Hoe best presterende adverteerders voor levensmiddelen voor meer bekendheid zorgen
Door: Kavya Kilari, Analytics and Insights
Hoogtepunten van het verhaal:
In een onderzoek uit 2019 onder meer dan 5600 Amerikaanse bedrijven in de categorie Levensmiddelen van Amazon hebben we drie advertentietactieken vastgesteld die vaker worden gebruikt door best presterende adverteerders dan door andere adverteerders. De categorie Levensmiddelen omvat merken die producten verkopen zoals whole foods, koffie, koude dranken en snacks.
De best presterende adverteerders hebben een gemiddeld 2,2x hogere jaarlijkse groei (YoY) in hun Amazon Brand Index-bewustzijnsmetingen (ABI); deze bieden adverteerders statistieken uit het midden en de bovenkant van de trechter, waarbij het aantal klanten dat zich bewust is van een merk, gekwantificeerd). De adverteerders hebben ook een 1,9x hogere jaarlijkse groei in ABI-overweging in vergelijking met andere adverteerders; hierbij wordt gekeken naar het aantal klanten dat overweegt een aankoop te doen). Om deze impact verder te bestuderen, gebruikten we machine learning-algoritmen om tactieken te identificeren die de best presterende adverteerders onderscheiden van andere adverteerders. In dit artikel worden die tactieken onderzocht en worden er aanbevelingen gedaan om deze te verbeteren.
Raadpleeg het gedeelte Methode aan het eind van dit artikel voor meer informatie.
1. De best presterende adverteerders van levensmiddelen maken gebruik van Streaming TV ads
Inzichten
Onze analyse toont aan dat adverteerders in het onderzoek gemiddeld hun totale netto mediabereik (alleen via lineaire tv) met 2,2% hebben verhoogd door gebruik te maken van Streaming TV ads. Bovendien bleek uit een onderzoek van Nielsen uit 2019 dat ongeveer 39% van dit incrementele bereik niet had kunnen worden bereikt via lineaire tv vanwege de toenemende verschuiving van lineaire tv naar streaming tv.
8x
grotere kans dat er gebruik wordt gemaakt van een altijd-aan-campagne
+2,2%
toename van het netto bereik
+39%
van bereik toegeschreven aan de lancering van Fire TV
Aanbevelingen
Adverteerders moeten niet alleen overwegen om Streaming TV ads toe te voegen aan hun mediaplan, maar ze moeten ook overwegen om altijd-aan-campagnes te gebruiken gedurende ten minste 25 weken van het jaar.
2. De best presterende adverteerders van levensmiddelen maken gebruik van zowel display-advertenties als Streaming TV ads
Inzichten
Uit ons onderzoek is gebleken dat Streaming TV ads en display-advertenties extra goed werken als ze tegelijk worden gebruikt. De best presterende merken die display-advertenties en tegelijk Streaming TV ads gebruikten, hadden een jaarlijkse toename van 47% in het aantal aan advertenties toegeschreven merkzoekopdrachten op Amazon. Door een volledige funnel-benadering te gebruiken met aanvullende, altijd-aan-strategieën boven in en onder in de trechter, worden adverteerders geholpen om via verschillende kanalen met klanten te engageren, in welke fase van hun traject zij zich ook bevinden.
Opmerking: Hoewel merkzoekopdrachten niet altijd resulteren in verkoop, kunnen ze wijzen op een toename aan overweging voor het merk. Dit is een belangrijke stap is in het klanttraject.
Aanbevelingen
Overweeg om de ondersteuning te vergroten door naast display-advertenties ook gebruik te maken van Streaming TV ads. Adverteerders kunnen ook gebruikmaken van de tools van Amazon Ads, zoals:
- De video-creative builder van Amazon - een gratis tool waarmee adverteerders videoadvertenties kunnen maken.
3. De best presterende adverteerders van levensmiddelen maken meer gebruik van doelgroepsegmenten in Amazon-doelgroepen
Inzichten
Best presterende adverteerders zagen een toename van 44% overweging wat betreft het bereiken van doelgroepen op basis van gedragssignalen (bijv. doelgroepsegment Lifestyle) in vergelijking met wanneer deze adverteerders alleen demografische doelgroepsegmenten gebruikten. Best presterende adverteerders hadden ook 4,5% meer impressies dan andere adverteerders.
