2 Taktiken, mit denen Top-Werbetreibende im Bereich Spielzeug ihr Wachstum auf Amazon verbessern
Von: Andrew Holsopple, Analytics and Media Manager
Wir untersuchten über 1.400 Marken in der Kategorie Spielzeug im Amazon Store, um Erkenntnisse über das jährliche Wachstum bei den detaillierten Seitenaufrufen und den Marken-Neukunden zu gewinnen.
Die wichtigsten Highlights:
In dieser Studie haben wir über 1 400 Marken der Kategorie Spielzeug in den USA im Jahr 2020 analysiert. Die Kategorie Spielzeug umfasst Marken, die Produkte wie Bau-, Spiel-, Actionfiguren und Sammlerstücke, Kunsthandwerk, Spielzeug für Kleinkinder und Ride-ons verkaufen. Wir erstellten eine zusammengesetzte Bewertung der jährlichen Wachstumsrate von Detailseitenaufrufen (DPVGR) und der jährlichen Wachstumsrate von Neukunden (NTBGR) und identifizierten dann die besten Werbe- und Einzelhandelsstrategien, um zur Erhöhung der zusammengesetzten Bewertung mithilfe von Algorithmen für maschinelles Lernen beizutragen.
Werbetreibende, die ihre DPGVR und NTBGR verbessern wollen, sollten Folgendes in Betracht ziehen:
- Durchführung von Always-On-Kampagnen für Sponsored Display und Sponsored Products
- Mehr Unterstützung von Sponsored Display und Sponsored Brands bei Amazon Shopping-Events.
- Optimierung ihres Investitionsmixes.
Weitere Informationen über die Erfassung unserer Daten finden Sie im Abschnitt „Methoden“ am Ende dieses Artikels.
1. Die leistungsstärksten Werbetreibenden im Bereich Spielzeug nutzen Always-On-Kampagnen für Sponsored Display und Sponsored Products
Insights
Im Jahr 2020 führten 74 % der leistungsstärksten Werbetreibenden im Bereich Spielzeug das ganze Jahr über Always-On-Kampagnen sowohl für Sponsored Products als auch für Sponsored Brands durch.
Empfehlungen
Bei der Durchführung von Always-On-Kampagnen empfehlen wir:
- Keyword-Abdeckung: Verwenden Sie Kategorie-Keywords, um zum Erreichen neuer Zielgruppen im Funnel beizutragen, und verwenden Sie dann Marken-Keywords, um die Conversion zu fördern.
- Saisonbudgets für Sponsored Brands: Das Such- und Kaufverhalten der Käufer hat im Laufe des Jahres Höhen und Tiefen, und die Synchronisierung von Budgets, um dies widerzuspiegeln, trägt zur Maximierung des Return on Investment (ROI) bei. Unsere Analyse hat gezeigt, dass die Top-Performer im Bereich Spielzeug die Nutzung von Sponsored Brands während der Amazon Shopping-Events erhöht haben.
- Ändern Sie beworbene ASINs nicht zu häufig: Um die Entdeckung und Relevanz zu unterstützen, sollten Sie einen ausreichenden Zeitraum einplanen und die beworbenen ASINs nicht zu häufig ändern, wie täglich oder wöchentlich.
2. Die leistungsstärksten Werbetreibenden im Bereich Spielzeug erhöhen die Unterstützung von Sponsored Display und Sponsored Brands während der Amazon-Shopping-Events
Insights
100 % der leistungsstärksten Werbetreibenden im Bereich Spielzeug lieferten Sponsored Brands-Impressions während Amazon-Events, und 61 % lieferten Sponsored Display-Impressions während Amazon-Events. Unsere Analyse zeigt nicht nur Impressions, sondern zeigt auch, dass Marken, die Amazon DSP-Kampagnen überall dort einsetzen, wo Kunden ihre Zeit verbringen, ein höheres Markenwachstum aufweisen.
Empfehlungen
Bei der Werbung während Amazon-Shopping-Events sind einige Dinge zu beachten:
- Käufer besuchen Amazon, um Produkte zu recherchieren, zu betrachten und zu kaufen. Sie zeigen in der Regel mehr Interesse vor Amazon-Shopping-Events und bleiben danach weiterhin interessiert. Während der Weihnachtszeit beginnen sie oft schon Ende Oktober und Anfang November mit ihren Recherchen, erreichen ihren Höhepunkt während des Black Friday- und Cyber Monday-Wochenendes und bleiben bis Ende Dezember aktiv. Werbetreibende sollten daher frühzeitig mit Lead-up-Paketen auf die Kunden zugehen und die Weitervermarktung nach Veranstaltungen in Betracht ziehen, um das Potenzial zu maximieren.
- Werbetreibende können Zielgruppensegmente verwenden, um Kunden zu erreichen, die am ehesten während Amazon-Shopping-Events einkaufen.
- Werbetreibende können Sponsored Display und Amazon DSP überall dort nutzen, wo Kunden ihre Zeit verbringen.
Methodik
Wir nutzen zunächst ein überwachtes Modell, um eine Liste von Attributen zu identifizieren, die dazu beitragen, die zusammengesetzte Bewertung unter mehr als 30 Medien- und Einzelhandelsattributen zu verbessern. Wir haben dann diese Attributliste verwendet und eine Clusteranalyse unter Werbetreibenden/Marken durchgeführt, sodass Werbetreibende/Marken im selben Cluster in Bezug auf Anzeigen- und Einzelhandelsattribute ähnlich sind, während Werbetreibende/Marken in verschiedenen Clustern sich in Anzeigen- und Einzelhandelsattributen unterscheiden. Diese Attribute sind X1, X2, … Xn. (Attribute werden in der Illustration als Blasen angezeigt).
Die Algorithmen für Machine Learning gaben 4 Cluster aus. Wir haben diese 4 Cluster nach den Erfolgsstatistiken eingestuft, die Cluster mit der besten/schlechtesten Leistung sowie deren Unterschiede verglichen und die wichtigsten Attribute identifiziert, die den Unterschied bei NTB und GV-Wachstum ausmachen.
Wie funktioniert das 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 Funktionen diese Marken am besten prognostiziert haben. Dabei betrachteten wir Werbe- oder Einzelhandelsmaßnahmen 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 Handlungen als nach den Komponenten ihrer zusammengesetzten Bewertung klassifiziert haben. Danach haben wir die endgültigen Cluster nach ihrer zusammengesetzten Bewertung von hoch bis niedrig eingestuft.