pozwala ustawić procent podobieństwa od 1 do 10; w Google Ads takiego suwaka nigdy w tej formie nie było.
-
Google wyłączył Podobne segmenty w 2023 roku i nie da się ich odtworzyć
Google w dokumentacji Google Ads podaje dwie daty. Od 1 maja 2023 nie można było dodawać Podobnych segmentów do nowych grup reklam, a 1 sierpnia 2023 zniknęły ze wszystkich kampanii wraz z możliwością ich wygenerowania.
-
Rolę Podobnych segmentów przejęły trzy zautomatyzowane mechanizmy doboru odbiorców
Optymalizacja targetowania działa w kampaniach Display i Demand Gen, rozszerzenie kręgu odbiorców w kampaniach wideo, a sygnały odbiorców w Performance Max. Każdy z tych mechanizmów ocenia użytkownika w momencie aukcji, zamiast odświeżać gotową listę.
-
Zawężenie listy źródłowej w Google Ads do najlepszych klientów obniża koszt konwersji
Na koncie sklepu z elektroniką, które audytowałem, seed ograniczony z wszystkich kupujących do 20 procent klientów o najwyższej wartości obniżył CPA prospectingu z 61 zł do 38 zł w ciągu 8 tygodni.
-
Optymalizacja targetowania bez czystych danych konwersji rozszerza zasięg na przypadkowych użytkowników
Model podobieństwa startuje z danych konwersji, list Customer Match i remarketingu. Konto z włączoną optymalizacją, niepodpiętym Customer Match i szczątkowym pomiarem konwersji daje modelowi rozmyty punkt wyjścia, więc rośnie zasięg, a nie liczba sprzedaży.
Czym różni się Lookalike od Similar Audiences?
Lookalike i Similar Audiences to ten sam pomysł w dwóch różnych systemach reklamowych: znajdź nowych ludzi, którzy zachowują się jak Twoi obecni klienci. Lookalike Audiences to funkcja Meta Ads (Facebook, Instagram).
Similar Audiences, nazywane też Podobnymi segmentami, to była funkcja Google Ads. Cel identyczny - mechanika i status dostępności zupełnie inne.
Różnica, która dziś ma znaczenie praktyczne, jest brutalnie prosta. W Meta lookalike to nadal żywe, konfigurowalne narzędzie z regulacją procentu podobieństwa (1-10% populacji kraju). W Google odpowiednik został wygaszony i zastąpiony rozwiązaniami automatycznymi, w których nie ustawiasz „procentu podobieństwa” ręcznie - robi to za Ciebie model uczenia maszynowego. Kiedy więc ktoś pyta mnie o „lookalike w Google”, tłumaczę, że szuka funkcji, która przeszła metamorfozę. Zmiany nazw i mechanizmów są w tym systemie stałe, dlatego optymalizacja konta Google Ads wymaga okresowego sprawdzania, czy używane funkcje nadal działają tak samo.
Warto rozdzielić dwa poziomy. Poziom koncepcji (docieranie do podobnych użytkowników) jest wspólny dla obu platform i wiecznie aktualny. Poziom implementacji jest platformowo zależny i to on się zmienił po stronie Google. Mieszanie tych poziomów to źródło większości nieporozumień, jakie widzę na kontach.
Czy wiesz, że…
Nazwa „lookalike” nigdy oficjalnie nie funkcjonowała w interfejsie Google Ads. Google używał określenia Similar Audiences / Podobne segmenty, więc szukanie w panelu przycisku „lookalike” z góry skazane jest na frustrację - nawet w czasach, gdy ta funkcja jeszcze istniała.
Dlaczego Google wycofał Similar Audiences?
Google wycofał Podobne segmenty, bo statyczna lista podobnych użytkowników przegrywała z modelem uczenia maszynowego działającym w czasie rzeczywistym. Similar Audiences generowały listę raz i odświeżały ją okresowo.
Nowe rozwiązania oceniają dopasowanie użytkownika w momencie aukcji, uwzględniając dziesiątki sygnałów naraz. To jak porównanie zdjęcia sprzed miesiąca z transmisją na żywo.
