Lookalike Audience
Glossaire – Définition
Une Lookalike Audience (audience similaire) est un ciblage publicitaire généré automatiquement par une plateforme comme Meta Ads ou LinkedIn, qui identifie de nouveaux utilisateurs partageant des points communs statistiques avec une audience source existante, par exemple les clients ou les visiteurs d’un site.
Le principe repose sur l’apprentissage automatique : la plateforme analyse des centaines de signaux (comportement de navigation, centres d’intérêt déclarés, données démographiques, appareils utilisés) chez les membres de l’audience source, puis cherche des utilisateurs présentant un profil statistique proche parmi sa base globale. Sur Meta, cette base dépasse les 3 milliards de comptes actifs mensuels, ce qui donne un vivier considérable pour trouver des correspondances fines.
Dans les comptes que je gère, la Lookalike Audience reste l’un des ciblages les plus rentables pour sortir du remarketing et toucher de nouveaux prospects sans repartir d’un ciblage par centres d’intérêt trop large. Elle fonctionne d’autant mieux que l’audience source est propre et suffisamment fournie. Une liste de 200 acheteurs bien qualifiés produit souvent de meilleurs résultats qu’une liste de 5 000 visiteurs génériques venus d’une campagne de notoriété.
Un point mérite d’être signalé : Google a supprimé ses audiences similaires (Similar Audiences) en mai 2023, au profit du ciblage optimisé automatique intégré aux campagnes Performance Max. Meta Ads Manager et LinkedIn Matched Audiences restent aujourd’hui les deux plateformes principales qui proposent encore ce type de ciblage de façon explicite et paramétrable.
Pour bien comprendre :
- Comment fonctionne le calcul de similarité
- Choisir la bonne audience source avant de créer un lookalike
- Le pourcentage de similarité, un arbitrage entre reach et précision
- Les 5 erreurs qui ruinent une campagne en lookalike
- L’avis de l’expert B-Strong
- Questions fréquentes
Comment fonctionne le calcul de similarité derrière une Lookalike Audience
La plateforme publicitaire extrait un profil statistique agrégé de l’audience source, puis compare ce profil à l’ensemble de ses utilisateurs pour retenir ceux dont les signaux se rapprochent le plus. Aucune donnée individuelle n’est partagée avec l’annonceur, seul le résultat du ciblage l’est.
Meta documente ce processus dans son centre d’aide annonceurs : l’algorithme identifie les qualités communes des personnes de l’audience source (pages aimées, publicités avec lesquelles elles ont interagi, catégorie d’appareil, localisation) et crée un nouveau groupe d’utilisateurs qui partagent ces qualités, classés par ordre de similarité décroissante. LinkedIn utilise un principe comparable via son Matched Audiences, en s’appuyant davantage sur les données professionnelles déclarées (poste, secteur, taille d’entreprise) que sur le comportement de navigation.
La qualité du résultat dépend directement de trois facteurs :
- Taille de l’audience source : Meta recommande entre 1 000 et 50 000 personnes pour un calcul fiable, avec un minimum absolu de 100.
- Fraîcheur des données : une audience source basée sur les 30 derniers jours reflète mieux le comportement actuel qu’une liste de clients vieille de deux ans.
- Qualité du signal : une liste d’acheteurs récents produit un lookalike plus performant qu’une liste de simples visiteurs de page d’accueil.
Choisir la bonne audience source avant de créer un lookalike
L’audience source détermine à elle seule la moitié de la performance d’une campagne en Lookalike. Les meilleures sources partagent un point commun : elles représentent un comportement à forte valeur, pas un simple passage sur le site.
Les sources les plus performantes que j’utilise en agence, par ordre de priorité, sont les listes de clients existants importées via Customer Match (Google) ou en correspondance de clients (Meta), les acheteurs des 90 derniers jours identifiés par le Facebook Pixel ou la Conversion API, les utilisateurs ayant atteint une étape avancée du tunnel (panier, page de paiement) sans forcément acheter, et enfin les abonnés à une newsletter à fort taux d’engagement.
