In che modo gli inserzionisti di generi alimentari con le migliori performance aumentano la conoscenza

Kavya Kilari, analisi e dati

Punti salienti dell'articolo:

In uno studio del 2019 condotto su oltre 5.600 aziende con sede negli Stati Uniti che operano nella categoria Alimentari di Amazon abbiamo osservato tre tattiche pubblicitarie utilizzate con maggior frequenza dagli inserzionisti che hanno ottenuto le performance migliori. La categoria Alimentari comprende brand che vendono prodotti come Whole Foods, caffè, bevande fredde e snack.

Gli inserzionisti con le performance migliori registrano mediamente una crescita su base annua 2,2 volte superiore negli indici di brand Amazon (ABI) che misurano la conoscenza (forniscono agli inserzionisti dati sulla parte centrale e iniziale del funnel che quantificano il numero di clienti che conoscono il brand) e una crescita su base annua 1,9 volte superiore nella considerazione ABI (che riflette il numero di clienti che prendono in considerazione l'acquisto) rispetto agli altri inserzionisti. Per approfondire lo studio di tale impatto, abbiamo utilizzato algoritmi di apprendimento automatico atti a identificare le tattiche che differenziavano gli inserzionisti con le performance migliori dagli altri. Questo articolo esplora tali tattiche e fornisce consigli su come migliorarle.

Per maggiori informazioni, consulta la sezione "Metodologia" in fondo a questo articolo.

1. Gli inserzionisti di generi alimentari con le migliori performance sfruttano gli annunci per la TV in streaming

Dati

La nostra analisi mostra che gli inserzionisti nello studio hanno aumentato mediamente la loro copertura media netta totale (solo sulla TV lineare) del 2,2% sfruttando gli annunci per la TV in streaming. Inoltre, uno studio Nielsen del 2019 ha rivelato che circa il 39% di questa copertura incrementale non avrebbe potuto essere raggiunto attraverso la TV lineare a causa del crescente passaggio di spettatori dalla TV lineare alla TV in streaming.

8 volte

più probabilità di pubblicare una campagna sempre attiva

+2,2%

di aumento della copertura netta

+39%

nella copertura attribuita al lancio di Fire TV

Consigli

Gli inserzionisti non dovrebbero solo prendere in considerazione l'aggiunta di annunci per la TV in streaming al loro piano media, ma dovrebbero anche prendere in considerazione la possibilità di pubblicare campagne sempre attive per almeno 25 settimane all'anno.

2. Gli inserzionisti di generi alimentari con le migliori performance utilizzano insieme gli annunci display e quelli per la TV in streaming

Dati

La nostra ricerca ha dimostrato che gli annunci per la TV in streaming e gli annunci display funzionano meglio insieme. I brand con le migliori performance che hanno utilizzato insieme annunci display e per la TV in streaming hanno registrato un aumento su base annua di oltre il 47% delle ricerche relative al brand attribuite agli annunci nel negozio di Amazon. Adottando un approccio a full-funnel attraverso l'utilizzo di strategie complementari e relative alla parte centrale e finale del funnel di campagne sempre attive si possono aiutare gli inserzionisti a coinvolgere i clienti su tutti i canali, ovunque si trovino nel percorso.

Nota: sebbene le ricerche relative al brand non sempre determinino vendite, possono indicare un aumento della considerazione del brand, che è un passo cruciale nel percorso del consumatore.

Consigli

Valuta la possibilità di aumentare il supporto pubblicando annunci per la TV in streaming insieme agli annunci display. Gli inserzionisti dovrebbero inoltre avvalersi di strumenti di Amazon Advertising come:

3. Gli inserzionisti di generi alimentari con le migliori performance utilizzano di più i segmenti di pubblico Amazon

Dati

Gli inserzionisti con le performance migliori hanno registrato un aumento di oltre il 44% della considerazione quando hanno raggiunto segmenti di pubblico basati sui segnali comportamentali (ad esempio, segmento di pubblico lifestyle) rispetto a quando hanno utilizzato solo segmenti di pubblico demografici. Gli inserzionisti con le performance migliori hanno ottenuto il 4,5% di impressioni in più rispetto agli altri inserzionisti.