Harmonogram wygaszania był konkretny. Od 1 maja 2023 nie można było dodawać Podobnych segmentów do nowych kampanii i grup reklam. Od 1 sierpnia 2023 Google usunął je ze wszystkich istniejących kampanii, a raportowanie zostało przeniesione do zwykłych statystyk. Segmenty zniknęły bez opcji odtworzenia.
Drugim powodem była prywatność. Świat po deprecacji plików cookies innych firm i przy rosnących wymogach zgód potrzebuje targetowania mniej zależnego od śledzenia pojedynczego użytkownika w sieci. Modele oparte na zbiorczych sygnałach i danych własnych reklamodawcy są bardziej odporne na te zmiany niż lista zbudowana na cookie. Uważam, że to była decyzja wyprzedzająca - Google przygotował grunt pod świat bez third-party cookies, zanim ten świat w pełni nadszedł.
Jest też trzeci, mniej oczywisty powód: spójność z resztą ekosystemu. Performance Max i Demand Gen z założenia opierają się na automatycznym doborze odbiorców. Utrzymywanie osobnego, ręcznego narzędzia „podobnych” kłóciło się z kierunkiem, w którym Google pcha całą platformę.
Co zastąpiło Similar Audiences w Google Ads?
Similar Audiences zastąpiły trzy mechanizmy: optymalizacja targetowania (optimized targeting), rozszerzenie kręgu odbiorców (audience expansion) oraz sygnały odbiorców (audience signals) w Performance Max.
Wszystkie robią to samo co dawne Podobne segmenty - szukają nowych użytkowników przypominających Twoją grupę źródłową - tyle że automatycznie i w czasie aukcji.
Kluczowa zmiana mentalna: nie tworzysz już „listy podobnych”. Podajesz systemowi punkt wyjścia (listę konwertujących, Customer Match, remarketing) i to on decyduje, kogo uznać za podobnego. Twoja rola przesuwa się z ręcznego budowania segmentu na dostarczanie czystych danych źródłowych i pilnowanie celu optymalizacji.
Każdy element dawnego mechanizmu podobnych odbiorców ma dziś swój automatyczny odpowiednik. Zmienił się sposób obsługi, nie idea.
Optymalizacja targetowania - następca dla Display i Demand Gen
Optymalizacja targetowania to funkcja, która w kampaniach Display i Demand Gen wychodzi poza wskazane przez Ciebie segmenty i szuka użytkowników najbardziej skłonnych do konwersji. Włączasz ją na poziomie grupy reklam, a Twoje ręczne segmenty (w tym listy remarketingowe i Customer Match) stają się dla niej sygnałem startowym - dokładnie tak, jak działała lista źródłowa dla Similar Audiences.
W praktyce to najbliższy duchowy spadkobierca dawnych podobnych odbiorców. Podajesz „z kim chcesz zaczynać”, a system rozszerza zasięg na osoby przypominające tę grupę pod kątem prawdopodobieństwa konwersji, nie samego podobieństwa demograficznego.
Rozszerzenie kręgu odbiorców - następca dla Wideo
Rozszerzenie kręgu odbiorców (audience expansion) to odpowiednik dla kampanii wideo, sterowany suwakiem zasięgu. Im dalej przesuniesz suwak, tym szerzej system szuka użytkowników podobnych do Twoich wybranych segmentów. To jedyne z nowych rozwiązań, które zachowało namiastkę dawnej „regulacji podobieństwa” znanej z Meta.
Jakie dane zasilają targetowanie oparte na danych?
Targetowanie oparte na danych zasilają trzy podstawowe źródła: dane konwersji (kto i po jakiej ścieżce kupił), listy Customer Match (Twoja baza e-maili i telefonów) oraz listy remarketingowe (zachowanie na stronie i w aplikacji).
To są „materiały źródłowe”, z których model buduje profil idealnego klienta i szuka jego odpowiedników w sieci Google.
