Lookalike : comment améliorer ses segments grâce au morcèlement des audiences ?
Le lookalike promet d'élargir une audience sans perdre toute sa pertinence. Mais que faire lorsque les segments disponibles dans une DMP sont trop larges ? Une piste consiste à croiser les segments existants pour identifier des profils plus affinitaires : c'est la stratégie du morcèlement.
Le ciblage lookalike (LAL) recherche des profils similaires à une audience de référence, dite audience graine. Le morcèlement consiste à créer ou évaluer des intersections entre segments pour mieux distinguer les profils pertinents. Il peut améliorer la précision du ciblage, à condition de disposer d'effectifs suffisants, de données fiables et d'une méthode de validation : multiplier les sous-segments ne garantit pas automatiquement de meilleures performances.
Qu'est-ce qu'un segment lookalike en programmatique ?
Un lookalike, ou audience similaire, est un segment construit à partir des caractéristiques d'une audience graine : visiteurs d'une page, acheteurs, inscrits ou autres profils ayant manifesté un comportement intéressant. L'objectif est d'identifier d'autres utilisateurs présentant des signaux comparables afin de gagner du reach.
Le principe semble magique — un peu comme gagner du reach en claquant des doigts 🫰 — mais la qualité du résultat dépend fortement des données et du modèle employés.
Comment calculer un taux d'affinité entre audiences ?
Le post original de GreyFox Ads présente une approche simple : comparer la probabilité de retrouver l'audience graine dans un segment donné à sa probabilité dans la population totale.
Indice d'affinité = P(audience graine | segment X) ÷ P(audience graine | population totale).
Un indice supérieur à 1 signifie que l'audience graine est surreprésentée dans le segment X par rapport à la population de référence.
Exemple fictif : si 12 % des membres du segment X appartiennent à l'audience graine, contre 3 % dans la population totale, l'indice est de 4. Le segment X est donc quatre fois plus affinitaire sur cette mesure. Cela ne signifie pas que chaque membre de X a quatre fois plus de chances d'acheter : l'indice mesure une association, pas une conversion causale.
Nuance technique : tous les outils de lookalike ne fonctionnent pas en agrégeant des segments selon un indice d'affinité. Certains utilisent des modèles prédictifs ou des représentations de profils plus complexes. La formule ci-dessus illustre la logique décrite dans le post d'origine, sans prétendre décrire tous les algorithmes du marché.
Les trois limites classiques du lookalike
| Limite | Conséquence | Point de vigilance |
|---|---|---|
| Reach versus précision | En élargissant trop l'audience, on risque de diluer la similarité recherchée. | Définir le compromis selon le KPI de campagne, et pas uniquement selon le volume. |
| Qualité de l'audience graine | Une graine trop hétérogène produit une cible similaire peu discriminante. | Contrôler la fraîcheur, la représentativité et la pertinence des signaux. |
| Granularité des segments disponibles | Une DMP proposant peu de catégories larges peut manquer de finesse. | Explorer les intersections sans créer de sous-groupes trop petits. |
Le morcèlement : croiser les segments pour affiner la projection
Imaginons un éditeur disposant de 10 segments dans sa DMP. Au lieu de calculer l'affinité sur chacun de ces segments isolément, il peut étudier leurs intersections : « passionnés de sport ET acheteurs récents », « lecteurs de tech ET utilisateurs mobiles », etc.
Avec 10 segments, il existe 45 paires distinctes si l'on croise chaque segment avec un autre sans tenir compte de l'ordre. Si l'on ajoute les 10 segments de départ, on obtient 55 groupes candidats, avant d'envisager des croisements à trois dimensions ou davantage. Le « une centaine de sous-segments » évoqué dans le post est donc un ordre de grandeur illustratif, et non le nombre mathématique de croisements deux à deux.
Les intersections peuvent être calculées virtuellement dans une DMP ou un environnement d'analyse : il n'est pas nécessaire d'enregistrer physiquement chaque sous-segment. Une règle de sélection, éventuellement exprimée en SQL selon l'architecture de données, peut ensuite réunir les combinaisons retenues dans un seul segment activable.
Le bénéfice potentiel : mieux distinguer des sous-populations qui paraissaient identiques lorsqu'elles étaient observées à travers des catégories trop larges. Le risque : surapprendre les particularités de l'échantillon et sélectionner des groupes trop petits ou instables.
Comment mettre en œuvre le morcèlement sans sacrifier la qualité ?
- Définir la graine : choisir une audience pertinente pour l'objectif, en vérifiant sa taille et sa fraîcheur.
- Inventorier les segments : documenter les critères, la couverture et les recouvrements des données disponibles.
- Calculer les intersections : tester des croisements simples, puis éventuellement plus complexes, en imposant un effectif minimal.
- Mesurer l'affinité : comparer chaque intersection à une population de référence cohérente.
- Construire un segment candidat : agréger les combinaisons les plus prometteuses, sans dupliquer inutilement les profils.
- Valider hors échantillon : comparer reach, couverture, coût, qualité et performances réelles à un lookalike classique, idéalement avec un groupe témoin adapté.
Point de conformité : la disponibilité technique des données ne dispense pas de respecter les finalités, bases légales, préférences de consentement et conditions contractuelles applicables. Un ciblage « sans cookie » n'est pas automatiquement un ciblage « sans consentement ».
Lookalike classique ou lookalike morcelé : que comparer ?
| Critère | Segments larges | Intersections morcelées |
|---|---|---|
| Granularité | Plus simple à piloter | Potentiellement plus fine |
| Volume par groupe | Généralement plus important | Peut devenir faible |
| Complexité | Modérée | Plus forte : règles, contrôles et validation |
| Performance | À mesurer | À mesurer : aucun gain garanti |
Et chez GreyFox Ads ?
Dans la publication d'origine, GreyFox Ads précise ne pas proposer de produit lookalike au sein de ses sièges Curator. L'objet de cet article est donc d'expliquer une stratégie de segmentation, pas de présenter une fonctionnalité commercialisée par GreyFox Ads.
Notre expertise porte sur la curation programmatique et la construction de Curated Master Deals orientés vers l'efficacité réelle : SPO privilégiant les sièges SSP des éditeurs et les resellers utiles, exclusions MFA, filtres de brand safety et de fraude, sélection des formats offrant une présence à l'écran satisfaisante, stratégies de ciblage adaptées aux signaux disponibles et transparence des frais.
Pour approfondir la question du reach, découvrez aussi la fragmentation des audiences programmatiques et le ciblage incrémental.
Conclusion
Le morcèlement peut être un levier intéressant pour mieux équilibrer reach et précision dans une stratégie lookalike. Mais la vraie question n'est pas « combien de sous-segments peut-on créer ? » : c'est quelles intersections apportent un signal suffisamment robuste pour améliorer les résultats ?
Sources et périmètre
Source éditoriale : publication LinkedIn originale de GreyFox Ads sur le morcèlement des audiences lookalike.
Les calculs combinatoires et l'exemple d'affinité sont des illustrations pédagogiques ajoutées pour expliciter la méthode. Ils ne représentent pas des résultats de campagne mesurés. Les modèles lookalike et les possibilités de segmentation varient selon les plateformes.
Vous cherchez à améliorer l'efficacité de vos achats programmatiques ?
Échangeons sur la qualité des inventaires, le reach et la transparence des coûts.