Lookalike Stacks: Comment booster les audiences similaires Facebook

Pas envie de tout lire? Voici un résumé:

Créer des “lookalike stacks”, c’est ajouter dans un même ensemble de publicités Facebook plusieurs audiences similaires du même pourcentage. Découvre dans l’article pourquoi ça amène à notre clientèle de meilleurs résultats.

SOMMAIRE:

• Qu’est-ce qu’un lookalike stack?
• Les 5 avantages des lookalike stacks
• Les limites des stacks
• Les résultats des lookalike stacks chez nos clients et clientes
• Conclusion : Teste les stacks sur ton compte publicitaire

Qu’est-ce qu’un lookalike stack?

Un lookalike stack (ou un « empilement d’audiences similaires », en français), c’est une technique de ciblage Facebook qui consiste à mettre dans un ensemble de publicités plusieurs segments d’audiences similaires.

En publicité Facebook, c’est possible de créer des audiences lookalike en se basant sur n’importe quelle audience source. Par exemple:

• Les personnes ayant visité le site Web
• Les gens ayant interagi avec les réseaux sociaux de ton entreprise
• Les contacts sur une liste email

L’objectif derrière tout ça, c’est de rejoindre de nouvelles personnes aux profils similaires à cette source.

Traditionnellement, on vient cibler un seul segment lookalike dans un ensemble de publicités. Ça nous prend donc plusieurs ensembles pour rejoindre tout le monde. Or, le concept des lookalike stacks change la donne, car l’on vient mettre toutes les audiences similaires du même pourcentage dans un seul ensemble.

Comment configurer un lookalike stack?

Pour configurer son lookalike stack, il suffit d’ajouter toutes les audiences similaires du même pourcentage dans un ensemble publicitaire.

Par exemple, pour un lookalike stack de 1 %, je viendrai cibler dans mon ensemble :

• Lookalike 1 % des visites du site Web
• Lookalike 1 % des interactions Facebook
• Lookalike 1 % des abonnés et abonnées Facebook
• Lookalike 1 % des interactions Instagram
• Lookalike 1 % des abonnés et abonnées Instagram
• Lookalike 1 % des acheteurs et acheteuses
• Lookalike 1 % des gens ayant ajouté au panier
• Lookalike 1 % des contacts sur l’infolettre
• et ainsi de suite.

Les 5 avantages des lookalike stacks

Éviter le chevauchement d’audiences

Le premier avantage est considérable: empiler les audiences lookalike permet d’éviter le chevauchement d’audience, c’est-à-dire qu’une même personne puisse se retrouver dans deux ensembles de publicités en même temps.

Par exemple, si je cible d’un côté l’audience lookalike du 1 % qui ressemble le plus à mes acheteurs, et de l’autre, le 1 % qui ressemble le plus aux personnes qui ont visité mon site Web, c’est tout à fait possible que ces deux audiences se croisent.Comme mes acheteurs ont forcément visité mon site Web, c’est possible que l’algorithme de Facebook identifie les mêmes personnes comme étant dans ce 1 %, et donc, qu’il y ait du chevauchement.

Le chevauchement d’audience n’est pas extrêmement grave, puisque ce n’est pas un phénomène qui diminue la performance des campagnes. 

Cela dit, ça t’empêche d’avoir une clarté sur tes résultats : si les mêmes personnes peuvent se retrouver dans plusieurs ensembles, ce sera impossible d’en comparer clairement la performance.

Obtenir de grandes audiences qualifiées

Que ce soit pour scaler, ou simplement pour obtenir de bons résultats de façon pérenne, Meta adore les audiences de grande taille.

De ce que l’on voit – et de ce que Meta recommande – les ensembles de publicités de plusieurs millions de personnes vont avoir tendance à mieux performer et plus longtemps, que ceux qui sont plus petits.

Le problème des audiences lookalike, c’est que comme on va souvent venir chercher seulement 1 % d’un pays, on se retrouve parfois avec des petites audiences.

Par exemple, 1 % de la population canadienne, c’est 382 500 personnes. Et 1 % de la France, c’est 677 500 personnes.

On est loin de nos millions.

Mais en empilant nos audiences lookalike, on permet à notre ensemble de publicités de rejoindre plus de personnes, et ainsi de se rapprocher du (ou des) million(s).

Note: Les audiences similaires se chevauchent, alors 3 audiences lookalike 1 % ne vont pas équivaloir à 3 % du pays. Mais ça fera tout de même augmenter le volume total de l’ensemble.

De cette façon, Facebook aura plus de personnes à rejoindre, ce qui te permettra d’obtenir de meilleurs coûts de diffusion, plus stables, plus longtemps, puisque l’audience ne s’épuisera pas plus rapidement.

Laisser une partie de l’optimisation à l’algorithme

L’un des arguments que l’on entend contre les lookalike stacks, c’est le manque de visibilité et de contrôle pour savoir quelle audience similaire performe le mieux par rapport aux autres. 