Bez tych danych automat nie ma się od czego uczyć. To najczęstszy błąd, jaki wyłapuję podczas audytów: konto z włączoną optymalizacją targetowania, ale z niepodpiętym Customer Match i szczątkowym śledzeniem konwersji. Silnik jest, brakuje paliwa. Efekt? Model rozszerza zasięg na chybił trafił, bo jego punkt startowy jest rozmyty.
Orientacyjny rozkład wagi źródeł danych, jaki obserwuję na dobrze skonfigurowanych kontach e-commerce - to moja obserwacja z praktyki, nie oficjalny wskaźnik Google.
Zwróć uwagę na hierarchię. Dane konwersji ważą najwięcej, bo mówią systemowi nie „kto Cię odwiedził”, ale „kto Ci zapłacił”. Dlatego poprawa jakości śledzenia konwersji - w tym wdrożenie konwersji rozszerzonych i danych własnych - daje zwykle większy skok skuteczności niż dokładanie kolejnych list odbiorców. Jeśli chcesz sprawdzić, jak wygląda pomiar konwersji na Twoim koncie, to pierwsza rzecz, którą analizuję podczas audytu.
Jak zbudować listę źródłową wysokiej jakości?
Dobra lista źródłowa to lista wąska, czysta i aktualna - zbiór najlepszych klientów, nie wszystkich odwiedzających.
Model podobieństwa kopiuje to, co mu podasz. Jeśli podasz mu wszystkich, którzy kiedykolwiek weszli na stronę, wygeneruje „podobnych do przypadkowych” - a to targetowanie do nikogo konkretnego.
W pracy z moimi klientami zawsze zaczynam od segmentacji list źródłowych zamiast wrzucania jednego wora „wszyscy odwiedzający”. Oto zasady, które stosuję:
- Konwertujący, nie odwiedzający: Jako punkt startowy podawaj listę osób, które kupiły lub wykonały kluczową akcję, a nie wszystkich z ruchu.
- Segmentacja wartością: Oddziel klientów o wysokiej wartości (wysoka wartość koszyka, powracalność) - model podobieństwa do najlepszych klientów bije model podobieństwa do średniej.
- Świeżość danych: Utrzymuj listy Customer Match aktualne. Baza sprzed dwóch lat to profil klienta, którego już nie masz.
- Minimalny rozmiar: Customer Match potrzebuje odpowiednio dużej dopasowanej listy, by ruszyć - zbyt mała nie zostanie aktywowana.
- Zgody i polityka danych: Wgrywaj wyłącznie dane zebrane zgodnie z regulaminem i zgodami - to warunek dopuszczenia listy, nie formalność.
Czy wiesz, że…
Segmentacja listy źródłowej do samych najlepszych klientów potrafi zdziałać więcej niż zmiana kampanii. Na koncie sklepu z elektroniką konsumencką po zawężeniu seeda z „wszyscy kupujący” do top 20% klientów wg wartości CPA z ruchu prospectingowego spadł z 61 zł do 38 zł w ciągu 8 tygodni.
W których kampaniach wykorzystasz targetowanie oparte na danych?
Targetowanie oparte na danych działa dziś w czterech typach kampanii: Performance Max (sygnały odbiorców), Demand Gen (optymalizacja targetowania), Display (optymalizacja targetowania) oraz Wideo (rozszerzenie kręgu odbiorców).
W każdym z nich rolę dawnej listy podobnych pełni Twoja lista źródłowa podana jako sygnał.
Nie każda kampania obsługuje ten mechanizm tak samo. W Performance Max nie targetujesz odbiorców na sztywno - podajesz sygnał odbiorców, czyli podpowiedź, od kogo system ma zacząć naukę. W Demand Gen i Display masz do dyspozycji optymalizację targetowania, którą świadomie włączasz lub wyłączasz. W kampaniach wideo dostajesz suwak zasięgu. Świadomość tych różnic decyduje o tym, czy w ogóle korzystasz z data-driven targeting, czy tylko myślisz, że korzystasz.
- Performance Max - dodaj sygnały odbiorców oparte na danych konwersji i Customer Match, by przyspieszyć fazę uczenia.
- Demand Gen - włącz optymalizację targetowania z listami klientów jako punktem wyjścia.
