Comment les annonceurs les plus performants de la catégorie Épicerie accroissent leur notoriété

Par : Kavya Kilari, Analyses et Données

À retenir :

Dans une étude réalisée en 2019 auprès de plus de 5 600 entreprises américaines de la catégorie Épicerie d'Amazon, nous avons observé trois tactiques publicitaires plus utilisées par les annonceurs les plus performants que par les autres annonceurs. La catégorie Épicerie comprend les marques vendant des produits tels que Whole Foods, du café, des boissons froides et des collations.

Les annonceurs les plus performants affichent, en moyenne, une croissance de 2,2 fois plus élevée par an de leurs mesures de notoriété Amazon Brand Index (ABI) (qui fournissent aux annonceurs des statistiques sur le nombre de clients qui connaissent la marque, aux niveaux intermédiaire et supérieur de l'entonnoir), et une croissance de 1,9 fois plus élevée par an de la considération ABI (qui reflète le nombre de clients qui envisagent d'acheter) par rapport aux autres annonceurs. Pour mieux étudier cet impact, nous avons utilisé des algorithmes d'apprentissage automatique pour identifier les tactiques qui différenciaient les annonceurs les plus performants des autres annonceurs. Cet article explore ces tactiques et fournit des recommandations sur la manière de les améliorer.

Pour plus d'informations, voir la section Méthodologie à la fin de cet article.

1. Les annonceurs les plus performants de la catégorie Épicerie tirent parti des Streaming TV ads

Données

Notre analyse montre que les annonceurs de l'étude ont, en moyenne, augmenté leur portée médiatique nette totale (par rapport à la télévision linéaire uniquement) de +2,2 % en tirant parti des Streaming TV ads. En outre, une étude Nielsen de 2019 a révélé qu'environ 39 % de cette portée supplémentaire n'aurait pas pu être atteinte par la télévision linéaire étant donné que celle-ci cède de plus en plus la place à la télévision en streaming.

8 x

plus susceptibles de mener une campagne active en continu

+2,2 %

augmentation de la portée nette

+39 %

de portée attribuée au lancement deFire TV

Recommandations

Les annonceurs devraient non seulement envisager d'ajouter des Streaming TV ads à leur plan média, mais aussi de mener des campagnes actives en continu pendant au moins 25 semaines par an.

2. Les annonceurs les plus performants de la catégorie Épicerie utilisent à la fois les publicités Display et Streaming TV ads

Données

Nos recherches ont montré que les Streaming TV ads et les publicités Display sont plus efficaces ensemble. Les marques les plus performantes qui ont utilisé ensemble des publicités Display et des Streaming TV ads ont enregistré une augmentation de 47 % des recherches de marques attribuées à la publicité dans Store Amazon d'une année à l'autre. L'adoption d'une approche "full-funnel" par l'utilisation de stratégies complémentaires et actives en continu aux niveaux supérieur et inférieur de l'entonnoir peut aider les annonceurs à s'engager auprès des clients sur tous les canaux, où qu'ils se trouvent dans leur parcours.

Remarque : Bien que les recherches de marque ne se traduisent pas toujours par des ventes, elles peuvent indiquer une augmentation de la considération pour la marque, ce qui est une étape cruciale dans le parcours du consommateur.

Recommandations

Envisagez d'augmenter la prise en charge en diffusant des Streaming TV ads en plus des publicités Display. Les annonceurs devraient également utiliser les outils Amazon Advertising tels que :

3. Les annonceurs les plus performants de la catégorie Épicerie utilisent davantage les segments d'audience Audiences Amazon

Données

Les annonceurs les plus performants ont enregistré une augmentation de +44% de la considération lorsqu'ils ont atteint des audiences basées sur des signaux comportementaux (par exemple, segment d'audience Mode de vie) par rapport à ceux qui n'ont utilisé que des segments d'audience démographiques. Les annonceurs les plus performants ont également diffusé +4,5 % d'impressions supplémentaires par rapport aux autres annonceurs.