+44%
verhoging van de overweging
+4,5%
geleverde impressies
Aanbevelingen
Door een combinatie van Amazon in-market- en lifestyle-doelgroepen te gebruiken, kunnen adverteerders hun campagneaanpak aanpassen. Wanneer shoppers bijvoorbeeld aankopen doen in de categorie Sporten en fitness, doen ze dit mogelijk om te helpen hun nieuwe fitnessdoelen te bereiken. Adverteerders moeten dus overwegen om dit te gebruiken bij het ontwikkelen van hun berichten. Op dezelfde manier zijn gezondheidsbewuste shoppers mogelijk op zoek naar eiwitpoeder en andere producten om hen te helpen hun dieet aan te vullen om hun fitnessdoelen te behalen. Amazon kan adverteerders helpen om doelgroepen te bereiken die bepaalde winkelactiviteit laten zien waaruit blijkt dat ze onlangs een fitnessgerelateerd product hebben gekocht. Adverteerders met toegang tot Amplifier-rapporten en inzichten van de doelgroep van Amazon moeten overwegen om beide aanpakken te gebruiken, om zo hun in-market- en lifestyle-doelgroepen beter te monitoren en te optimaliseren.
Methode
In dit onderzoek hebben we in de Verenigde Staten in 2020 meer dan 5600 merken in de categorie Levensmiddelen geanalyseerd. De categorie Levensmiddelen omvat merken die producten verkopen zoals whole foods, koffie, koude dranken en snacks.
We hebben een samengestelde successcore gemaakt van het jaarlijkse groeipercentage van het bewustzijn in Amazon Brand Index (ABI) en het jaarlijkse groeipercentage van de overweging in Amazon Brand Index (ABI). Vervolgens hebben we met behulp van machine learning uitgezocht welke advertentie- en retailstrategieën het meest succesvol waren om de samengestelde score te helpen verhogen.
We gebruikten eerst een supervised model om een reeks van 20 kenmerken te identificeren die zouden helpen om de samengestelde score voor meer dan 40 media- en retailkenmerken te verbeteren. Vervolgens hebben we deze reeks kenmerken gebruikt en clusteranalyses uitgevoerd onder merken, zodat merken in hetzelfde cluster vergelijkbare advertentie- en retailkenmerken hebben, en merken in verschillende clusters verschillende advertentie- en retailkenmerken hebben. Deze kenmerken omvatten productgebruik, zoals Streaming TV ads, videoadvertenties en Sponsored Products.
De algoritmen voor machine learning leverde clusters op. We rangschikken deze clusters op basis van de successtatistieken, vergelijken de clusters met de beste en slechtste prestaties, vergelijken de verschillen en bepalen de belangrijkste kenmerken waarmee hun prestaties worden onderscheiden op het gebied ABI-groei voor bewustzijn en overweging.
Hoe worden adverteerders verspreid over de clusters?
We gebruikten algoritmen voor machine learning om adverteerders automatisch in te delen in clusters op basis van hun advertentie- en retailkenmerken.
Cluster 1
Cluster 2
Cluster 3
Cluster 4
YoY-groei voor ABI-bewustzijn
YoY-groei voor ABI-overweging
Ten opzichte van cluster 4 had cluster 1 een hogere jaarlijkse groei, zowel in de ABI voor bewustzijn (2,2x) als de ABI voor overweging (1,9x). Hoewel clusters 1 en 2 een vergelijkbare jaarlijkse groei van ABI voor bewustzijn hadden, presteerde cluster 1 beter dan cluster 2 wat betreft de jaarlijkse groei in de ABI voor overweging (respectievelijk 1,87x ten opzichte van 1,25x)
Hoe werkt clustering?
We hebben een binaire samengestelde score gemaakt op basis van DPVR en hebben vervolgens een XGBoost classifier toegepast om te bepalen welke functies met welke wegingsfactor deze labels het beste kunnen worden voorspeld. Hierbij hebben we advertentie- of retailacties beschouwd als kenmerken zoals gebruiksintensiteit en mix van advertentieproducten, timing van advertentieondersteuning, tactieken voor targeting, creatives en plaatsingen, aantal klantrecensies en beoordelingen, percentage van producten met hoogwaardige productpagina's en de soorten producten die in advertenties worden gepromoot.
Met behulp van de hierboven genoemde elementen en waarden hebben we vervolgens een k-medoid-clusteralgoritme toegepast om adverteerders in clusters te classificeren. Houd er rekening mee dat we adverteerders hebben geclassificeerd op basis van hun acties in plaats van op de onderdelen van hun samengestelde score. Vervolgens hebben we de laatste clusters gerangschikt op basis van hun samengestelde scores van hoog naar laag. Cluster 1 is het meest succesvolle cluster met de hoogste samengestelde score en cluster 4 is het minst succesvol met de laagste samengestelde score.