- Display - użyj optymalizacji targetowania zamiast ręcznego dokładania kolejnych segmentów zainteresowań.
- Wideo - reguluj rozszerzenie kręgu odbiorców suwakiem, obserwując koszt na konwersję.
Jakie wyniki daje targetowanie oparte na danych?
Dobrze zasilone targetowanie oparte na danych zwykle poszerza zasięg prospectingu przy jednoczesnym utrzymaniu lub obniżeniu kosztu konwersji - o ile model dostaje czyste dane źródłowe i wystarczający wolumen konwersji.
To nie jest magia, tylko konsekwencja lepszego dopasowania: zamiast statycznej listy sprzed tygodni system ocenia użytkownika na żywo.
Poniżej pokazuję kierunek zmian, jaki najczęściej obserwuję po prawidłowym wdrożeniu na kontach e-commerce - to moje dane z praktyki, nie benchmark branżowy, i zależą od jakości pomiaru konwersji.
Orientacyjne wartości z moich projektów e-commerce - zależne od jakości danych konwersji i wolumenu.
Ważne zastrzeżenie: te liczby to obserwacje z konkretnych wdrożeń, nie obietnica wyniku. Kiedyś sam byłem sceptyczny wobec oddawania targetowania automatom - dopóki nie zobaczyłem, jak dobrze zasilony model konwersyjny wyprzedza moje ręczne listy zainteresowań. Dziś uważam, że walka z automatem na dojrzałym koncie to strata czasu; grą jest jakość danych, które mu dostarczasz.
Jak monitorować skuteczność targetowania data-driven?
Skuteczność targetowania opartego na danych monitorujesz na trzech metrykach: koszcie konwersji (CPA lub tCPA), zwrocie z nakładów (ROAS) oraz udziale nowych klientów.
Ponieważ system sam decyduje, kogo uznać za podobnego, Twoja rola przenosi się z kontroli „kto” na kontrolę „za ile i z jakim skutkiem”.
To dokładnie sytuacja, którą rozkładam na czynniki pierwsze podczas audytu konta - bo tu najłatwiej pomylić szeroki zasięg z realnym wynikiem. Poniższy panel pokazuje, na co patrzeć, żeby nie ocenić kampanii po samej liczbie wyświetleń.
Zasięg i wyświetlenia to metryki próżności. O jakości targetowania decyduje koszt i wartość konwersji oraz udział świeżo pozyskanych klientów.
Jakie błędy najczęściej psują targetowanie oparte na danych?
Najczęstszy błąd to włączenie automatu bez zasilenia go danymi - optymalizacja targetowania działa wtedy na oślep, bo nie ma czystej listy źródłowej ani rzetelnych konwersji.
To jak posadzić kierowcę wyścigowego w aucie bez paliwa. Drugi w kolejności błąd to ocena kampanii po zasięgu zamiast po koszcie i wartości konwersji.
Przez lata audytowania kont Google Ads zebrałem listę powtarzalnych pułapek. Wielokrotnie obserwowałem sytuację, w której konto miało „wszystko włączone”, a mimo to targetowanie nie dowoziło - i za każdym razem przyczyna leżała w jednym z tych punktów:
- Brak danych własnych: Niepodpięty Customer Match i szczątkowe śledzenie konwersji odbierają modelowi punkt startowy.
- Zbyt szeroki seed: Lista „wszyscy odwiedzający” jako źródło produkuje podobnych do przeciętności, nie do najlepszych klientów.
- Ocena po metrykach próżności: Zachwyt nad zasięgiem i wyświetleniami przy rosnącym CPA to klasyczna pomyłka diagnostyczna.
- Nieaktualne listy: Stara baza Customer Match uczy model profilu klienta, którego już nie ma.
- Wyłączona optymalizacja tam, gdzie pomaga: W Demand Gen i Display świadome wyłączenie optymalizacji targetowania bez powodu zawęża zasięg do zamkniętej puli.
- Mieszanie prospectingu z remarketingiem: Brak rozdziału budżetów zaciemnia, czy pozyskujesz nowych klientów, czy dopłacasz za dotarcie do obecnych.
