Waarom je moet overwegen om negatieve targeting te gebruiken in je volgende campagne
Door: Zhixun Wang, Senior Data Scientist, en Ashton Brown, technisch schrijver
In deze studie onder meer dan 3500 merken in de categorie 'artikelen voor thuis' in de store van Amazon vergelijken we advertentiestrategieën van de beste en minder presterende adverteerders. Vervolgens gebruiken we deze vergelijking om bruikbare inzichten af te leiden die adverteerders kunnen gebruiken om de groei van nieuw-bij-merk-klanten en de groei van de gegevenspaginaweergave op jaarbasis te helpen verbeteren.
Hoogtepunten van het verhaal:
In dit onderzoek hebben we in 2018, 2019 en 2020 meer dan 3500 merken in de categorie Artikelen voor thuis geanalyseerd. De categorie Artikelen voor thuis omvat merken die producten verkopen zoals luchtreinigers, luchtbevochtigers en verwarmingstoestellen. Om onze analyse uit te voeren, hebben we merken van artikelen voor thuis gegroepeerd in vijf clusters, waarbij Cluster 1 de meest succesvolle was op het vlak van groei van gegevenspaginaweergaven op jaarbasis (DPVGR), rendement op advertentie-uitgaven (ROAS) en uitgaven per klant (CS), en Cluster 5 de minst succesvolle. We definiëren CS als het gemiddelde verkoopbedrag per klant.
Uit onze analyse blijkt dat best presterende adverteerders van artikelen voor thuis (Cluster 1) een 1,1x hogere DPVGR, 50% hogere ROAS en een 16,5x hogere CS hadden in vergelijking met minder presterende adverteerders (Cluster 5).
Toppresteerders
hogere DPVGR
hogere ROAS
hogere CS
Om adverteerders bruikbare inzichten te bieden, maakten we gebruik van machine learning om meer dan 50 advertentiekenmerken te analyseren die min of meer bijdragen aan DPVGR/ROAS/CS. Vervolgens stelden we vast welke kenmerken de grootste positieve impact hadden op de groei van gegevenspaginaweergaven op jaarbasis, het rendement op advertentie-uitgaven en de kosten per klant. Dit artikel geeft inzichten en beste praktijken over de belangrijkste kenmerken of strategieën door te kwantificeren in hoeverre best presterende merken van artikelen voor thuis (Cluster 1) en minder presterende adverteerders van artikelen voor thuis (Cluster 5) elk belangrijk kenmerk of elke belangrijke strategie toepassen.
Bekijk het onderdeel Methode aan het einde van dit artikel voor meer informatie over hoe we dit onderzoek hebben uitgevoerd.
Best presterende adverteerders van artikelen voor thuis gebruikten 4x meer negatieve trefwoorden en negatieve ASIN's dan minder presterende adverteerders
Relevantie in winkelresultaten kan leiden tot een grotere betrokkenheid van de consument. Gemiddeld werd 12% van de impressies geleverd in campagnes met tactieken met negatieve trefwoorden of ASIN's in de cluster met de hoogste criteria voor succes, terwijl dit percentage van die met de laagste score 3% bedroeg.
Percentage impressies dat wordt geleverd met negatieve trefwoorden/ASIN's
Toppresteerders
Mindere presteerders
Voorbeelden van het gebruik van negatieve trefwoorden of ASIN-tactieken
Om te laten zien hoe tactieken met negatieve trefwoorden of ASIN's worden gebruikt, kijken we naar twee scenario's:
- Scenario 1 - Een bedrijf dat luchtfilters voor thuis promoot, kan negatieve trefwoorden zoals 'automotive' in zijn campagnes opnemen. Dit voorkomt dat advertenties concurreren met autofilters, wat betekent dat campagnes voor luchtfilters voor thuis worden weergegeven als reactie op relevantere winkelvragen.
- Scenario 2 - Een bedrijf dat uitsluitend zijn torenventilatorlijn wil adverteren, kan 'bureau' of 'desktop' als negatieve trefwoorden gebruiken om te voorkomen dat advertenties worden weergegeven aan shoppers die op zoek zijn naar een ventilator voor ander gebruik.
