أربع توصيات لتنمية ماركات الملابس والأحذية الرياضية

بواسطة: سام باشرا، مدير الاستحواذ

في دراسة أجريت عام 2019 على أكثر من 650 ماركة رياضية، وجدنا أن هناك أربعة مجالات رئيسية يستخدمها مُعلنو الملابس الرياضية ذوو الأداء الأفضل للمساعدة في تحفيز عدد مشاهدات صفحات تفاصيل المنتجات وتسريع نمو المبيعات.

أبرز أحداث القصة:

تهدف الماركات الرياضية دائمًا إلى تحسين أدائها، سواء أكانت تسعى جاهدة لمساعدتك على إحراز الأهداف، أو البطولات الأربع الكبرى، أو تحقيق أفضل أداء شخصي من خلال حملاتها الإعلانية.

لمساعدتها في تحقيق ذلك، درست Amazon Ads أكثر من 650 ماركة أمريكية للملابس والأحذية الرياضية التي باعت المنتجات في متجر Amazon. وجد تحليلنا أن المُعلنين ذوي الأداء الأفضل قد حققوا زيادة في عدد العملاء الجدد بالنسبة للماركة (NTB) بمعدل 2.2 ضعفًا، وزيادة في عدد مشاهدات صفحات تفاصيل المنتجات المنسوبة للإعلانات (عدد المرات التي تتم فيها مشاهدة صفحة تفاصيل المنتج) بمعدل 2.5 أضعاف بالمقارنة بمُعلني الملابس الرياضية الآخرين.

ما الذي يفسر هذا الأداء؟ لقد حددنا أربع استراتيجيات إعلانية يستخدمها المُعلنون ذوو الأداء الأفضل - والتي لم يقم بها المُعلنون الآخرون - تتعلق بالعملاء الجدد بالنسبة للماركة وعدد مشاهدات صفحات تفاصيل المنتجات:

  • تقوم الماركات الرياضية ذات الأداء الأفضل حملات بتشغيل إعلانات الماركات المدعومة على مدار العام.
  • يحافظون على نسبة ميزانية 2:1 بين إعلانات الماركات المدعومة والمنتجات المدعومة.
  • يستخدمون الكلمات الرئيسية السلبية وأرقام ASIN السلبية في كثير من الأحيان.
  • يتبعون أفضل الممارسات لتقييمات المستخدمين.

تابع القراءة للتعرّف على المزيد من هذه التكتيكات، بالإضافة إلى كيفية دمجها في استراتيجية تسويق.

مؤشر أداء معدل نمو معيار "الجديد بالنسبة للماركة" وعدد مشاهدات صفحة تفاصيل المنتج (خط الأساس = المجموعة 4)

المجموعة 1

المجموعة 1

المجموعة 2

المجموعة 2

المجموعة 3

المجموعة 3

المجموعة 4

المجموعة 4

نمو معيار "جديد بالنسبة للماركة" على أساس سنوي

نمو معيار "جديد بالنسبة للماركة" على أساس سنوي. المجموعة 1: 2.2؛ المجموعة 2: 2.0؛ المجموعة 3: 1.8؛ المجموعة 4: 1.0

نمو عدد مشاهدات صفحات تفاصيل المنتجات على أساس سنوي

نمو عدد مشاهدات صفحات تفاصيل المنتجات على أساس سنوي. المجموعة 1: 2.5؛ المجموعة 2: 1.7؛ المجموعة 3: 1.6؛ المجموعة 4: 1.0

1. يقوم مُعلنو الملابس الرياضية ذوو الأداء الأفضل بتشغيل حملات إعلانات الماركات المدعومة طوال العام

الرؤى

قام مُعلنو الملابس الرياضية ذوو الأداء الأفضل بتشغيل حملات إعلانات الماركات المدعومة المفعّلة باستمرار لمدة 52 أسبوعًا في عام 2019، مقارنة بمُعلني الملابس الرياضية الآخرين الذين يقومون بتشغيل حملات إعلانات الماركات المدعومة المفعّلة باستمرار لمدة أسبوعين فقط. يمكن أن يساعد تشغيل حملات إعلانات الماركات المدعومة المفعّلة باستمرار في إبقاء الماركات أول ما يخطر بذهن العملاء، مما يساعد على إنشاء المزيد من عملاء NTB.

التوصيات

تكون الحملات المفعّلة باستمرار أكثر فعالية عندما يقوم المُعلنون بتشغيل تكتيكات الوعي والاهتمام والتحويل معًا. تساعد تكتيكات الوعي والاهتمام، مثل إعلانات العرض من خلال Amazon DSP، في تشجيع العملاء الجدد على عرض صفحات تفاصيل المنتجات، ويمكن أن تؤدي إلى المزيد من التحويلات.

