Lookalike vs Interest Targeting บน Meta Ads: เลือกอันไหนสำหรับ B2B ปี 2026
เปรียบเทียบ Lookalike Audience กับ Interest Targeting บน Meta Ads สำหรับ B2B — อันไหน CPL ต่ำกว่า Lead quality ดีกว่า และเลือกใช้เมื่อไหร่
Lookalike Audience Meta Ads คือหัวข้อที่บทความนี้จะอธิบายอย่างละเอียด — Last updated: 2026-05-24
Key Takeaways: ในปี 2026 Meta’s AI-driven delivery ทำให้ Broad Targeting (ไม่ใส่ interest เลย) กลับมาเป็น default ที่ดีสำหรับ campaign ที่มี conversion data พอ ส่วน Lookalike ยังได้เปรียบตอน launch แคมเปญใหม่ที่ยังไม่มี signal และสำหรับ B2B ที่ audience เฉพาะมาก
ทีม marketing หลายทีมยังติดอยู่กับ debate เก่า: “ใช้ Lookalike ดีกว่า Interest ไหม?” แต่ปี 2026 คำถามที่ถูกต้องกว่าคือ “แต่ละ targeting method ทำงานได้ดีใน situation ไหน?” เพราะ Meta’s algorithm เปลี่ยนไปมาก
บทความนี้ breakdown ความแตกต่างของ Lookalike Audience, Interest Targeting, และ Broad Targeting พร้อม decision framework สำหรับ B2B campaign ที่นำไปใช้ได้ทันที
Lookalike, Interest, Broad — แต่ละอันทำงานยังไง
Lookalike Audience (LAL)
Lookalike คือ audience ที่ Meta สร้างโดยหา “คนที่มีพฤติกรรมและ profile คล้ายกับ seed audience ที่คุณให้” — เช่น คล้ายลูกค้าที่ purchase แล้ว, คล้าย lead ที่ qualify แล้ว, หรือคล้าย website visitor ที่ใช้เวลานาน
Seed audience ที่ B2B ใช้บ่อย:
– Customer list (CRM export) — คนที่เคยซื้อจริง
– Lead list ที่ qualify แล้ว (MQL/SQL) — ไม่ใช่ทุก lead
– Website visitor ที่เข้าหน้า pricing/demo request
– Video viewer 75%+ (engagement audience)
ขนาด Lookalike: 1% ≈ แคบที่สุด คล้ายสุด, 10% ≈ กว้างสุด คล้ายน้อยสุด สำหรับ B2B ส่วนใหญ่เริ่มที่ 1–3%
Interest Targeting
Meta ให้คุณเลือก interest, behavior, demographic ของ audience โดยตรง เช่น “คนที่สนใจ HubSpot”, “IT Decision Makers”, “Small Business Owners”
ข้อจำกัดที่หลายคนไม่รู้:
– Interest ของ Meta ไม่ precise เท่าที่คิด — “สนใจ Marketing” อาจรวมคนที่แค่คลิก ad เกี่ยวกับ marketing ครั้งเดียว
– B2B targeting interest เช่น “Business Decision Makers” มี false positive สูง — คนที่ Meta tag ว่าเป็น decision maker อาจไม่ใช่จริงๆ
– หลัง iOS 14.5+ signal ที่ Meta ใช้ classify interest ลดลงอย่างมาก
Broad Targeting (No Audience Restriction)
ตั้งแค่ demographic (อายุ, ภูมิภาค) แล้วปล่อยให้ Meta algorithm เลือก audience เอง — ฟังดูน่ากลัว แต่ปี 2024–2026 มักให้ผลดีที่สุดเมื่อ campaign มี conversion signal มากพอ
ทำงานได้ดีเมื่อ:
– มี conversion event ≥ 50 ครั้ง/สัปดาห์ ต่อ ad set (Meta learning phase ผ่าน)
– มี CAPI ตั้งครบ ส่ง signal quality สูง
– Budget ≥ 500 บาท/วัน ขึ้นไป
เปรียบเทียบ Performance ใน B2B Context
| เกณฑ์ | Lookalike 1% | Interest | Broad |
|---|---|---|---|
| Lead Volume | กลาง | กลาง-สูง | สูง (ถ้า signal พอ) |
| Lead Quality | สูง | กลาง-ต่ำ | ขึ้นกับ signal quality |
| CPL (cost per lead) | กลาง | ต่ำ-กลาง | ต่ำ-กลาง (เมื่อ optimize ดี) |
| Scale potential | จำกัด (audience เล็ก) | กลาง | ไม่จำกัด |
