3 Strategien, mit denen Top-App-Werbetreibende die Download-Effizienz verbessern

Von: Jessie Liu Sr. Analytics und Media Manager

Wenn es darum geht, den Erfolg von Werbekampagnen in der Branche der Streaming-Apps (SVOD, AVOD, vMVPD) zu bewerten, ist es nützlich, nicht nur die Anzahl, sondern auch die Effizienz der App-Downloads zu betrachten. Eine Amazon Ads-Studie aus dem Jahr 2020 unterstreicht hier die Bedeutung.

Die wichtigsten Punkte:

Die Branche der Streaming-Anwendungen (SA), zu der Video-on-Demand als Abonnement (SVOD), werbefinanziertes Video-on-Demand (AVOD) und Virtual Multichannel Video Programming Distributor (VMVPD) gehören, verwendet häufig die Anzahl der App-Downloads, um die Leistung verschiedener Werbetreibender zu vergleichen. Wir bei Amazon Ads sind der Überzeugung, dass es wichtig ist, nicht nur die Gesamtzahl der Downloads, sondern auch die Download-Effizienz zu berücksichtigen, d. h. wie oft Impressions zu Downloads führen.

Um die Effizienz der App-Downloads zu berechnen, haben wir im Jahr 2020 die Downloads pro tausend Impressions (DPM) von 38 Marken der Kategorie SA bei Amazon analysiert. Wir haben festgestellt, dass die App-Download-Effizienz der besten Werbetreibenden das 22-fache anderer Werbetreibender betrug. Um Werbetreibenden dabei zu helfen, ihre Download-Effizienz zu optimieren, betrachten wir die Strategien, mit denen sich Top-Performer abheben und geben Empfehlungen zur Verbesserung.

Weitere Informationen über die Erfassung unserer Daten finden Sie im Abschnitt Methoden am Ende dieses Artikels.

1. App-Werbetreibende mit der besten Leistung kombinieren Streaming-TV-Anzeigen, Mobilgerät-Anzeigen und gesponserte Kacheln auf Fire TV.

Diese Studie zeigt, dass Marken, die Streaming-TV-Anzeigen, gesponserte Kacheln auf Fire TV und Mobilgerät-Anzeigen kombinierten, eine 22-fach höhere App-Download-Effizienz verzeichneten und die doppelte Anzahl Impressions lieferten als Werbetreibende, die nur Streaming-TV-Anzeigen verwendeten.

+ 22 %

Download-Effizienz

Doppelte Zahl

der Impressions

Empfehlungen

Wir empfehlen Werbetreibenden bei der Planung von Kampagnen:

  • Erwägen Sie, Anzeigen auf Fire TV, Fire Tablet und Mobilgeräten zu schalten.
  • Passen Sie Werbemittel an Geräte an, damit Kunden auf allen Geräten eine positive Erfahrung machen.

2. App-Werbetreibende mit der besten Leistung variieren ihre Werbemittel.

Kampagnen mit höherer Anzahl von Versionen spezifischer Nachrichten können von Zielgruppen als relevanter empfunden werden und daher zu mehr Engagement führen. Tatsächlich zeigt diese Analyse, dass Werbetreibende mit der besten Leistung die 1,8-fache Zahl spezifischer Werbemittel implementiert haben als andere Werbetreibende.

Empfehlungen

Werbetreibende sollten in Betracht ziehen, Werbemittel laufend zu aktualisieren und A/B-Tests durchzuführen. A/B-Tests sind eine effektive und kostengünstige Methode, um festzustellen, was bei den Zuschauern Anklang findet, und so unnötige Ausgaben zu vermeiden. Wir empfehlen, Elemente wie verschiedene Calls-to-Action und Inhaltstypen zu testen, um herauszufinden, was im Hinblick auf mehr Downloads besser abschneidet. Abschließend möchten wir Werbetreibende daran erinnern, das Anzeigendesign, den Call-to-Action, die Behauptungen, die Preisgestaltung bei Werbemitteln und die Landing Page zu überprüfen, um sicherzustellen, dass Werbeinhalte und Werbemittel-Setups für ein allgemeines Zielpublikum geeignet sind und die Richtlinien von Amazon einhalten.

3. App-Werbetreibende mit der besten Leistung nutzen negative Keywords.

Werbetreibende mit der besten Leistung verwendeten 6–10 % häufiger Strategien mit negativen Keywords als andere Werbetreibende und zeigten auch höhere Effizienz bei App-Downloads.

Empfehlungen

Sie sollten in Betracht ziehen Tools von Amazon Ads zu nutzen, um spezielle Zielgruppensegmente abhängig von Genre, Streaming und Lifestyle sowie In-Market-Verhaltenssignalen zu erstellen, die den Kampagnenzielen entsprechen. Nutzen Sie den standardmäßigen Ergebnisbericht für Zielgruppen, um zu verstehen, welche Zielgruppen nicht auf Kampagnen reagieren, und erwägen Sie, diese in Zukunft auszuschließen.

Methodik

In dieser Studie haben wir im Jahr 2020 die Werbung von 38 Marken in der Kategorie Streaming-Anwendungen in den USA über 12 Monate (Januar bis Dezember) analysiert. In der Kategorie Streaming-Apps finden sich Werbetreibende, die Dienste wie Video-on-Demand als Abonnement, werbefinanziertes Video-on-Demand und Virtual Multichannel Video Programming Distributor (vMVPD) anbieten.

Wir haben Downloads pro tausend Impressions (DPM) als Kennzahl für die Effizienz des App-Downloads verwendet. Anschließend haben wir die wichtigsten Werbestrategien identifiziert, um die DPM mit Algorithmen für maschinelles Lernen zu steigern. Pearson-Korrelation, lineare Regression, XGBoost und Vorschläge von Fachleuten werden verwendet, um Funktionen zu gewichten. Diese Analyse stellt die größten Unterschiede zwischen Werbetreibenden mit dem höchsten und niedrigsten DPM heraus. Sie prognostiziert keine Leistung und beansprucht nicht, kausale Beziehungen festgestellt zu haben.

Wie funktioniert Clustering?

Wir haben eine binäre zusammengesetzten Bewertung auf Grundlage von DPVR erstellt und dann einen XGBoost-Classifier angewendet, um zu identifizieren, welche Merkmale mit welcher Gewichtung diese Marken am besten prognostizieren. Dabei betrachteten wir Werbemaßnahmen als Funktionen, wie Intensität und Mix der Nutzung von Anzeigenprodukten, Timing der Werbeunterstützung, Targeting-Taktiken, Werbemittel und Platzierungen, Anzahl und Bewertungen von Kundenbewertungen, Prozentsatz der Produkte mit hochwertigen Produktseiten und die Arten von Produkten, die in Anzeigen beworben wurden.

Unter Verwendung der genannten Merkmale und Gewichtungen haben wir dann einen k-Medoid-Clusteringalgorithmus angewendet, um Werbetreibende in Cluster zu klassifizieren. Beachten Sie, dass wir Werbetreibende eher nach ihren Aktionen als nach den Komponenten ihrer zusammengesetzten Bewertung klassifiziert haben. Schließlich haben wir die endgültigen Cluster nach ihrer zusammengesetzten Bewertung von hoch bis niedrig eingestuft. Cluster 1 ist der erfolgreichste Cluster mit der höchsten zusammengesetzten Bewertung, Cluster 5 ist der am wenigsten erfolgreiche.