2. يحافظ مُعلنو الملابس الرياضية ذوو الأداء الأفضل على نسبة ميزانية 2:1 بين إعلانات الماركات المدعومة والمنتجات المدعومة

الرؤى

أظهر تحليلنا أن مُعلني الملابس الرياضية ذوي الأداء الأفضل قد حافظوا على نسبة مرات ظهور عند 2:1 تقريبًا بالنسبة لإعلانات الماركات المدعومة إلى المنتجات المدعومة. في نفس الفترة الزمنية، حافظ مُعلنو الملابس الرياضية الآخرون على نسبة مرات ظهور عند 20:1. هذا الأمر مهم لأن نسبة 2:1 تساعد على زيادة إمكانية اكتشاف المنتجات.

التوصيات

حافظ على نسبة 2:1 (أو توازن مماثل) بين إعلانات الماركات المدعومة والمنتجات المدعومة. هذه النسبة مهمة لسببين:

  • يمكن أن تساعد نسبة الإنفاق الجيدة بين إعلانات الماركات المدعومة والمنتجات المدعومة في زيادة فرص ظهور الحملة إلى أقصى حد.
  • ثانيًا، يمكن أن يساعد في زيادة الوعي بعائلة المنتج، والتي يمكن أن تساعد في زيادة عدد مشاهدات صفحات تفاصيل المنتجات وعملاء NTB.

3. يستخدم مُعلنو الملابس الرياضية ذوو الأداء الأفضل كلمات رئيسية سلبية وأرقام ASIN السلبية

الرؤى

يوضح تحليلنا أن هناك فائدة من استخدام الكلمات الرئيسية السلبية (الكلمات أو العبارات التي تمنع ظهور الإعلان على نتائج التسوق) وأرقام ASIN السلبية. في المتوسط، احتوت 15٪ من الحملات الإعلانية للملابس الرياضية ذات الأداء الأفضل على كلمات رئيسية سلبية أو أرقام ASIN سلبية. على العكس من ذلك، استخدمت 4٪ فقط من الحملات الإعلانية الأخرى للملابس الرياضية كلمات رئيسية سلبية أو تكتيكات الأرقام التسلسلية.

بعبارة أخرى، كان مُعلنو الملابس الرياضية ذوو الأداء الأفضل أكثر احتمالًا بنسبة 11٪ لاستخدام كلمات رئيسية سلبية أو أرقام ASIN سلبية مقارنةً بمُعلني الملابس الرياضية الآخرين.

التوصيات

استخدم الكلمات الرئيسية السلبية وأرقام ASIN السلبية. تتمثل إحدى فوائد استخدام الكلمات الرئيسية السلبية في ضمان عدم ظهور الإعلانات على صفحات نتائج التسوق لطلبات التسوق التي تعرف أنها أقل احتمالية لتحويلها. ومن الفوائد الثانوية لاستخدام الكلمات الرئيسية السلبية أو أرقام ASIN السلبية هي أنها يمكن أن تساعد في ضمان وصول الإعلانات إلى الجمهور المناسب.

لتحسين دقة الكلمات الرئيسية وأرقام ASIN السلبية، يمكن للمُعلنين استخدام المعايير المضمنة في Amazon. على سبيل المثال، معدلات النقر للوصول المنخفضة (CTR)، ومعدلات التحويل المنخفضة، هي مؤشرات جيدة للكلمات الرئيسية ذات الأداء الضعيف، وبالتالي فهي مرشحة جيدة للاستبعاد.

4. يتبع مُعلنو الملابس الرياضية ذوو الأداء الأفضل أفضل الممارسات لتقييمات المستخدمين

الرؤى

يوضح تحليلنا أن مُعلني الملابس الرياضية ذوي الأداء الأفضل، في المتوسط، لديهم 4 أضعاف عدد تقييمات المستخدمين لكل أرقام تسلسلية ASIN فريدة من نوعها مقارنة بالمُعلنين ذوي أداء الأقل.

التوصيات

تعد تقييمات المستخدمين معيارًا مهمًا للعملاء الذين يتطلعون إلى اتخاذ قرار بشراء منتج. للمساعدة في تحسين عدد مشاهدات صفحات تفاصيل المنتجات ومعدلات التحويل، يمكن للمُعلنين استخدام الأدوات التالية:

المورّدون: استخدم برنامج Amazon Vine. تم إنشاء البرنامج لتوفير مزيد من المعلومات للعملاء بما في ذلك التعليقات الصريحة وغير المتحيزة من بعض المراجعين الأكثر ثقة في Amazon.