| Learning speed | ปานกลาง | เร็ว | เร็ว (ถ้ามี signal) |
| เหมาะกับ B2B ที่… | Niche B2B, audience < 50k | Launch ใหม่ ไม่มี data | มี conversion data พอ |
สำคัญ: ตัวเลขเป็น generalization — ผลจริงแปรผันตาม industry, creative quality, offer และ conversion setup
เมื่อไหรควรใช้อะไร — Decision Framework
กฎง่ายๆ สำหรับ B2B:
1. มี list ลูกค้า/lead ที่ดี → เริ่ม Lookalike 1% ก่อนเสมอ
2. เพิ่งเริ่ม ไม่มี data → Interest targeting เพื่อ build signal, แต่ตั้ง micro-conversion (เช่น “visit pricing page”) เป็น objective แทน lead gen
3. Campaign เดิน ≥ 2 เดือน มี conversion ดี → ทดลอง Broad และวัดเทียบ
ข้อผิดพลาดที่พบบ่อยใน B2B Targeting
1. ใช้ customer list ที่รวม “ทุกคนที่เคยติดต่อ” ไม่ใช่ลูกค้าจริง
Seed quality = Lookalike quality. ถ้า seed list รวมคนที่ fill form แล้วไม่ได้ซื้อ, หรือคนที่เปิด email ครั้งเดียว — Lookalike จะหา “คนที่คล้ายคนพวกนั้น” ซึ่งไม่ใช่ลูกค้าดี
วิธีแก้: แยก list ออกเป็น 3 tier:
– Tier 1: Closed-won customers (seed ที่ดีที่สุด)
– Tier 2: SQLs ที่ qualified ชัดเจน
– Tier 3: MQLs / website visitors (ใช้ได้แต่ไม่ ideal)
2. Stack Interest หลายๆ อัน = narrow จนเกินไป
การตั้ง “HubSpot + Salesforce + Marketing Automation + B2B SaaS” พร้อมกันใน interest targeting อาจเหลือ audience น้อยมาก (<100,000 คนในไทย) ทำให้ cost สูงและ learning phase ช้า
วิธีแก้: ทดสอบ interest แต่ละกลุ่มใน ad set แยก แล้วดูว่าอันไหน CPL ต่ำสุด
3. ไม่ exclude ลูกค้าเก่า
Lookalike ที่ไม่ exclude existing customers จะยิงโฆษณาหา “คนที่คล้ายลูกค้า” รวมถึงลูกค้าตัวเองด้วย ทำให้เสียงบและ confuse attribution
วิธีแก้: ตั้ง exclusion ทุกครั้ง:
Exclude: Customer list + Website purchasers (180 days)
Signal Quality กับ Lookalike ปี 2026
หลัง iOS 14.5 และ Privacy Sandbox ที่ขยายออกมา signal ที่ Meta ได้รับจาก browser ลดลงมาก ส่งผลให้ Lookalike audience “กลายพันธุ์” ได้ช้าลง — Meta ต้องพึ่ง modeled data แทน observed data
วิธีรักษา Lookalike quality:
– ตั้ง Conversion API (CAPI) server-side — ส่ง event โดยตรงจาก server ของคุณไป Meta โดยไม่ผ่าน browser (ดูรายละเอียดใน Meta Ads B2B Complete Guide)
– ใช้ Advanced Matching — ส่ง email hash, phone hash ในทุก event
– Refresh seed audience ทุก 30–60 วัน อย่าปล่อย list ค้างไว้นาน
Lookalike vs Broad: A/B Test ที่แนะนำ
เมื่อ campaign Meta B2B ของคุณ stable แล้ว ให้ทดสอบแบบนี้:
| Ad Set A | Ad Set B | |
|---|---|---|
| Targeting | Lookalike 1% (from SQL list) | Broad (age/gender only) |
| Budget | เท่ากัน | เท่ากัน |
| Creative | เหมือนกัน | เหมือนกัน |
| Objective | Lead Generation | Lead Generation |
| Duration | 14–21 วัน | 14–21 วัน |
KPI ที่วัด (ไม่ใช่แค่ CPL):
– CPL (cost per lead)
– Lead quality score (ถาม sales ว่าชุดไหน qualify มากกว่า)
– Cost per SQL (ถ้าสามารถ track ได้)
ผลที่มักเห็น: Broad มักให้ CPL ต่ำกว่า แต่ Lookalike ให้ lead quality สูงกว่า — decision อยู่ที่ว่าคุณ optimize ที่ cost per lead หรือ cost per SQL
FAQ
Q: Lookalike 1% กับ 3% ต่างกันยังไง?
