3 tactieken die adverteerders van autoproducten gebruiken om de verkoop te helpen stimuleren
Door: Cecia Wang, Analytics and Media Manager
We hebben meer dan 8.600 merken in de categorie autoproducten in Amazon Store bestudeerd om erachter te komen hoe ze erin zijn geslaagd het groeipercentage van de omzet en de nieuw-bij-merkklanten jaarlijks te verhogen.
Hoogtepunten van het verhaal:
In dit onderzoek hebben we in de Verenigde Staten in 2020 meer dan 8.600 merken in de categorie autoproducten geanalyseerd. De categorie autoproducten omvat merken die producten verkopen zoals camperonderdelen en -accessoires, vervangende onderdelen en auto-accessoires.
We hebben een samengestelde score gemaakt van het jaarlijkse groeipercentage van de omzet (SalesGR) en het jaarlijkse groeipercentage van nieuw-bij-merkklanten (NTBGR). Vervolgens hebben we op basis van machinelearning uitgezocht welke advertentie- en retailstrategieën van adverteerders het meest succesvol waren geweest om hun samengestelde score te helpen verhogen.
Adverteerders van autoproducten die hun jaarlijkse groeipercentages voor SalesGR en NTBGR willen verbeteren, zouden het volgende moeten overwegen:
- Sponsored Display- en Sponsored Products-advertentiecampagnes uitvoeren.
- Meer ondersteuning voor Sponsored Display en Sponsored Brands tijdens tentpole-evenementen.
- Investeringsmix balanceren.
Raadpleeg het gedeelte Methode aan het eind van dit artikel voor meer informatie.
1. Top-adverteerders van autoproducten voeren Sponsored Brands- en Sponsored Products-advertentiecampagnes uit
Inzichten
Sponsored Brands biedt adverteerders de mogelijkheid om te worden weergegeven op meerdere prominente plaatsingen bovenaan en onderaan winkelresultatenpagina's. Deze analyse laat zien dat autoproductmerken met een hogere groei in 2020 met Sponsored Brands aan de slag zijn gegaan. Een mogelijke reden hiervoor is het grote bereik dat kan worden behaald via Sponsored Display.
Aanbevelingen
Bij het gebruik van altijd-aan campagnes raden we het volgende aan:
- Dekking van trefwoorden: Gebruik categorietrefwoorden om te helpen nieuwe klanten aan te moedigen verder in de trechter te gaan en gebruik merktrefwoorden om conversie te stimuleren.
- Seizoensgebonden budgetten Sponsored Brands: Het zoek- en aankoopgedrag van shoppers kent het hele jaar door pieken en dalen. Wanneer budgetten hierop worden afgestemd, kan dit helpen om de ROI te maximaliseren.
- Verander gepromote ASIN's niet te vaak: Neem ter bevordering van ontdekking en relevantie voldoende tijd in acht en verander gepromote ASIN's niet te vaak, zoals dagelijks of wekelijks.
2. Top-adverteerders van autoproducten maken optimaal gebruik van klantrecensies
Inzichten
Klantrecensies vormen een belangrijke bron van informatie voor klanten die overwegen een product te kopen. Adverteerders kunnen de volgende tools gebruiken om het aantal korte weergaven en conversies te helpen verbeteren:
Aanbevelingen
Leveranciers: Gebruik het programma Amazon Vine. Dit programma is gemaakt om klanten van meer informatie te voorzien, waaronder eerlijke en onpartijdige feedback van enkele van de meest vertrouwde beoordelaars van Amazon.
Verkopers: Registreer je bij Amazon Brand Registry en gebruik het programma Early Reviewer. Als je je inschrijft bij het Amazon Brand Registry, krijg je toegang tot een verzameling tools die je helpen om je merk op te bouwen en te beschermen, zodat je klanten een betere ervaring kunt bieden.
3. Top-adverteerders van autoproducten houden investeringsmix in balans
Inzichten
Standaard tentpole-evenementen zoals Black Friday en Cyber Monday (BFCM) en autogerateerde tentpole-evenementen zoals Truck Season en Winterization vinden het hele jaar door op verschillende momenten plaats. Advertenties tijdens deze tentpoles kunnen je merk versterken en helpen om je omzet te verhogen. Merken met een hogere groei hielden hun uitgaven aan Sponsored Products tijdens Truck Season, Winterization en BFCM in balans. Daarnaast hielden de best presterende merken een 2:1:1 ratio aan voor Truck Season: Winterization: BFCM, terwijl andere adverteerders een 10:1:1 ratio aanhielden.
Aanbevelingen
Uit onze analyse blijkt dat een meer gebalanceerde aanpak kan leiden tot een hogere DPVGR en NTBGR op jaarbasis.
Methode
We gebruikten eerst een supervised model om een reeks attributen te identificeren die zouden helpen om de samengestelde score voor 40+ media- en retailattributen te verbeteren. Vervolgens hebben we deze reeks attributen gebruikt en clusteranalyses uitgevoerd onder adverteerders/merken, zodat adverteerders/merken in hetzelfde cluster vergelijkbare advertentie- en retailattributen hebben, en adverteerders/merken in verschillende clusters verschillende advertentie- en retailattributen hebben. Deze attributen zijn X1, X2,... Xn. (Attributen worden weergegeven als bolletjes op de visual).
De algoritmen voor machinelearning kwamen met 4 clusters. Deze 4 clusters hebben we gerangschikt op basis van de successtatistieken. Vervolgens hebben we de verschillen tussen de best presterende en slechtst presterende clusters vergeleken en de belangrijkste attributen geïdentificeerd die ten grondslag lagen aan de prestatieverschillen ten aanzien van NTB en verkoopgroei.
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 welk gewicht deze labels het beste voorspellen. Hierbij hebben we advertentie- of retailacties beschouwd als functies 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 vastgestelde functies en gewichten 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.