44%

di aumento della considerazione

4,5%

di aumento delle impressioni generate

Consigli

Utilizzando una combinazione di segmenti di pubblico Amazon in-market e lifestyle gli inserzionisti possono personalizzare il loro approccio alla campagna. Ad esempio, quando gli acquirenti comprano articoli nella categoria Attività fisica e fitness, potrebbero farlo per un aiuto nel raggiungimento di nuovi obiettivi fitness, pertanto gli inserzionisti dovrebbero considerare di utilizzare tale situazione quando sviluppano i propri messaggi pubblicitari. Allo stesso modo, gli acquirenti attenti alla salute potrebbero anche cercare proteine in polvere e altri prodotti per ottenere un aiuto per nell'integrare la propria dieta in relazione a tali obiettivi. Amazon può aiutare gli inserzionisti a raggiungere i segmenti di pubblico coinvolti in attività di acquisto che indicano il potenziale acquisto di un prodotto correlato al fitness effettuato di recente. Gli inserzionisti che hanno accesso ai report relativi all'amplificatore di Amazon e ai dati sul pubblico dovrebbero valutare l'utilizzo di entrambe le risorse per monitorare e ottimizzare meglio i propri segmenti di pubblico in-market e lifestyle.

Metodologia

In questo studio abbiamo analizzato oltre 5.600 brand nella categoria Alimentari e attivi negli Stati Uniti nel 2020. La categoria Alimentari comprende brand che vendono prodotti come Whole Foods, caffè, bevande fredde e snack.

Abbiamo creato un punteggio composito della crescita su base annua degli indici di brand Amazon (ABI) relativi alla conoscenza e degli indici di brand Amazon (ABI) relativi alla considerazione, quindi abbiamo applicato gli algoritmi di apprendimento automatico per individuare le migliori strategie pubblicitarie e di retail che contribuiscono ad aumentare il punteggio composito.

Per prima cosa abbiamo utilizzato un modello supervisionato per individuare un elenco di venti attributi che aiutano a migliorare il punteggio composito tra oltre quaranta attributi media e retail. Abbiamo quindi utilizzato questo elenco di attributi per eseguire analisi cluster tra i brand, facendo in modo che i brand nello stesso cluster avessero attributi pubblicitari e retail simili, mentre quelli in cluster diversi avessero attributi pubblicitari e retail diversi. Questi attributi includono l'utilizzo di prodotti come annunci per la TV in streaming, annunci video e Sponsored Products.

L'algoritmo di apprendimento automatico ha restituito dei cluster. Classifichiamo questi cluster in base ai dati sul successo, confrontiamo i cluster con le migliori e peggiori performance, confrontiamo le loro differenze e deduciamo quali siano gli attributi chiave che differenziano le loro performance in merito alla crescita ABI di conoscenza e considerazione.

Come vengono distribuiti gli inserzionisti tra i cluster?

Abbiamo utilizzato algoritmi di apprendimento automatico per classificare automaticamente gli inserzionisti in cluster in base ai loro attributi pubblicitari e di retail.

Cluster 1

Cluster 2

Cluster 3

Cluster 4

Crescita ABI su base annua della conoscenza. Cluster 1: 2,2; Cluster 2: 2,0; Cluster 3: 1,8; Cluster 4:1,0

Crescita ABI su base annua della conoscenza

Crescita ABI su base annua della considerazione. Cluster 1: 2,5; Cluster 2: 1,7; Cluster 3: 1,6; Cluster 4:1,0

Crescita ABI su base annua della considerazione

Il Cluster 1 ha registrato una crescita su base annua più elevata sia nell'ABI di conoscenza (2,2 volte) sia nell'ABI di considerazione (1,9 volte) rispetto al Cluster 4. Sebbene i Cluster 1 e 2 abbiano registrato una crescita su base annua simile dell'ABI di conoscenza, il Cluster 1 ha superato la performance del Cluster 2 relativamente alla considerazione su base annua dell'ABI (rispettivamente 1,87 volte vs 1,25 volte)

Come funziona il clustering?

Abbiamo creato un punteggio composito binario basato sul DPVR e quindi applicato un classificatore XGBoost per identificare quali funzioni e pesi forniscono le migliori previsioni su queste etichette. In questo lavoro abbiamo considerato le azioni pubblicitarie o di retail come funzioni, ad esempio l'intensità e il mix di utilizzo dei prodotti pubblicitari, i tempi del supporto pubblicitario, le tattiche di targeting, i contenuti creativi e i placement, il numero e le valutazioni delle recensioni del cliente, la percentuale di prodotti con pagine del prodotto di qualità e i tipi di prodotti promossi negli annunci, ecc.

Utilizzando le funzioni e i pesi identificati sopra menzionati, abbiamo quindi applicato un algoritmo di clustering K-medoids per classificare gli inserzionisti in cluster. Va notato che abbiamo classificato gli inserzionisti in base alle loro azioni piuttosto che in base alle componenti del loro punteggio composito. Infine, abbiamo classificato i cluster finali in base ai punteggi compositi dal più alto al più basso. Il cluster 1 è quello di maggior successo con il punteggio composito più alto e il cluster 4 è quello di minor successo.