2 tactieken die topadverteerders van speelgoed gebruiken om hun groei op Amazon te verbeteren

Door: Andrew Holsopple, Analytics and Media Manager

We hebben meer dan 1400 merken in de categorie Speelgoed op Amazon bestudeerd om inzicht te krijgen in de jaarlijkse toename van gegevenspaginaweergaven en nieuw-bij-merkklanten.

Hoogtepunten van het verhaal:

In dit onderzoek hebben we in de Verenigde Staten in 2020 meer dan 1400 merken in de categorie Speelgoed geanalyseerd. In de categorie Speelgoed verkopen merken producten zoals bouwspeelgoed, spelletjes, actiefiguren en verzamelobjecten, knutselartikelen, speelgoed voor baby's en auto's voor kinderen. We hebben een samengestelde score gemaakt van het jaarlijkse groeipercentage van de gegevenspaginaweergaven (DPVGR) en het jaarlijkse groeipercentage van nieuw-bij-merkklanten (NTBGR). Vervolgens hebben we met behulp van machine learning uitgezocht welke advertentie- en retailstrategieën het meest succesvol waren om de samengestelde score te helpen verhogen.

Adverteerders die hun DPGVR en NTBGR willen verbeteren, moeten het volgende overwegen:

Zie de sectie Methode aan het einde van dit artikel voor meer informatie over hoe we deze gegevens hebben verzameld.

1. Best presterende adverteerders van speelgoed gebruiken altijd-aan-campagnes voor Sponsored Display en Sponsored Products

Inzichten

In 2020 maakte 74% van de best presterende adverteerders van speelgoed het hele jaar door gebruik van altijd-aan-campagnes voor zowel Sponsored Products als Sponsored Brands.

Aanbevelingen

Bij het gebruik van altijd-aan-campagnes raden we het volgende aan:

  • Dekking van trefwoorden: Gebruik categorietrefwoorden om te helpen nieuwe doelgroepen boven in de trechter te bereiken en gebruik vervolgens merktrefwoorden om conversie te stimuleren.
  • Seizoensgebonden budgetten Sponsored Brands: Het browse- en aankoopgedrag van shoppers kent het hele jaar door pieken en dalen. Wanneer budgetten hierop worden afgestemd, kan dit helpen om het rendement op investering (ROI) te maximaliseren. Uit onze analyse is gebleken dat best presterende adverteerders in de categorie Speelgoed tijdens winkelevenementen van Amazon meer gebruik maakten van Sponsored Brands.
  • Verander gepromote ASIN's niet te vaak: Neem ter bevordering van ontdekking en relevantie voldoende tijd om resultaten te zien en verander gepromote ASIN's niet te vaak, zoals dagelijks of wekelijks.

2. Best presterende adverteerders van speelgoed maken meer gebruik van Sponsored Display en Sponsored Brands tijdens winkelevenementen van Amazon

Inzichten

100% van de best presterende adverteerders van speelgoed kreeg Sponsored Brands-impressies tijdens Amazon-evenementen en 61% kreeg Sponsored Display-impressies tijdens Amazon-evenementen. Naast het krijgen van impressies, blijkt uit onze analyse dat merken die Amazon DSP-campagnes gebruiken op alle plekken waar klanten hun tijd doorbrengen, te maken hadden met een grotere toename van nieuw-bij-merk.

Aanbevelingen

Er zijn een aantal dingen om rekening mee te houden bij het adverteren tijdens winkelevenementen van Amazon:

  • Shoppers komen naar Amazon om producten te onderzoeken, te overwegen en te kopen. Vóór winkelevenementen van Amazon neemt hun betrokkenheid doorgaans toe en ook na de winkelevenementen blijven ze betrokken. In de aanloop naar de feestdagen beginnen shoppers vaak al eind oktober en begin november met hun onderzoek, met een piek in hun betrokkenheid in het weekend van Black Friday en Cyber Monday, tot eind december. Adverteerders moeten daarom vroegtijdig engageren met shoppers aan de hand van voorbereidingspakketten. Daarnaast moeten adverteerders na evenementen remarketing gebruiken om het potentieel te maximaliseren.
  • Adverteerders kunnen doelgroepsegmenten gebruiken om klanten te bereiken die het meest waarschijnlijk een aankoop gaan doen tijdens winkelevenementen van Amazon.
  • Adverteerders kunnen Sponsored Display en Amazon DSP gebruiken op alle plekken waar klanten hun tijd doorbrengen.

Methode

We gebruikten eerst een supervised model om een reeks attributen te identificeren die zouden helpen om de samengestelde score voor meer dan 30 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 machine learning 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 GV-groei.

Hoe werkt deze clustering?
We hebben een binaire samengestelde score gemaakt op basis van DPVR en hebben vervolgens een XGBoost classifier toegepast om te bepalen welke functies en met welk gewicht deze labels het beste worden voorspeld. 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, etc.

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.