Två taktiker som är vanligare bland de mest framgångsrika ljudkampanjerna på Amazon
Av: Michael Wilson, Sr Analytics and Media Manager
Framgångsrika ljudkampanjer använder Amazons målgruppssegment i större utsträckning och låter kampanjerna köra längre än andra annonsörer. Analyser visar att ökat stöd på dessa områden kan hjälpa till att förbättra visningsfrekvenser för informationssidor.
Artikelns höjdpunkter:
För annonsörer kan det ofta vara en utmaning att mäta resultaten från ljudannonsering eftersom ljudkunderna, till skillnad från display- eller videoannonskampanjer, vanligtvis är längre bort än bara ett klick från ett köp. Det innebär att annonsörerna först måste motivera dem att utföra en annan åtgärd som inte handlar om köpet i sig innan de kan göra ett faktiskt köp. Annonsörer försöker ofta göra detta genom att först inspirera konsumenterna att besöka produktsidor. I den här artikeln utforskar vi insikterna i en Amazon Ads-studie från 2020 om ljudkampanjer. Vi tittar specifikt på de åtgärder som skiljer framgångsrika ljudannonsörer från andra annonsörer.
Vi kvantifierar nyckelåtgärderna efter frekvens på informationssidvisning (DPVR), alltså beräkningen av antalet sidvisningar från målgrupper som annonsen visats för i förhållande till visningar som levererats. Utifrån detta nyckeltal tillsammans med en maskininlärningsalgoritm identifierar vi insikter som kan bidra till bättre DPVR.
Mer information finns i metodavsnittet i slutet av den här artikeln.
1. Högpresterande ljudannonsörer är mer benägna att använda Amazons ljudmålgruppssegment
Insikter
Framgångsrika ljudannonsörer var 24 % mer benägna att använda Amazons livsstilsrelaterade målgruppssegment (en funktion som endast är tillgänglig på Amazons kostnadsfria, annonsstödda nivå inom ljudkategorin) jämfört med andra annonsörer. Vår analys visar att livsstils- och ljudrelaterade segment av kunder på marknaden är de målgruppssegment som framgångsrika ljudannonsörer använder mest. Dessa segment presterar också bättre än demografiska segment när det gäller räckvidd och DPVR.
Rekommendationer
Amazon-målgrupper bygger på deras egna streaming- och inköpssignaler. När annonsörer använder Amazons målgruppssegment för ljudkampanjer bör de överväga att försöka nå en bredare målgrupp än vad de normalt skulle göra om de använde Display-annonser eller sponsrade annonser. De bör också lägga till flera målgrupper i kampanjplanerna genom att använda ”ELLER”-modifierare i stället för ”OCH”-modifierare. Därigenom kan de förbättra kampanjens räckvidd och se till att deras budskap hörs av så många kunder som möjligt.
2. Framgångsrika ljudkampanjer kör under en längre period
Insikter
Framgångsrika ljudannonsörer lät i genomsnitt sina ljudannonskampanjer köra 10 dagar längre än andra annonsörer från månad till månad. Genom att köra längre kampanjer kan annonsörer få bredare unik räckvidd. De framgångsrika kampanjerna löpte inte bara längre utan hördes också oftare (framgångsrika ljudannonsörer använde i genomsnitt ett 5–6 x frekvenstak jämfört med ett genomsnittligt frekvenstak på 4 x för andra annonsörer).
Vår analys visar att framgångsrika ljudannonsörer lät pågående ljudkampanjer löpa under en kampanjperiod på minst 30 dagar och använde ett frekvenstak på antingen 5 x eller 6 x som ett sätt att öka övervägandet (DPVR). Denna längre kampanjperioden är viktig eftersom den ger mer tid för algoritmer att analysera kampanjresultat och ge rekommendationer för kampanjoptimering, både för pågående och framtida kampanjer. Den mer omfattande frekvensen som förknippas med dessa kampanjer är också viktigt eftersom den kan hjälpa till att förbättra varumärkeskännedomen.
Rekommendationer
Låt ljudmarknadsföringskampanjer löpa i minst 30 dagar med minst 5–6 x frekvens. Vår analys visar att annonsörerna med starkast DPVR uppnådde dessa miniminivåer. För att kunna planera kampanjerna bättre och tydligare se hur de presterar bör annonsörer som har tillgång till Amazons Amplifier-rapporter och målgruppsinsikter överväga att utnyttja båda resurserna för att övervaka och optimera kampanjresultaten.
Metodik
Metoden som använts i denna studie består av fem komponenter: kampanjurval, skapande av framgångsnyckeltal, identifiering av effektiva annonseringsåtgärder och rangordning av annonsörer (baserat på segmentering av annonsörer i fyra kluster). Sedan gjordes en jämförande analys för att identifiera de attribut som skiljer de mest och minst framgångsrika annonsörerna när det gäller framgång och strategier.
Vi analyserade 176 amerikanska ljudkampanjer från 2020 för att avgöra vilka strategier som är mest effektiva för att skapa framgångsrika kampanjer. Det nyckeltal som valts för denna studie är DPVR för annonsörer som säljer i Amazons nätbutik. Utifrån detta nyckeltal använde vi en maskininlärningsalgoritm (t.ex. Pearson Correlation och XGBoost) och förslag från ämnesexperter för att tilldela funktionsvikter och därigenom identifiera vilka kampanjåtgärder som ledde till högre DPVR. Efter att ha identifierat de bästa kampanjåtgärderna rankade vi kampanjer baserat på hur ofta kunderna genomförde dessa åtgärder och för vilka kampanjer de genomförde samma åtgärder i minst utsträckning. Analysens resultat har presenterats i den här artikeln.
1. Välj kampanjer
176 amerikanska ljudkampanjer som levererats på Amazon under 2020.
2. Skapa framgångsnyckeltal
Nyckeltal för framgång: kumulativ nettoräckvidd; frekvens på informationssidvisning (DPVR) för endemiska annonsörer
3. Identifiera effektiva annonseringsåtgärder
Lågt antal identifierade åtgärder för bästa kampanj med maskininlärningsalgoritm
4. Rangordna annonsörer
Rangordna kampanjer från mest till minst framgångsrik enligt nyckeltal
5. Jämför annonsörer
Identifiera vad som skiljer de bästa kampanjerna från andra
Hur distribueras annonsörer över klustren?
Vi använde maskininlärningsalgoritmer för att automatiskt klassificera annonsörer i kluster baserat på deras annonserings- och detaljhandelsattribut.
Hur fungerar klustringen?
Vi skapade en binär sammansatt poäng baserat på DPVR och tillämpade sedan en XGBoost-klassificerare för att identifiera vilka funktioner med vilka vikter som bäst förutsåg dessa etiketter. Funktioner är annonserings- och detaljhandelsåtgärder som användningsintensitet och -mix för annonsprodukter, tidpunkten för annonsstöd, inriktningstaktik, annonsmaterial och placeringar, antal kundrecensioner och betyg, procentandel produkter med produktsidor av hög kvalitet och de typer av produkter som marknadsförs i annonser.
Med hjälp av de identifierade funktionerna och vikterna som nämns ovan tillämpade vi en k-medoid-klusteralgoritm för att klassificera annonsörer i kluster. Observera att vi klassificerade annonsörer efter deras handlingar snarare än enligt komponenterna i deras sammansatta poäng. Efter detta rangordnade vi de sista klustren efter deras sammansatta poäng från högt till lågt. Kluster 1 är det mest framgångsrika klustret med högst sammansatt poäng medan kluster 5 är det minst framgångsrika.