פעם, Lookalike Audiences של 1% על רשימת לקוחות היו "הקסם" של Meta. כל מפרסם אופנה בנה אותן, תוצאות היו מצוינות. אחרי iOS14 ב-2021, רשימות הלקוחות הפכו לנקורות — פחות match rate, פחות דיוק. ואז Meta שחררה את Advantage+ ו-Broad Targeting. אז מה מצב ה-Lookalikes ב-2025?
מה קרה ל-Lookalike אחרי iOS14?
iOS14 הגביל את יכולת ה-pixel לאסוף נתונים. רשימת לקוחות שנבנתה מ-email/phone match נפגעה פחות — אבל רשימה שנבנתה מ-website visitors (לא logged-in) נפגעה קשה. Match Rate ירד מ-60-70% ל-30-40% בחלק מהמקרים. Lookalike על source נקורה = Lookalike שלא שווה הרבה.
Lookalike מול Broad Audience ב-2025
Meta ממליצה לנטוש Lookalikes לטובת Broad Targeting + Advantage+ Audience. הלוגיקה: ה-AI של Meta ב-2025 מספיק חכם לזהות קונים פוטנציאליים בלי ש"תלמדו" אותו מראש מי דומה ללקוחות שלכם. בבדיקות A/B רבות, Broad Targeting עם budget גבוה מנצח Lookalike 1% מהשלב שבו ה-AI צובר enough data.
עם זאת — זה לא שחור-לבן:
- בחשבונות עם מעט נתוני המרה (פחות מ-50 conversions לחודש), Lookalike עדיין מספק יותר כיוון ל-AI מאשר Broad לחלוטין
- Lookalike על Value-Based Source (רשימת לקוחות LTV גבוה) עדיין עובד טוב
- לשווקים קטנים כמו ישראל, Broad לאופנה עלול להגיע ל-audience exhaustion מהר — Lookalike נותן כיוון יותר מדויק
כיצד להשתמש ב-Lookalike נכון ב-2025
Value-Based Lookalike
במקום Lookalike על "כל הרוכשים", העלו רשימה של Top 20% לקוחות לפי LTV — אלה שקנו הכי הרבה ו/או הכי לעתים קרובות. Lookalike על הסגמנט הזה יחפש לקוחות בעלי ערך גבוה, לא לקוחות זולים.
Customer List Quality
ודאו שהרשימה מכילה שדות מרובים: email, phone, first name, last name, country, zip. ככל שיש יותר שדות, Match Rate גבוה יותר ו-Lookalike מדויק יותר.
שגיאה שכיחה — Lookalike 1% בישראל
בארה"ב Lookalike 1% = כמה מיליון אנשים. בישראל — זה כ-40,000-60,000 אנשים. ה-audience קטן מאוד ויתכן שאתם מגיעים לאותם אנשים שוב ושוב. שקלו Lookalike 2%-5% בשוק הישראלי כדי לקבל pool מספיק גדול.
מסקנה מעשית
Lookalike Audiences לא מתות — הן פחות מרכזיות. ב-2025 הגישה הנכונה היא: התחילו עם Advantage+ Broad, השתמשו ב-Lookalike כ-Audience Signal (לא audience בלעדי), ובנו Value-Based Lookalike מרשימת לקוחות איכותית. בחנו A/B בין הגישות ותנו לנתונים לקבוע.