Cómo los anunciantes de comestibles de mayor rendimiento aumentan su conocimiento
Por: Kavya Kilari, análisis e información
Aspectos destacados de la historia:
En un estudio realizado en 2019 con más de 5600 empresas estadounidenses en la categoría Comestibles de Amazon, observamos tres tácticas publicitarias que los anunciantes de mayor rendimiento utilizaban más que otros anunciantes. La categoría Comestibles incluye marcas que venden productos como Whole Foods, café, bebidas frías y bocadillos.
Los anunciantes de mayor rendimiento tienen, en promedio, un crecimiento interanual 2,2 veces mayor del Índice de marcas de Amazon (ABI) en sus medidas de conocimiento (que proporciona a los anunciantes métricas de embudo medio y superior que cuantifican el número de clientes que conocen una marca), y un crecimiento interanual 1,9 veces mayor en el ABI de consideración (que refleja el número de clientes que consideran comprar) en comparación con otros anunciantes. Para estudiar más a fondo este impacto, utilizamos algoritmos de aprendizaje automático para identificar tácticas que diferenciaban a los anunciantes de mayor rendimiento de otros anunciantes. Este artículo analiza esas tácticas y proporciona recomendaciones sobre cómo mejorarlas.
Para obtener más información, consulta la sección Metodología al final de este artículo.
1. Los anunciantes de comestibles de mayor rendimiento se benefician de los anuncios de TV por streaming
Información
Nuestro análisis muestra que los Anunciantes del estudio, en promedio, aumentaron su alcance total en medios netos (solo en TV lineal) en un 2,2% gracias al aprovechamiento de los anuncios de TV por streaming. Además, un estudio de Nielsen de 2019 reveló que aproximadamente el 39% de este alcance incremental no podría haberse logrado a través de la TV lineal debido al cambio cada vez mayor de la TV lineal a la TV por streaming.
8 veces
más de probabilidades de llevar a cabo una campaña siempre activa
+2,2%
de aumento del alcance neto
+39%
de alcance atribuido al lanzamiento de Fire TV
Recomendaciones
Los anunciantes no solo deberían considerar la posibilidad de añadir anuncios de TV por streaming a su plan de medios, sino que también deberían considerar la posibilidad de realizar campañas siempre activas durante, al menos, 25 semanas al año.
2. Los anunciantes de comestibles de mayor rendimiento utilizan anuncios de display y de TV por streaming juntos
Información
Nuestra investigación demostró que los anuncios de TV por streaming y los anuncios de display funcionan mejor juntos. Las marcas de mayor rendimiento que utilizaron anuncios de display y de TV por streaming en conjunto registraron un aumento de más del 47% en las búsquedas de marca atribuidas al anuncio en la tienda de Amazon año tras año. Adoptar un enfoque de embudo de ventas completo mediante el uso de estrategias de embudo superior e inferior complementarias y siempre activas puede ayudar a los anunciantes a interactuar con los clientes en todos los canales, en cualquier parte de su proceso.
Nota: Si bien las búsquedas de marca no siempre generan ventas, pueden indicar un aumento en la consideración de la marca, lo cual es un paso crucial en el proceso del consumidor.
Recomendaciones
Considera aumentar la visibilidad publicando anuncios de TV por streaming sobre los anuncios de display. Los anunciantes también deben utilizar las herramientas de Amazon Advertising, tales como:
- Generador de creatividades para vídeo de Amazon: es una herramienta de uso gratuito que permite a los anunciantes crear anuncios de vídeo.
3. Los anunciantes de comestibles de mayor rendimiento utilizan más los segmentos de audiencia de Amazon
Información
Los anunciantes de mayor rendimiento vieron un aumento de más del 44% en la consideración al alcanzar a las audiencias según señales de comportamiento (por ejemplo, el segmento de audiencia de estilo de vida), en comparación con cuando solo utilizaban segmentos de audiencia del sector demográfico. Los anunciantes de mayor rendimiento también generaron más del 4,5% de impresiones que otros anunciantes.