Et, bien que ça soit une limite de l’outil – on va y revenir un peu plus loin dans l’article – c’est également un avantage : regrouper ses audiences en « stacks » va favoriser le travail d’optimisation de l’algorithme de Facebook.

En d’autres mots: plutôt que de toi-même devoir évaluer et tester chacune de tes audiences lookalike d’un même pourcentage, puis les retester au fil de l’année, si tu les empiles, tu seras en mesure de déléguer ce travail à Facebook.

Et comme n’importe quel ensemble de publicités Facebook, Meta viendra l’optimiser au fil du temps pour obtenir la meilleure diffusion (ou le meilleur retour sur investissement) possible.

Donc, si une audience lookalike performe bien, elle sera automatiquement priorisée. Si cette dernière s’épuise, d’autres prendront le relais. Et ainsi de suite.

Pallier le manque de données d’IOS 14

Depuis la fameuse mise à jour d’Apple, les données importantes se font un peu plus rares, pour le suivi et le ciblage Facebook.

De ce fait, les audiences similaires qui se basent sur les données les plus “qualifiantes”, comme les achats sur le site Web, se retrouvent avec moins de profils qu’avant.

Par exemple, si en 2020 ton audience lookalike de personnes ayant acheté sur le site Web était basée sur 1000 profils, c’est possible qu’aujourd’hui, la même audience similaire se base sur 700 profils.

Ainsi, la qualité des audiences lookalike pourrait avoir diminué.

De l’autre côté, la qualité d’autres audiences similaires – comme les interactions avec les réseaux sociaux, ou les listes courriel – n’a pas changé.

C’est pourquoi combiner ces audiences lookalike “de qualité inchangée” avec celles dont la qualité a possiblement diminué permet de compléter, et de faire en sorte que l’algorithme ait un bassin assez varié pour trouver des gens qui vont convertir.

Simplifier la structure du compte

Finalement, les lookalike stacks permettent de grandement simplifier la structure de tes campagnes Facebook.

Comme toutes les audiences similaires sont regroupées dans un même ensemble de publicités, ça fait beaucoup moins d’ensembles à gérer, et c’est aussi plus simple de répartir le budget, d’activer, de désactiver, de tester, etc.

Bref, cette simplification de structure permet à chaque ensemble d’obtenir plus de dépenses (plutôt que de diviser le budget dans plein d’ensembles), et donc, de favoriser le travail de l’algorithme.

La phase d’apprentissage de la campagne ira plus rapidement, et tu pourras obtenir de meilleurs résultats; résultats, qui resteront stables plus longtemps.

Les limites des stacks

Les lookalike stacks, c’est beau, mais ça amène une grande limitation : comme chaque audience similaire est combinée dans un seul ensemble de publicités, il est impossible de savoir quelle audience en particulier amène les meilleurs résultats.

Comparativement aux critères d’âge, de genre ou de localisation – pour lesquels on peut afficher les résultats selon la répartition, et comparer ensuite les segments – tu n’auras aucune vision sur la performance de tes campagnes lookalike.

Si tu es habitué ou habituée à microtester chaque segment d’audience de tes campagnes, ça te semblera embêtant. 

Cela dit, depuis quelques années, en moyenne, les campagnes qui performent le plus sont celles qui suivent les recommandations de Meta en matière de simplification du compte, même si ça peut enlever un peu de vision sur la performance des segments.

De notre côté, on utilise presque toujours les lookalike stacks chez nos clients et clientes, et on obtient généralement d’excellents résultats, qui peuvent surpasser les ciblages de critères avancés d’intérêts et de comportements.

Les résultats des lookalike stacks chez nos clients et clientes

Est-ce que les lookalike stacks performent systématiquement mieux que les audiences lookalike individuelles? 

Pas toujours, mais souvent.

En théorie, une série de tests et une optimisation rigoureuse continue sur les audiences lookalike pourraient donner légèrement de meilleurs résultats. Mais vu le manque de vision que l’on peut avoir sur la qualité de chaque audience, suite aux limitations de données, c’est très rare que l’on tente le coup.

Par contre, lorsque l’on compare la performance du lookalike stack aux audiences de critères, on est rarement déçus.

En effet, comme les audiences similaires sont un habile mélange entre qualité et volume, l’algorithme va souvent les prioriser, et en sortir un meilleur coût par résultat que les alternatives disponibles.

Cela dit, comme tout compte est unique, on a aussi vu des cas où les audiences de critères égalent la performance des lookalike stacks, ou la surpassent. C’est à tester.

Conclusion : Teste les stacks sur ton compte publicitaire

Peu importe ta stratégie publicitaire, les lookalike stacks sont une technique de ciblage à tester dès que possible dans tes campagnes.

S’ils n’amènent pas une performance supérieure à celle que tu obtiens aujourd’hui, ils te donneront tout de même une belle alternative d’audience qualifiée à rejoindre, en misant sur la puissance d’optimisation de l’algorithme.