Lookalike受众分层测试：从窄到宽的精准捕获策略
Facebook广告投放中Lookalike受众是slots游戏获取新用户的核心工具。很多投手习惯性选择1% Lookalike就开始跑量，但实际操作中1%受众池往往过小导致CPI偏高。正确做法是从1%起步逐步扩展至3%、5%和10%，每个层级独立建Campaign进行AB测试。1%受众精准但量级有限，适合预算测试期；3%-5%区间是性价比最优的甜点带；10%受众覆盖面广适合规模化放量。每个层级的受众应搭配不同的出价策略——窄受众用最低成本出价降低竞争压力，宽受众用目标CPA控制成本上限，这样才能在Facebook广告投放中实现Lookalike受众的效率最大化。
种子用户质量决定Lookalike效果上限
Lookalike受众的精准度完全取决于种子用户的质量。对于slots游戏而言，最优质的种子不是安装用户而是付费用户。建议将LTV Top 20%的高付费玩家作为种子源，同时排除首日流失用户。种子池规模在1000-50000之间效果最佳，低于1000数据不够模型学习，超过50000则稀释信号浓度。此外Facebook广告投放支持多种种子源：网站自定义受众、App活动自定义受众、客户文件上传等。slots游戏应优先使用应用内事件（如purchase、level_achieved）作为种子事件，而非简单的app_install，这样生成的Lookalike受众更倾向于高转化行为。
Lookalike受众与兴趣定向的组合叠加技巧
单独使用Lookalike受众虽然精准但容易遇到频次过高的问题，合理叠加兴趣定向可以提升受众质量同时控制展示频次。具体操作是创建Lookalike受众后叠加与slots游戏相关的兴趣标签（如Casual Games、Puzzle Games、Mobile Entertainment），这样Facebook广告投放系统会在相似人群中进一步筛选出对游戏感兴趣的细分群体。同时建议关闭受众扩展（Audience Expansion）功能以保持精准度，并设置频次上限为每日3次避免素材疲劳。定期刷新种子数据——每两周更新一次付费用户种子池，确保Lookalike模型始终基于最新用户画像学习，这对于slots游戏持续获取高质量新用户至关重要。