Audiences personnalisées et similaires

Les audiences personnalisées sont construites à partir de personnes ayant déjà interagi avec l’entreprise : visiteurs de site web, listes de clients importées, utilisateurs d’application, ou personnes ayant interagi avec du contenu sur Facebook ou Instagram. Plutôt que d’atteindre des inconnus, la publicité atteint des personnes qui ont déjà fait un pas vers la marque. C’est pourquoi les audiences personnalisées convertissent généralement plusieurs fois plus vite que la prospection à froid.

D’où vient une audience personnalisée

Les audiences web et applicatives se mettent à jour automatiquement à mesure que de nouveaux événements se déclenchent. Les listes de clients, non : elles nécessitent un ré-import périodique pour rester à jour, et une liste qui n’a pas été rafraîchie depuis des mois cible qui étaient vos clients, pas qui ils sont.

Les audiences similaires étendent une audience personnalisée à de nouvelles personnes

Une audience similaire prend une audience personnalisée comme source. Meta analyse ce que ce groupe a en commun sur des centaines de signaux, puis trouve de nouvelles personnes qui lui ressemblent, sans que personne n’ait à choisir manuellement des centres d’intérêt ou des données démographiques.

Le pourcentage choisi contrôle l’arbitrage entre qualité de correspondance et portée :

La qualité de la source compte plus que le pourcentage. Une audience similaire construite à partir de « tous ceux qui ont visité le site » traîne avec elle les clics accidentels et les curieux. Une autre construite à partir de « clients ayant acheté deux fois ou plus » donne à Meta un signal bien plus propre de ce qu’il faut chercher.

Où cela apparaît dans l’Assistant de campagne

L’étape de ciblage détaillé de l’Assistant de campagne est l’endroit où une audience personnalisée ou similaire est incluse comme critère d’inclusion. Comme chaque critère d’inclusion que l’assistant suit génère sa propre variante d’ensemble de publicités, ajouter une audience similaire à côté d’un segment basé sur des centres d’intérêt produit automatiquement des ensembles de publicités séparés, plutôt que de mélanger les deux audiences en un résultat unique et plus difficile à lire.

Où ces approches rencontrent des problèmes

Une audience source trop petite. Meta a besoin d’une base significative pour construire une audience similaire. 100 personnes constituent le plancher technique, mais une source de l’ordre de quelques milliers donne à l’algorithme bien plus de matière à travailler.

Empiler plusieurs pourcentages d’audiences similaires dans une même campagne. Diffuser des audiences similaires à 1 %, 2 % et 3 % comme ensembles de publicités séparés dans la même campagne crée un chevauchement : les ensembles de publicités finissent par enchérir les uns contre les autres pour en grande partie les mêmes personnes. Exclure le pourcentage le plus resserré du plus large, ou consolider en un seul ensemble de publicités, évite que Meta ne se fasse concurrence à lui-même.

Ne jamais tester contre le ciblage large. Dans les comptes générant déjà 50 conversions ou plus par semaine et par ensemble de publicités, l’algorithme de diffusion propre à Meta égale ou dépasse fréquemment la précision d’une audience similaire sans aucune construction d’audience. Effectuez un test direct avant de supposer que l’audience similaire reste la meilleure option.

Ne pas exclure les convertisseurs récents. Personne qui a acheté la semaine dernière ou avant-dernière n’a besoin de revoir la même publicité d’acquisition. Les laisser dans l’audience se contente de dépenser du budget à réafficher une publicité à quelqu’un qui a déjà fait ce qu’elle demandait.

Comment YieldBI applique cela

Les insights de découverte d’audience sont reportés au niveau publicité en utilisant le même modèle d’attribution et la même fenêtre effective que tout le reste. La contribution réelle d’une audience personnalisée ou similaire est mesurée au regard de l’Objectif de rentabilité qu’elle sert réellement, plutôt qu’un nombre de clics du jour même qui passe à côté de la façon dont le tunnel qu’elle alimente convertit réellement.