Une erreur fréquente consiste à créer un lookalike à partir de toute la base de trafic du site, sans distinction. Ce type de source dilue le signal : la plateforme cherche des points communs entre des visiteurs très différents (curieux, acheteurs, chercheurs d’emploi tombés sur la page carrière), ce qui produit un ciblage flou et peu rentable.
Le pourcentage de similarité, un arbitrage entre reach et précision
Le pourcentage de similarité, réglable de 1 à 10 % sur Meta Ads Manager, détermine la taille de l’audience générée : plus le pourcentage est bas, plus la ressemblance avec l’audience source est forte, mais plus le volume de personnes touchées est réduit.
Un lookalike à 1 % correspond, dans un pays comme la France, à environ 500 000 personnes correspondant le plus fortement au profil source. Un lookalike à 10 % élargit ce volume à plusieurs millions de personnes, mais avec une similarité statistique nettement plus diluée. Le choix dépend du budget disponible et de l’objectif : un budget limité doit rester sur 1 à 3 % pour ne pas gaspiller les impressions sur un public trop éloigné du profil recherché.
Sur les comptes que je pilote pour des clients e-commerce, je démarre presque toujours à 1 %, puis j’élargis progressivement vers 3 ou 5 % une fois que le coût par acquisition sur le 1 % commence à grimper faute de volume suffisant pour continuer à scaler la campagne.
Les 5 erreurs qui ruinent une campagne en lookalike
La majorité des campagnes en lookalike sous-performantes partagent les mêmes défauts de configuration, identifiables et corrigeables en quelques minutes dans le gestionnaire de publicités.
| Erreur | Conséquence | Correction | Priorité |
|---|---|---|---|
| Audience source trop petite | Similarité calculée sur un échantillon non fiable | Attendre d’avoir au moins 1 000 contacts qualifiés | Haute |
| Source non segmentée | Ciblage flou, CPA élevé | Séparer acheteurs, prospects chauds et trafic générique | Haute |
| Pourcentage trop large d’emblée | Budget dilué sur un public peu qualifié | Démarrer à 1 %, élargir progressivement | Moyenne |
| Chevauchement avec le remarketing | Cannibalisation entre campagnes | Exclure les audiences de remarketing du lookalike | Moyenne |
| Absence de renouvellement | Audience figée, performance qui s’essouffle | Régénérer le lookalike toutes les 4 à 6 semaines | Basse |
L’avis de l’expert B-Strong
Ce qu’on nous demande souvent
Combien de contacts faut-il pour créer une Lookalike Audience fiable ?
Meta fixe un minimum technique de 100 personnes pour générer un lookalike, mais recommande entre 1 000 et 50 000 personnes pour obtenir un calcul de similarité fiable. En dessous de 1 000 contacts, la marge d’erreur statistique reste élevée et les résultats de la campagne peuvent être décevants malgré un ciblage théoriquement pertinent.
Pourquoi Google Ads ne propose-t-il plus les audiences similaires ?
Google a retiré les audiences similaires (Similar Audiences) en mai 2023, dans le cadre d’une évolution vers des ciblages automatisés basés sur l’intelligence artificielle, notamment le ciblage optimisé disponible dans les campagnes Performance Max. Cette évolution répond aussi aux restrictions croissantes sur les cookies tiers et au renforcement des règles de confidentialité des données publicitaires.
Faut-il privilégier un pourcentage de similarité bas ou élevé ?
Il n’y a pas de règle unique, cela dépend du budget et de la maturité de la campagne. Un pourcentage bas (1 à 2 %) convient aux petits budgets qui doivent maximiser la précision du ciblage. Un pourcentage plus élevé (5 à 10 %) devient pertinent une fois qu’une campagne performe bien et cherche à scaler sur un volume plus important, quitte à accepter un ciblage légèrement moins précis.