البائعون: سجّل لدى سجل Amazon للماركات واستخدم برنامج Early Reviewer. يؤدي التسجيل في سجل Amazon للماركات إلى إتاحة مجموعة من الأدوات المصممة لمساعدتك في بناء ماركتك وحمايتها، مما يخلق تجربة أفضل للعملاء.

الخاتمة

نعتقد أنه من المهم تزويد المُعلنين برؤى قائمة على الأبحاث تساعد على تحسين الأداء. في هذه المقالة، نظرنا في كيفية نجاح مُعلني الملابس الرياضية الأعلى أداءً في الوصول إلى أعداد أكبر من العملاء الجدد بالنسبة للماركة وعدد مشاهدات صفحات تفاصيل المنتجات. أولاً، قام هؤلاء المُعلنون بتشغيل حملات إعلانات الماركات المدعومة على مدار العام. ثانيًا، حافظوا على نسبة ميزانية 2:1 بين إعلانات الماركات المدعومة والمنتجات المدعومة. ثالثًا، يستخدم هؤلاء المعلنون الكلمات الرئيسية وأرقام ASIN السلبية لزيادة أهمية إعلاناتهم بناءً على استعلام التسوق. أخيرًا، لديهم 4 أضعاف عدد تقييمات المستخدمين لكل منتج فريد تم الإعلان عنه.

عند دمجها معًا، يُظهر تحليلنا أن هذه التكتيكات الأربعة ساعدت المُعلنين ذوي الأداء الأفضل على تحقيق معدل 2.2 ضعف العملاء الجدد بالنسبة للماركة و2.5 أضعاف عدد مشاهدات صفحات تفاصيل المنتجات.

المنهجية

قمنا بتحليل أكثر من 650 ماركة في فئات الملابس والأحذية الرياضية في الولايات المتحدة في عام 2019. صنفت هذه الدراسة المُعلنين إلى مجموعات باستخدام خوارزميات متقدمة للتعلم الآلي، ثم تطرقت في سمات الإعلان والبيع بالتجزئة لاستخراج التوصيات المستندة إلى الرؤى لمساعدة المُعلنين على تحسين الأداء بالنسبة لمعيار "جديد بالنسبة للماركة" ونمو عدد مشاهدات صفحات تفاصيل المنتجات.

كيف يتم توزيع المُعلنين عبر المجموعات؟
لقد استخدمنا خوارزميات التعلم الآلي لتصنيف المُعلنين تلقائيًا إلى مجموعات بناءً على سمات الإعلانات والبيع بالتجزئة الخاصة بهم.

%7

المجموعة 1

أعلى نمو في عدد مشاهدات صفحات تفاصيل المنتجات والعملاء الجدد بالنسبة للماركة

%60

المجموعة 2

%23

المجموعة 3

%10

المجموعة 4

أدنى نمو في عدد مشاهدات صفحات تفاصيل المنتجات والعملاء الجدد بالنسبة للماركة

ما آلية عمل المجموعات؟
لقد أنشأنا درجة مركَّبة ثنائية باستخدام مزيج من عائد الإنفاق على الإعلانات (ROAS)، ونمو مبيعات التجزئة على أساس سنوي، ونمو عدد مشاهدات صفحات المنتجات على أساس سنوي. كما صنفنا المُعلنين الذين حصلوا على ترتيب ضمن أفضل 50٪ في جميع المكونات الثلاثة على أنهم "واحد"، وصنفنا الآخرين على أنهم "صفر." ثم قمنا بتطبيق مصنف XGBoost لتحديد الميزات وأي قيم ترجيح تتنبأ بهذه التصنيفات بشكل أفضل. عند القيام بذلك، وضعنا في الحسبان إجراءات الإعلان أو البيع بالتجزئة كميزات مثل كثافة استخدام المنتج الإعلاني والمزيج بينه وبين المنتجات الأخرى، وتوقيت الدعم الإعلاني، وتكتيكات الاستهداف، والتصميمات الإبداعية ومواضع الظهور، وعدد تقييمات المستخدمين وتقييمهم، والنسبة المئوية للمنتجات التي تحتوي على صفحات منتجات عالية الجودة، وأنواع المنتجات المروّج لها في الإعلانات، وما إلى ذلك.
باستخدام الميزات وقيم الترجيح 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 المركّبة. بعد ذلك، صنفنا المجموعات النهائية حسب درجاتها المركبة من الأعلى إلى الأدنى. المجموعة 1 هي المجموعة الأكثر نجاحًا مع أعلى درجة مركّبة، والمجموعة 5 هي الأقل نجاحًا.