3 تكتيكات يستخدمها كبار مُعلني التطبيقات لتحسين كفاءة التنزيل

بواسطة: جيسي ليو، كبيرة مديري التحليلات والوسائط الإعلامية

عند تقييم نجاح الحملات الإعلانية في صناعة تطبيقات البث (SVOD وAVOD وvMVPD)، يوصى بملاحظة ليس فقط في عدد تنزيلات التطبيقات، ولكن أيضًا كفاءة تنزيل التطبيق. تُسلط دراسة Amazon Ads لعام 2020 الضوء على أهمية ذلك.

أبرز أحداث القصة:

غالبًا ما تستخدم صناعة تطبيقات البث (SA)، والتي تشمل الاشتراك بالفيديو عند الطلب (SVOD) والفيديو المدعوم بالإعلانات عند الطلب (AVOD) وموزع برمجة الفيديو متعدد القنوات الظاهري (VMVPD) عدد تنزيلات التطبيقات لمقارنة الأداء عبر المعلنين المختلفين. في Amazon Ads، نعتقد أنه من المهم ليس فقط مراعاة العدد الإجمالي للتنزيلات ولكن أيضًا في كفاءة التنزيل: عدد المرات التي تؤدي فيها مرات الظهور إلى التنزيلات.

لحساب كفاءة تنزيل التطبيق، قمنا بتحليل التنزيلات لكل ألف مرة ظهور (DPM) لـ 38 ماركة في فئة SA على Amazon في عام 2020. وجدنا أن المُعلنين ذوي الأداء الأعلى لديهم كفاءة تنزيل تطبيق أعلى بمقدار 22 مرة من المعلنين الآخرين. لمساعدة المُعلنين على تحسين كفاءة التنزيل الخاصة بهم، نقوم بملاحظة التكتيكات المميزة التي يستخدمها أصحاب الأداء الأفضل ونقدم توصيات لتحسينها.

لمزيد من المعلومات حول كيفية جمع البيانات، يمكن الاطّلاع على قسم المنهجية في نهاية هذه المقالة.

1. يجمع مُعلنو التطبيقات الأفضل أداءً بين إعلانات البث التلفزيوني وإعلانات الهاتف المحمول ولوحات Fire TV المدعومة

تُظهر هذه الدراسة أن الماركات التي جمعت بين إعلانات البث التلفزيوني و ولوحات Fire TV المدعومة وإعلانات الهاتف المحمول قد شهدت كفاءة تنزيل تطبيقات أعلى بمقدار 22 ضعفًا (وقدمت مرات ظهور أكثر بمقدار ضعفين) من المعلنين الذين استخدموا إعلانات البث التلفزيوني وحدها.

أكثر من 22%

كفاءة التنزيل

ضعفي

لمزيد من مرات الظهور

التوصيات

عند التخطيط للحملات، نوصي المُعلنين بما يلي:

  • يرجى مراعاة تشغيل الإعلانات عبرFire TV والكمبيوتر اللوحي Fire والهاتف المحمول.
  • قم بتخصيص تصميمات الإعلانات الإبداعية للأجهزة لضمان حصول العملاء على تجربة إيجابية على جميع الأجهزة.

2. يقوم مُعلنو التطبيقات الأعلى أداءً بتغيير تصميمات إعلاناتهم الإبداعية

حملات التصميم الإبداعي التي تحتوي على إصدارات أكثر من الرسائل المحددة قد يشعر الجمهور بأنها أكثر صلة، وبالتالي قد تؤدي إلى زيادة جذب الاهتمام. في الواقع، يوضح هذا التحليل أن المُعلنين ذوي الأداء الأعلى نفذوا تصميمات إبداعية فريدة بمقدار 1.8 ضعف مقارنةً بالمعلنين الآخرين.