+44%
de aumento en la consideración
+4,5%
de impresiones mostradas
Recomendaciones
Al utilizar una combinación de audiencias de Amazon del mercado interno y estilo de vida de Amazon, los anunciantes pueden adaptar su enfoque de campaña. Por ejemplo, cuando los compradores compran en la categoría Ejercicio y fitness, pueden hacerlo para alcanzar nuevos objetivos de fitness, por lo que los anunciantes deberían considerar esto al desarrollar sus mensajes. Del mismo modo, los compradores preocupados por la salud también podrían estar buscando proteínas en polvo y otros productos que les ayuden a complementar sus dietas en relación con estos objetivos. Amazon puede ayudar a los anunciantes a tener alcance a audiencias que interactúan con actividades de compra que indican que han adquirido recientemente un producto relacionado con el fitness. Los anunciantes con acceso a los informes amplificadores e información de audiencias de Amazon deberían considerar la posibilidad de utilizar ambos recursos para mejorar el seguimiento y la optimización de sus audiencias del mercado interno y estilo de vida.
Metodología
En este estudio, analizamos más de 5600 marcas de la categoría Comestibles en Estados Unidos en 2020. La categoría Comestibles incluye marcas que venden productos como Whole Foods, café, bebidas frías y bocadillos.
Creamos una puntuación de éxito compuesta del crecimiento interanual del Índice de marcas de Amazon (ABI) de conocimiento y del ABI de consideración y, a continuación, identificamos las principales estrategias de publicidad y retail para ayudar a aumentar su puntuación compuesta con algoritmos de aprendizaje automático.
En primer lugar, utilizamos un modelo supervisado para identificar una lista de 20 atributos que ayudan a mejorar la puntuación compuesta entre más de 40 atributos de medios y de retail. Luego utilizamos esta lista de atributos para realizar análisis en clústeres entre marcas, de modo que las marcas del mismo clúster sean similares en relación a los atributos de anuncio y de retail, mientras que las marcas de grupos distintos sean diferentes en cuanto a sus atributos de anuncio y de retail. Estos atributos incluyen el uso del producto, como anuncios de TV por streaming, anuncios de vídeo y Sponsored Products.
El algoritmo de aprendizaje automático devuelve clústeres. Clasificamos estos clústeres según las métricas de éxito, los comparamos según los que tienen mayor y menor rendimiento, comparamos sus diferencias y concluimos los atributos clave que diferencian su rendimiento en cuanto al crecimiento del ABI de conocimiento y consideración.
¿Cómo se distribuyen los anunciantes en los clústeres?
Utilizamos algoritmos de aprendizaje automático para clasificar automáticamente a los anunciantes en clústeres en función de sus atributos publicitarios y de retail.
Clúster 1
Clúster 2
Clúster 3
Clúster 4
Crecimiento interanual del ABI de conocimiento
Crecimiento interanual del ABI de consideración
El clúster 1 tuvo un mayor crecimiento interanual tanto en el ABI de conocimiento (2,2 veces más) como en el ABI de consideración (1,9 veces más) que en el clúster 4. Aunque los clústeres 1 y 2 tuvieron un crecimiento interanual similar en el ABI de conocimiento, el clúster 1 superó al 2 en el crecimiento interanual del ABI de consideración (1,87 veces más frente a 1,25 veces más, respectivamente)
¿Cómo funciona el análisis de clústeres?
Creamos una puntuación compuesta binaria basada en DPVR y, a continuación, aplicamos un clasificador XGBoost para identificar qué características y pesos predicen mejor estas etiquetas. Al hacerlo, consideramos las medidas publicitarias o de retail como características, tales como la intensidad y la combinación de uso de productos publicitarios, el soporte para los tiempos de publicidad, las estrategias de segmentación, las creatividades y los emplazamientos, las reseñas, los recuentos y las calificaciones de los clientes, el porcentaje de productos con páginas del producto de calidad y los tipos de productos promocionados en los anuncios.
Con las características y pesos identificados mencionados anteriormente, aplicamos un algoritmo de análisis por clústeres k-medoid para clasificar a los anunciantes en clústeres. Ten en cuenta que clasificamos a los anunciantes por sus medidas y no por lo que contiene su puntuación compuesta. Por último, clasificamos los clústeres finales según su puntuación compuesta de mayor a menor. El clúster 1 es el más exitoso, con la puntuación compuesta más alta, y el clúster 4 es el menos exitoso y tiene la puntuación compuesta más baja.