Jeśli rozpoznajesz choć dwa z tych wzorców na własnym koncie, to dobry moment na audyt - bo każdy z nich po cichu zjada budżet prospectingowy.
Podsumowanie
Przestań szukać w Google Ads przycisku „lookalike”. Zacznij myśleć o targetowaniu podobnych użytkowników jako o silniku, który sam zbudujesz z danych.
Similar Audiences odeszły w 2023 roku, ale idea docierania do odpowiedników najlepszych klientów jest dziś silniejsza niż kiedykolwiek - tyle że realizuje ją model uczenia maszynowego, nie ręcznie tworzona lista.
Twoja praca przesunęła się o jeden poziom w górę. Nie budujesz już segmentu podobnych. Budujesz czyste, wąskie, aktualne dane źródłowe: rzetelne konwersje, dobrze utrzymany Customer Match i przemyślaną segmentację list. To one decydują, kogo system uzna za podobnego do Twoich klientów. Reszta dzieje się automatycznie.
Zamiast pytać „jak zrobić lookalike w Google”, zacznij pytać „czy moje dane źródłowe są na tyle dobre, żeby automat miał z czego się uczyć”. To pytanie, które w najbliższych latach będzie oddzielać konta rosnące od kont dryfujących.
Sprawdź, jak to wygląda u Ciebie
Ta sama mechanika działa inaczej w zależności od tego, gdzie i dla kogo reklamujesz. Trzy ujęcia, w których prowadzę kampanie:
Źródła i dokumentacja
Tekst opisuje wygaszenie Podobnych segmentów i przejście na targetowanie sterowane danymi, więc każda karta pokrywa inny odcinek tej historii: chronologię wycofania, dokumentację mechanizmu, który je zastąpił, wymagania wobec listy źródłowej oraz badanie pokazujące, ile realnie zależy od danych własnych.
Zapowiedź wygaszenia Podobnych segmentów
Relacja z ogłoszenia Google wraz z harmonogramem: od maja 2023 nie można było dodawać Podobnych segmentów, a od sierpnia 2023 Google usunął je z kampanii, wskazując rozwiązania automatyczne jako następcę. Źródło chronologii dla sekcji o tym, dlaczego Google wycofał Similar Audiences.
Dokumentacja optymalizacji targetowania
Oficjalny opis działania optimized targeting: system szuka nowych użytkowników skłonnych do konwersji na podstawie bieżących danych kampanii, a ręcznie wybrane segmenty służą mu wyłącznie jako punkt startowy. Podstawa merytoryczna sekcji o tym, co zastąpiło Similar Audiences w Google Ads.
Problemy z listą Customer Match
Dokumentacja tłumaczy różnicę między liczbą wgranych rekordów a realnym rozmiarem listy oraz przyczyny zbyt małego lub nieaktywnego segmentu danych własnych. Odniesienie do sekcji o budowaniu listy źródłowej wysokiej jakości, zwłaszcza do punktów o minimalnym rozmiarze i świeżości bazy.
Marketing w świecie bez ciasteczek
Badanie na próbie 1099 osób z zarządów firm pokazuje, że 61 procent szybko rosnących organizacji przechodzi na strategię danych własnych wobec 40 procent firm o ujemnym wzroście. Dowód zewnętrzny dla sekcji o tym, jakie dane zasilają targetowanie oparte na danych.
Pytania i odpowiedzi (FAQ)
Status lookalike i Similar Audiences w Google Ads, ich następcy i dane potrzebne segmentom podobnych odbiorców.
Czy w Google Ads można jeszcze utworzyć lookalike lub Similar Audiences?
Czy targetowanie oparte na danych da się wyłączyć?
Jakich danych potrzebują segmenty podobnych odbiorców w Google Ads?
Czy targetowanie podobnych odbiorców zadziała w małym sklepie?
Czy w Google Ads traci się kontrolę nad tym, komu wyświetlają się reklamy?
Czym różni się lookalike w Meta od rozwiązań Google?
Ten wpis należy do obszaru Kierowanie reklam - zobacz pozostałe teksty z tego obszaru albo wróć do bazy wiedzy Google Ads.