+44%

augmentation de la considération

+4,5 %

Impressions diffusées

Recommandations

En utilisant une combinaison d'audiences Amazon in-market et mode de vie, les annonceurs peuvent adapter leur approche de campagne. Par exemple, lorsque les acheteurs achètent dans la catégorie Exercice et Fitness, ils cherchent peut-être à atteindre de nouveaux objectifs de remise en forme. Les annonceurs devraient donc penser à utiliser cette idée lorsqu'ils élaborent leurs messages. De même, les acheteurs soucieux de leur santé pourraient également être à la recherche de protéines en poudre et d'autres produits pour les aider à compléter leur alimentation et atteindre ces objectifs. Amazon peut aider les annonceurs à atteindre des audiences engagées dans des activités d'achat qui indiquent que ces personnes ont peut-être récemment acheté un produit associé au fitness. Les annonceurs ayant accès aux rapports Amplifier et les données sur les audiences d'Amazon devraient envisager d'utiliser ces deux ressources pour mieux surveiller et optimiser leurs audiences in-market et mode de vie.

Méthodologie

Dans cette étude, nous avons analysé plus de 5 600 marques de la catégorie Épicerie aux États-Unis en 2020. La catégorie Épicerie comprend les marques vendant des produits tels que Whole Foods, du café, des boissons froides et des collations.

Nous avons créé un score composite de réussite basé sur la croissance annuelle de l'indice de notoriété Amazon Brand Index (ABI) et la croissance annuelle de l'indice de considération Amazon Brand Index (ABI), puis nous avons identifié les meilleures stratégies de publicité et de vente au détail pour aider à augmenter leur score composite grâce à des algorithmes de machine learning.

Nous avons d'abord utilisé un modèle supervisé pour identifier une liste de 20 attributs qui contribuent à améliorer le score composite parmi plus de 40 attributs de médias et de vente au détail. Nous utilisons ensuite cette liste d'attributs pour effectuer une analyse de cluster entre les marques, de sorte que les marques d'un même cluster soient similaires en termes d'attributs publicitaires et de vente au détail, tandis que les marques appartenant à différents clusters diffèrent en termes d'attributs publicitaires et de vente au détail. Ces attributs incluent l'utilisation des produits tels que Streaming TV ads, publicités vidéo et Sponsored Products.

L'algorithme de machine learning renvoie des clusters. Nous classons ces clusters en fonction des statistiques de succès, comparons les clusters les plus et les moins performants, comparons leurs différences et concluons les attributs clés qui différencient leurs performances en termes d’indice de notoriété ABI et d’indice de considération ABI.

Comment les annonceurs sont-ils répartis en clusters ?

Nous avons utilisé des algorithmes de machine learning pour classer automatiquement les annonceurs en clusters sur la base de leurs attributs publicitaires et de vente au détail.

Cluster 1

Cluster 2

Cluster 3

Cluster 4

Croissance annuelle de l’indice de notoriété ABI. Cluster 1 : 2,2 ; Cluster 2 : 2,0 ; Cluster 3 : 1,8 ; Cluster 4: 1,0

Croissance annuelle de l’indice de notoriété ABI

Croissance annuelle de l’indice de considération ABI. Cluster 1 : 2,5 ; Cluster 2 : 1,7 ; Cluster 3 : 1,6 ; Cluster 4: 1,0

Croissance annuelle de l’indice de considération ABI

Le cluster 1 a connu une croissance annuelle supérieure à celle du cluster 4, tant pour l'indice de notoriété (2,2x) que pour l'indice de considération ABI (1,9x). Bien que les Clusters 1 et 2 aient connu une croissance annuelle similaire en termes d'indice de notoriété ABI, le Cluster 1 a surpassé le Cluster 2 en termes de croissance annuelle de l'indice de considération ABI (respectivement 1,87x vs 1,25x)

Comment fonctionne le clustering ?

Nous avons créé un score composite binaire basé sur le DPVR (taux de vues de la page produit), puis appliqué un classificateur XGBoost pour identifier les fonctionnalités et les pondérations qui prédisent le mieux ces étiquettes. Ce faisant, nous avons considéré les actions publicitaires et de vente au détail comme des fonctionnalités telles que l'intensité et la combinaison de l'utilisation des produits publicitaires, le timing du support publicitaire, les tactiques de ciblage, les créations et les emplacements, le nombre de commentaires des clients et les notes, le pourcentage de produits avec des pages produit de qualité et les types de produits promus dans les publicités.

En utilisant les fonctionnalités identifiées et les pondérations mentionnées ci-dessus, nous avons ensuite appliqué un algorithme de clustering k-medoid pour classer les annonceurs en clusters. Notez que les annonceurs ont été classés en fonction de leurs actions plutôt qu'en fonction des composants de leur score composite. Enfin, les clusters finaux ont été classés en fonction de leurs scores composites, du plus élevé au plus faible. Le cluster 1 est le plus performant avec le score composite le plus élevé, et le cluster 4 est le moins performant avec le score composite le plus faible.