1% คือคนที่ Meta ประเมินว่า “คล้ายที่สุด” กับ seed audience — audience เล็กกว่าแต่ targeted กว่า 3% กว้างกว่า แต่ cost มักต่ำกว่าและ scale ได้มากกว่า สำหรับ B2B ไทยที่ market เล็ก 1% อาจมีแค่ 200,000–500,000 คน ลอง 1% ก่อน ถ้า CPL สูงเกินไปค่อยขยายเป็น 2–3%
Q: Advantage+ Audience (ของ Meta ใหม่) คืออะไร แตกต่างจาก Broad ไหม?
Advantage+ Audience คือ targeting ที่ Meta จัดการเองทั้งหมด รวม Broad + behavioral signal โดย Meta เลือก audience กว้างที่สุดก่อนแล้วแคบลงตาม performance ต่างจาก Broad ที่คุณยังกำหนด age/gender เองได้ สำหรับ B2B แนะนำทดสอบ Advantage+ หลังจากมี historical data ≥ 3 เดือน
Q: ถ้า audience ในไทยเล็ก ควรทำ Lookalike ไหม?
ถ้า seed list < 100 records Meta จะสร้าง Lookalike ได้แต่ไม่ accurate (ต้องการ ≥ 1,000 records เพื่อ quality ดี) ทางออก: ใช้ International Lookalike (ขยาย country) หรือ build seed ผ่าน engagement audience ก่อน (video viewers, page engagers)
Q: ควร update seed list บ่อยแค่ไหน?
แนะนำทุก 30–45 วัน โดยเฉพาะถ้า sales cycle สั้นและมี new customer เพิ่มสม่ำเสมอ Lookalike ที่ใช้ seed เก่า 6+ เดือน มักเสื่อม performance เพราะ ideal customer profile อาจเปลี่ยน
สรุป
| สถานการณ์ | Targeting ที่แนะนำ |
|---|---|
| เพิ่งเริ่ม B2B Meta Ads | Interest (seed data) → Lookalike 1% (4–6 สัปดาห์หลัง) |
| มี SQL/customer list ≥ 500 records | Lookalike 1–3% จาก qualified list |
| Campaign stable ≥ 2 เดือน, conversion > 50/week | A/B test Lookalike vs Broad |
| Budget น้อย (<15,000 บาท/เดือน) | Lookalike ควบคุมได้ดีกว่า Broad |
| Scale campaign ขนาดใหญ่ | Broad + CAPI quality สูง |
อ่านต่อ:
– Meta Ads B2B Complete Guide — Pillar Hub — ภาพรวมทั้งหมดของการทำ Meta Ads สำหรับ B2B
– Lead Form vs Landing Page: อันไหนคุ้มกว่า — เปรียบเทียบเชิงลึก
– MarTech Analytics & Tracking Guide — ตั้ง tracking ให้ครบก่อน scale
