Lookalike Audiences — Từ "King Of Targeting" Đến Câu Hỏi "Còn Cần Không?"
Vài năm trước, Lookalike Audiences được coi là "cheat code" của Facebook Ads. Bạn có 1.000 khách hàng tốt nhất → upload lên Meta → tạo Lookalike → Meta tìm hàng triệu người tương tự. Đơn giản và hiệu quả.
Năm 2026, nhiều media buyer đang báo cáo: Lookalike Audiences không còn outperform Broad Targeting một cách nhất quán nữa. Một số vẫn thấy Lookalike tốt hơn, một số thì ngược lại. Vậy thực sự chuyện gì đang xảy ra?
Phần 1: Tại Sao Lookalike Audiences Đang Kém Hiệu Quả Hơn Trước
1.1. iOS Privacy Changes Làm Suy Yếu Signal Quality
Lookalike Audiences được build dựa trên signal từ customer list (email, phone) và website visitors (thông qua Pixel). iOS 14.5+ và subsequent privacy updates đã giảm đáng kể accuracy của Pixel tracking — đặc biệt cho Safari users trên iPhone.
Khi match rate của customer list giảm xuống (vì email không khớp với Facebook account), và website visitor audience shrinks (vì tracking kém hơn), Lookalike được build từ những nguồn này cũng kém representative hơn.
1.2. Meta's Algorithm Đã Tốt Hơn Lookalike Signal
Lý do cốt lõi tại sao Broad Targeting đang cạnh tranh được với Lookalike: thuật toán Meta năm 2026 đang dùng behavioral signals phong phú hơn nhiều so với những gì bạn có thể capture trong customer list hay Pixel data.
Meta biết về người dùng: search history trên Facebook, content họ lưu, shopping behavior, app usage patterns, và hàng trăm signals khác. Khi bạn upload customer list, bạn đang cho Meta biết "những người này đã mua từ tôi" — nhưng Meta đã có thể infer nhiều điều tương tự từ behavior của những người đó trên platform mà không cần bạn cho biết.
Phần 2: Khi Nào Lookalike Vẫn Tốt Hơn Broad
2.1. Seed Audience Chất Lượng Cao + Đủ Lớn
Lookalike từ customer list chất lượng cao (LTV top 20% customers, average order value cao) vẫn thường outperform Broad khi seed audience có ít nhất 1.000-2.000 người và match rate > 50%.
Nhưng Lookalike từ "tất cả website visitors 180 ngày" hoặc "tất cả page fans" thường không tốt hơn Broad — vì seed audience không đủ qualified.
2.2. Niche Products Với Specific Demographics
Cho các sản phẩm rất niche mà không phải ai cũng biết (professional tools, B2B software, specialty equipment), Lookalike từ actual customers vẫn tốt hơn Broad vì Meta algorithm cần "direction" rõ ràng hơn để tìm đúng người.
2.3. Geographic Markets Nhỏ
Trong markets nhỏ (Việt Nam, Malaysia...) với audience tổng chỉ vài triệu người, Lookalike 1% (strict match) thường hiệu quả hơn Broad vì nó giúp focus vào highest-probability audience trong pool nhỏ đó.
Phần 3: Cách Tạo Lookalike Chất Lượng Cao Năm 2026
3.1. Seed Audience Hierarchy — Tốt Nhất Đến Kém Nhất
- Purchase Event Audience (30-90 ngày) — tốt nhất, confirmed buyers gần đây
- High LTV Customer List — top 20-25% customers by purchase value
- Customer Email List — all customers (kém hơn nhưng vẫn tốt)
- Initiate Checkout (30 ngày) — high intent nhưng không mua
- Add to Cart (30 ngày)
- Video Viewers 75% (30 ngày)
- Website Visitors All (30 ngày)
- Page Engagers (60 ngày) — kém nhất
3.2. Lookalike Size — 1% vs 5% vs 10%
1% Lookalike = closest match (nhỏ hơn nhưng chất lượng cao hơn). 10% Lookalike = more reach nhưng less similar. Thực chiến cho thấy:
- Cold prospecting: 1-3% thường tốt nhất khi scale dần
- Khi cần reach nhiều hơn: 3-5%
- 10% thường không đáng — lúc này Broad Targeting thường tốt hơn
Phần 4: Framework Test Lookalike vs Broad
Đừng quyết định dựa trên ai đó nói gì. Test cho chính account của bạn:
- Campaign 1: Best Lookalike seed (Purchase 90 ngày, 1%) với cùng creative
- Campaign 2: Broad (country + age, không interest không lookalike)
- Equal budget, 14-21 ngày, same creative
- Đo: Cost per Purchase, ROAS, New Customer Rate
Kết Luận: Lookalike Không Chết, Nhưng Không Còn "Magic"
Lookalike Audiences vẫn là công cụ hữu ích khi dùng đúng cách (seed quality cao, size phù hợp). Nhưng không còn là guaranteed winner mà nhiều người từng nghĩ. Test song song với Broad và để data của account của bạn quyết định.
Cần VIA XMDT, BM sạch để test hiệu quả? AccKit (https://acckit.com/) — Telegram @adacckit.