التوصيات

يجب على المعلنين التفكير بشكل مستمر في تحديث التصميمات الإبداعية وإجراء اختبار A/B. يعد اختبار A/B طريقة فعالة وعالية الكفاءة من حيث التكلفة لتحديد ما يتردد صداه لدى المشاهدين ويمنع الإنفاق غير الضروري. نوصي باختبار عناصر مثل الدعوات المختلفة لاتخاذ إجراء وأنواع المحتوى لفهم ما هو أفضل من حيث دفع المزيد من التنزيلات. وأخيرًا، نُذكر المعلنين بالتدقيق في تصميم الإعلان والدعوة إلى اتخاذ إجراء والمطالبات والتسعير في التصميمات الإبداعية وكذلك الصفحة المنتقل إليها لضمان ملاءمة محتوى الإعلان وإعدادات التصميمات الإبداعية للجمهور العام والامتثال لسياسات Amazon.

3. يستفيد مُعلنو التطبيقات الأعلى أداءً من الكلمات الرئيسية السلبية

كان الجمهور الأعلى أداءً بنسبة 6-10% أكثر ترجيحًا لاستخدام تكتيكات الكلمات الرئيسية السلبية مقارنة بالمُعلنين الآخرين، كما أظهر أيضًا كفاءة تنزيل تطبيقات أعلى.

التوصيات

يرجى مراعاة الاستفادة من أدوات Amazon Ads لإنشاء قطاعات جمهور مخصصة بناءً على النوع والبث وأسلوب الحياة والإشارات السلوكية في السوق والتي تتوافق مع أهداف الحملة. استفد من تقرير أداء الجمهور القياسي لفهم الجمهور الذي لا يستجيب للحملات ويفكر في استبعادها في المستقبل.

المنهجية

في هذه الدراسة، قمنا بتحليل 38 ماركة في فئة تطبيقات البث في الولايات المتحدة على مدار 12 شهرًا من الإعلانات خلال عام 2020 في الفترة من يناير إلى ديسمبر. تشمل فئة تطبيقات البث المُعلنين الذين يقدمون خدمات مثل الاشتراك بالفيديو عند الطلب، والفيديو المدعوم بالإعلانات عند الطلب، وموزع برمجة الفيديو متعدد القنوات الظاهري (vMVPD).

استخدمنا التنزيلات لكل ألف مرة ظهور (DPM) كمقياس لكفاءة تنزيل التطبيق لقياس النجاح. ثم حددنا أفضل استراتيجيات الإعلان للمساعدة في زيادة DPM باستخدام خوارزميات التعلم الآلي. تُستخدم اقتراحات Pearson Correlation والانحدار الخطي و XGBoost واقتراحات خبراء الموضوع لتعيين أوزان الميزات. يسلط هذا التحليل الضوء على أكبر الاختلافات بين المُعلنين الذين لديهم أعلى وأدنى DPM، ولا يتنبأ بالأداء أو المطالبة بالسببية.

ما آلية عمل المجموعات؟

أنشأنا درجة مركبة ثنائية بناءً على DPVR، ثم طبقنا مصنف XGBoost لتحديد الميزات وأي الأوزان تتنبأ بهذه التسميات بشكل أفضل. عند القيام بذلك، اعتبرنا الإجراءات الإعلانية كميزات مثل كثافة استخدام المنتج الإعلاني ومزيجه، وتوقيت الدعم الإعلاني، وتكتيكات الاستهداف، والتصميمات الإبداعية ومواضع الظهور، وعدد تقييمات العملاء، ونسبة المنتجات ذات جودة صفحات المنتجات، وأنواع المنتجات التي يتم الترويج لها في الإعلانات.

باستخدام الميزات والأوزان المحددة المذكورة أعلاه، قمنا بعد ذلك بتطبيق خوارزمية تجميع k-medoid لتصنيف المُعلنين إلى مجموعات. لاحظ أننا صنفنا المُعلنين حسب أفعالهم بدلاً من مكونات درجاتهم المركبة. أخيرًا، صنفنا المجموعات النهائية حسب درجاتها المركبة من الأعلى إلى الأدنى. المجموعة 1 هي المجموعة الأكثر نجاحًا بأعلى درجة مركّبة، والمجموعة 5 هي الأقل نجاحًا.