تكتيكان يستخدمهما كبار مُعلني الألعاب لتحسين النمو على Amazon

بواسطة: أندرو هولسوبل، مدير التحليلات والوسائط الإعلامية

لقد درسنا أكثر من 1400 ماركة في فئة الألعاب في متجر Amazon لاكتشاف رؤى للنمو عامًا بعد عام في عدد مشاهدات صفحة التفاصيل والعملاء الجدد بالنسبة للماركة.

أبرز أحداث القصة:

في هذه الدراسة، قمنا بتحليل أكثر من 1400 ماركة في فئة دُمى الأطفال في الولايات المتحدة في عام 2020. تشمل فئة دُمى الأطفال الماركات التي تبيع منتجات مثل البناء، والألعاب وشخصيات الحركة، والمقتنيات، والفنون والحرف اليدوية، ودُمى الأطفال وألعاب الركوب. أنشأنا درجة مركبة لمعدل النمو على أساس سنوي لعرض صفحة التفاصيل (DPVGR) ومعدل النمو عامًا بعد عام للعميل الجديد بالنسبة للماركة (NTBGR)، ثم حددنا أفضل استراتيجيات الإعلان والبيع بالتجزئة للمساعدة في زيادة الدرجة المركبة مع خوارزميات التعلم الآلي.

يجب على المعلنين الذين يتطلعون إلى تحسين DPGVR و NTBGR التفكير في:

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

1. يقوم مُعلنو الألعاب ذوو الأداء الأفضل بتشغيل حملات إعلانات العرض المدعومة، والمنتجات المدعومة المفعّلة باستمرار

الرؤى

في عام 2020، قام 74٪ من مُعلني دُمى الأطفال ذوو الأداء الأفضل بتشغيل حملات مفعّلة باستمرار لكل من المنتجات المدعومة وإعلانات الماركات المدعومة على مدار العام.

التوصيات

عند استخدام الحملات المفعّلة باستمرار، نوصي بما يلي:

  • تغطية الكلمات الرئيسية: استخدم الكلمات الرئيسية للفئة للمساعدة في الوصول إلى جمهور جديد أعلى في المسار، ثم استخدم الكلمات الرئيسية التي تحمل الماركة لتحفيز التحويل.
  • الميزانيات الموسمية لإعلانات الماركات المدعومة: شهدت سلوكيات المتسوقين في التصفح والشراء ذروات وانخفاضات على مدار العام، وتساعد مزامنة الميزانيات على أن ينعكس ذلك على زيادة العائد على الاستثمار (ROI) إلى أقصى حد. أظهر تحليلنا أن ذوي الأداء الأفضل في دُمى الأطفال زادوا من استخدام إعلانات الماركات المدعومة أثناء أحداث التسوق في Amazon.
  • لا تقم بتغيير أرقام ASIN المروّجة بشكل متكرر: لدعم الاكتشاف والملاءمة، اترك وقتًا كافيًا حتى يسري الدعم، ولا تقم بتغير أرقام ASIN المروّجة بشكل متكرر، مثل يوميًا أو أسبوعيًا.

2. يزيد مُعلنو الألعاب الأكثر أداءً من إعلانات العرض المدعومة، ودعم إعلانات الماركات المدعومة أثناء أحداث التسوق في Amazon

الرؤى

قدم 100% من مُعلني الألعاب ذوي الأداء الأفضل مرات ظهور لإعلانات الماركات المدعومة خلال أحداث Amazon، وقدم 61% مرات ظهور إعلانات العرض المدعومة خلال أحداث Amazon. بالإضافة إلى تسليم مرات الظهور، يوضح تحليلنا أن الماركات التي تستخدم حملات Amazon DSP خارج Amazon تُظهر نموًا أعلى في الجديد بالنسبة للماركة.

التوصيات

عند الإعلان أثناء أحداث التسوق في Amazon، توجد بعض الأشياء التي يجب مراعاتها:

  • يأتي المتسوقون إلى Amazon للبحث عن المنتجات، والاهتمام بها، وشرائها. عادة ما تزيد المشاركة قبل أحداث التسوق في Amazon وتظل منجذبه بعد ذلك. خلال موسم العطلات، غالبًا ما يبدؤون أبحاثهم في وقت مبكر من أواخر أكتوبر وأوائل نوفمبر، ويبلغ ذروته خلال White Friday وعطلة نهاية الأسبوع في إثنين الإنترنت، ويستمرون منجذبين طوال نهاية شهر ديسمبر. لذلك يجب على المُعلنين التفاعل مبكرًا مع المتسوقين من خلال الباقات التمهيدية والتفكير في استخدام تجديد النشاط التسويقي بعد الأحداث لزيادة الإمكانات إلى أقصى حد.
  • يمكن للمُعلنين استخدام قطاعات الجمهور للوصول إلى العملاء الذين يُرجح شرائهم أثناء أحداث التسوق في Amazon.
  • يمكن للمُعلنين استخدام إعلانات العرض المدعومة و Amazon DSP في أي مكان يقضي فيه العملاء وقتهم.

المنهجية

استخدمنا أولاً نموذجًا خاضعًا للإشراف لتحديد قائمة السمات التي تساعد في تحسين النتيجة المركبة بين أكثر من 30 من سمات الوسائط الإعلامية والبيع بالتجزئة. ثم استخدمنا قائمة السمات هذه وقمنا بإجراء تحليل المجموعة بين المُعلنين/الماركات، لذلك فإن المُعلنين/الماركات في نفس المجموعة يكونون متماثلين في سمات الإعلانات والبيع بالتجزئة، بينما المُعلنون/الماركات في مجموعات مختلفة يختلفون في سمات الإعلانات والبيع بالتجزئة. هذه السمات هي X1، X2،... Xn. (السمات موضحة كفقاعات في الصورة المرئية).
أسفرت خوارزميات التعلم الآلي عن 4 مجموعات. صنفنا هذه المجموعات الأربع من خلال معايير نجاحها، وقارننا بين المجموعات ذات الأداء الأعلى والأدنى، وقارننا الاختلافات بينها، وحددنا السمات الرئيسية التي ميزت أدائها في نمو NTB وGV.

ما آلية عمل المجموعات؟
لقد وضعنا درجة مركبة ثنائية بناءً على DPVR، ثم طبقنا مُصنِف XGBoost لتحديد الميزات والأوزان التي تستخدمها هذه الميزات في توقع هذه التسميات بشكل أفضل. عند القيام بذلك، وضعنا في الحسبان إجراءات الإعلان أو البيع بالتجزئة كميزات مثل كثافة ومزج استخدام المنتج الإعلاني، 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 المروّجة في الإعلانات، وما إلى ذلك.

باستخدام الميزات والأوزان المحددة المذكورة أعلاه، قمنا بعد ذلك بتطبيق خوارزمية تجميع k-medoid لتصنيف المُعلنين إلى مجموعات. لاحظ أننا صنفنا المُعلنين حسب إجراءاتهم بدلاً من مكونات درجاتهم المركَّبة. بعد ذلك، صنفنا المجموعات النهائية حسب درجاتها المركبة من الأعلى إلى الأدنى.