완구 상품 광고주가 아마존에서 성장을 향상시키기 위해 사용하는 2가지 전략

작성자: Andrew Holsopple, 분석 및 미디어 관리자

아마존 스토어에 있는 1,400개 이상의 완구 카테고리 브랜드를 연구했으며 상세 페이지 조회수와 브랜드 신규 고객 성장률이 매년 성장한 이유를 발견했습니다.

스토리 하이라이트:

본 연구에서는 2020년에 미국 내 완구 카테고리에서 1,400개 이상의 브랜드를 분석했습니다. 완구 카테고리에는 건축, 게임, 액션 피규어 및 컬렉션, 수집품 및 공예품, 유아용 장난감, 승용 완구와 같은 상품을 판매하는 브랜드가 포함됩니다. 전년 대비 상세 페이지 조회율(DPVGR)과 브랜드 신규 고객 전년 대비 성장률(NTBGR)의 종합 점수를 만든 다음 기계 학습 알고리즘으로 복합 점수를 높이는 데 사용한 최고의 광고 및 소매 전략을 파악했습니다.

DPGVR 및 NTBGR을 개선하려는 광고주는 다음 사항을 고려해야 합니다.

데이터 수집 방법에 대한 자세한 내용은 이 기사 끝에 있는 방법론 섹션을 참조하세요.

1. 뛰어난 퍼포먼스를 기록하는 완구 상품 광고주는 Sponsored Display 및 Sponsored Products 캠페인을 상시 사용합니다.

인사이트

2020년에는 뛰어난 퍼포먼스를 기록하는 완구 상품 광고주의 74%가 Sponsored Products and Sponsored Brands에 대해 연중 내내 상시 캠페인을 진행했습니다.

권장 사항

상시 캠페인 사용 시 다음 사항을 권장합니다.

  • 키워드 범위: 카테고리 키워드를 사용하면 퍼널에서 신규 고객에게 다가가도록 돕고, 그런 다음 브랜드 키워드를 사용하여 전환을 유도할 수 있습니다.
  • Sponsored Brands 시즌 예산: 쇼핑객의 검색 및 구매 행동은 연중 성수기와 저조한 시즌에 따라 다르며, 이를 반영하기 위해 예산을 동기화하면 ROI(투자 수익률)를 최대화하는 데 도움이 됩니다. 분석에 따르면 완구 부문은 아마존 쇼핑 이벤트 동안 Sponsored Brands 사용량이 증가한 것으로 나타났습니다.
  • 프로모션된 ASIN을 너무 자주 변경하지 않기: 검색 및 관련성을 지원하려면 효과를 발휘할 정도로 충분한 기간을 갖고 일별 또는 주간과 같이 프로모션된 ASIN을 너무 자주 변경하지 않도록 합니다.

2. 뛰어난 퍼포먼스를 기록하는 완구 상품 광고주는 아마존 쇼핑 이벤트 동안 Sponsored Display 및 Sponsored Brands에 대한 지원을 높입니다.

인사이트

뛰어난 퍼포먼스를 기록하는 완구 상품 광고주의 100%가 아마존 이벤트 기간 동안 Sponsored Brands에 노출되었으며, 61%가 아마존 이벤트 기간 동안 Sponsored Display에 노출되었습니다. 아마존 분석에 따르면 고객이 시간을 보내는 모든 위치에서 아마존 DSP 캠페인을 사용하는 브랜드는 노출수를 높이는 것 외에도 브랜드 신규 고객이 많아진다는 것을 알 수 있습니다.

권장 사항

아마존 쇼핑 이벤트 동안 광고할 때 고려해야 할 몇 가지 사항이 있습니다.

  • 쇼핑객들은 상품을 검색하고, 고려하고, 구매하기 위해 아마존을 방문합니다. 일반적으로 아마존 쇼핑 이벤트 전에는 참여도를 높이고 이후에는 참여도를 유지합니다. 연휴 기간 동안 종종 10월 말과 11월 초에 조사를 시작하여, 블랙프라이데이와 사이버먼데이 주말에 최고조에 달하며, 12월 말까지 계속 이어집니다. 따라서 광고주는 리드업 패키지로 쇼핑객과 조기에 소통하고 잠재력을 극대화하기 위해 이벤트 후 리마케팅을 사용하는 것을 고려해야 합니다.
  • 광고주는 잠재고객 세그먼트를 사용하여 아마존 쇼핑 이벤트 동안 구매할 가능성이 가장 높은 고객에게 도달할 수 있습니다.
  • 광고주는 고객이 시간을 보내는 모든 위치에서 Sponsored Display와 아마존 DSP를 사용할 수 있습니다.

방법론

먼저 감독형 모델을 사용하여 30개 이상의 미디어 및 리테일 특성 중 종합 점수를 높이는 데 도움이 되는 특성 목록을 파악했습니다. 그런 다음 이 특성 목록을 사용했고 광고주/브랜드 간에 클러스터 분석을 수행했습니다. 따라서 동일한 클러스터의 광고주/브랜드는 광고 및 리테일 속성이 비슷하지만 다른 클러스터에 있는 광고주/브랜드는 광고 및 소매 속성이 다릅니다. 이러한 속성은 X1, X2,... Xn입니다. (속성은 비주얼에서 버블로 표시됨)
기계 학습 알고리즘이 4개의 클러스터를 반환했습니다. 성공 메트릭을 기준으로 이 4개 클러스터의 순위를 매겨서 최상위 및 하위 퍼포먼스 클러스터의 차이점을 비교하고 NTB와 GV 성장의 퍼포먼스를 차별화하는 주요 특성을 파악했습니다.

클러스터링은 어떻게 작동하나요?
DPVR을 기반으로 이진 종합 점수를 생성한 뒤 XGBoost 분류자를 적용하여 어떤 기능과 어떤 가중이 이러한 분류를 가장 잘 예측하는지 파악했습니다. 이 과정에서 광고 상품 사용 강도 및 조합, 광고 지원 시기, 타겟팅 전략, 크리에이티브 및 배치, 고객 리뷰 횟수 및 평점, 양질의 상품 페이지가 있는 상품 비율, 광고에서 프로모션하는 상품의 유형 등을 광고 또는 리테일 조치의 기능으로 간주했습니다.

식별한 기능과 위에서 언급한 가중을 사용한 다음 k-medoid 클러스터링 알고리즘을 적용하여 광고주를 클러스터로 분류했습니다. 종합 점수의 구성 요소가 아니라 활동에 따라 광고주를 분류했습니다. 그런 다음에 종합 점수에 따라 내림차순으로 최종 클러스터 순위를 책정했습니다.