Lessen en beste praktijken bij het gebruik van tactieken met negatieve trefwoorden of ASIN's
Om te laten zien hoe tactieken met negatieve trefwoorden of ASIN's worden gebruikt, kijken we naar twee scenario's:
- Gebruik statistieken voor de selectie van negatieve trefwoorden: Lagere click-through rates en lagere conversiepercentages zijn goede indicatoren voor trefwoorden die ondermaats presteren en kunnen de bron zijn van woorden die zouden kunnen fungeren als negatieve trefwoorden.
- Test en leer: Test negatieve trefwoorden die in theorie werken, leer bij en optimaliseer vaak met de trefwoorden die presteren.
Best presterende adverteerders van artikelen voor thuis waren 4,5x meer geneigd om geografische doelgroepen te gebruiken dan minder presterende adverteerders
Uit onze analyse bleek dat best presterende adverteerders van artikelen voor thuis geografische doelgroepen gebruikten om 9% van hun totale advertenties te leveren, terwijl mindere presteerders slechts 2% van hun advertenties via geografische doelgroepen leverden. Deze aanpak kan campagnes helpen om meer nieuwe doelgroepen in specifieke regio's te bereiken. Het kan campagnes ook helpen om doelgroepregio's te bereiken met verschillende behoeften aan producten voor thuis. Adverteerders willen bijvoorbeeld advertenties voor ventilatoren en luchtontvochtigers weergeven in warme en vochtige gebieden en advertenties voor verwarming en luchtbevochtigers alleen weergeven in koude gebieden, tijdens de wintermaanden.
Percentage advertenties dat wordt geleverd met geografische doelgroepsegmenten
Toppresteerders
Mindere presteerders
Lessen en beste praktijken bij het gebruik van geografische doelgroepen
- Aangepaste doelgroepen creëren: Overweeg het gebruik van Amazon Ads-tools om aangepaste doelgroepsegmenten te maken op basis van geografische signalen die aansluiten bij de campagnedoelstellingen.
- Seizoensgebonden effecten: Overweeg het gebruik van geschikte seizoensgebonden geografische tactieken voor verschillende producten op basis van verschillende klimaten in geografische regio's.
Conclusie
Onze analyse toonde twee belangrijke manieren waarop adverteerders een positieve invloed kunnen hebben op hun DPVGR/ROAS/CS. Ten eerste kunnen adverteerders tactieken met negatieve trefwoorden of ASIN's gebruiken om ervoor te zorgen dat hun advertenties de gewenste doelgroep bereiken op basis van producttype. Ten tweede kunnen adverteerders geografische doelgroepen gebruiken om ervoor te zorgen dat hun advertenties en producten door klanten worden gezien, afhankelijk van waar ze zich bevinden. De twee methoden kunnen niet alleen nuttig zijn bij het individueel verbeteren van DPVGR/ROAS/CS, maar ze kunnen elkaar ook ten goede komen wanneer ze worden gecombineerd.
Methode
We gebruikten eerst een supervised model om een reeks kenmerken te identificeren die zou helpen om de samengestelde score voor meer dan 40 advertentiekenmerken voor media en retail te verbeteren. We volgden immers een vijfstappenproces om criteria voor succes te maken van de groei op jaarbasis van gegevenspaginaweergaven, rendement op advertentie-uitgaven en gemiddelde uitgaven per klant, en identificeerden vervolgens de beste advertentie- en retailstrategieën om de criteria voor succes te helpen vergroten met behulp van machine learning-algoritmen.
- Merken selecteren: Meer dan 3500 merken in de categorie Artikelen voor thuis in 2018, 2019 en 2020.
- Criteria voor succes bepalen: Wordt berekend op basis van groei op jaarbasis van gegevenspaginaweergaven, rendement op advertentie-uitgaven en gemiddelde uitgaven per klant.
- Effectieve advertentie- of retailacties identificeren: Topacties worden geïdentificeerd om de samengestelde score te helpen verhogen (acties die leiden tot een hogere groei op jaarbasis van DPVGR/ROAS/CS).
- Merken groeperen: Merken worden volgens samengestelde score (DPVGR/ROAS/CS) gegroepeerd in vijf clusters, gerangschikt van de best naar de minst presterende.
- Merkgroepen vergelijken: Er wordt geïdentificeerd welke strategieën ze gebruikten en gekwantificeerd in welke mate best presterende merken (Cluster 1) de groei op jaarbasis van gegevenspaginaweergaven, rendement op advertentie-uitgaven en uitgaven per klant verhoogden in vergelijking met strategieën die minder presterende merken (Cluster 5) gebruiken.