De 2 främsta taktikerna leksaksannonsörer använder för att förbättra tillväxten på Amazon

Av: Andrew Holsopple, Analys- och mediachef

Vi studerade över 1 400 varumärken i kategorin Leksaker i Amazons butik för att upptäcka insikter för tillväxt på årsbasis för informationsvisningar och kunder nya för varumärket.

Artikelns höjdpunkter:

I denna studie analyserade vi över 1 400 varumärken i kategorin Leksaker i USA år 2020. Kategorin Leksaker omfattar varumärken som säljer produkter såsom konstruktion, spel, actionfigurer och samlarobjekt, konst och hantverk, leksaker för spädbarn och åkleksaker. Vi skapade en sammansatt poäng för tillväxttakt för informationssidesvisningar år från år (DPVGR) och kunder nya för varumärket år från år (NTBGR), och identifierade sedan de bästa annonserings- och detaljhandelsstrategierna för att hjälpa till att öka den sammansatta poängen med maskininlärningsalgoritmer.

Annonsörer som vill förbättra DPGVR och NTBGR bör överväga att:

Mer information om hur vi samlade in våra data finns i avsnittet medotik i slutet av den här artikeln.

1. Högpresterande leksaksannonsörer kör kampanjer för Sponsored Display och Sponsored Products som alltid är på

Insikter

År 2020 körde 74 % av de topppresterande leksaksannonsörerna alltid på-kampanjer för både Sponsored Products och Sponsored Brands året runt.

Rekommendationer

När du använder kampanjer som alltid är på rekommenderar vi:

  • Nyckelordstäckning: Använd kategorinyckelord för att nå nya målgrupper högre upp i trattenoch använd sedan varumärkta sökord för att öka konverteringen.
  • Sponsored Brands säsongsbudgetar: Kunders sök- och inköpsbeteenden har toppar och dalar under hela året, och synkronisering av budgetar för att återspegla detta bidrar till att maximera avkastningen på investeringen (ROI). Vår analys visade att de med bäst resultat inom Leksaker ökade användningen av Sponsored Brands under Amazons shoppingevenemang.
  • Ändra inte marknadsförda ASIN:er för ofta: För att stödja upptäckt och relevans, vänta tillräcklig länge för att support ska ha effekt och ändra inte marknadsförda ASIN:er för ofta, till exempel dagligen eller veckovis.

2. Toppresterande leksaksannonsörer ökar stödet för Sponsored Display och Sponsored Brands under Amazons shoppingevenemang

Insikter

100 % av de toppresterande leksaksannonsörerna levererade Sponsored Brands-visningar under Amazon-evenemang och 61 % levererade Sponsored Display-visningar under Amazon-evenemang. Förutom att leverera visningar visar vår analys att varumärken som använder Amazon DSP-kampanjer utanför Amazon uppvisar högre tillväxt av nya kunder.

Rekommendationer

När du annonserar under Amazons shoppingevenemang finns det några saker att tänka på:

  • Kunder kommer till Amazon för att undersöka, överväga och köpa produkter. De ökar vanligtvis engagemanget innan, och förblir engagerade efter, Amazons shoppingevenemang. Under semestersäsongen börjar de ofta sina efterforskningar så tidigt som i slutet av oktober och början av november, med en topp under Black Friday och Cyber Monday-helgerna, och de förblir engagerade fram till slutet av december. Annonsörer bör därför i ett tidigt skede engagera kunder med inledande erbjudanden och överväga att använda remarketing efter evenemang för att maximera potentialen.
  • Annonsörer kan använda målgruppssegment för att nå de kunder som är mest benägna att handla under Amazons handelsevenemang.
  • Annonsörer kan använda Sponsored Display och Amazon DSP var som helst där kunder tillbringar sin tid.

Metodik

Vi använde först en övervakad modell för att identifiera en lista med attribut som hjälper till att förbättra den sammansatta poängen bland över 30 medie- och butiksattribut. Vi använde sedan den här listan med attribut och utförde klusteranalys bland annonsörer/varumärken, så annonsörer/varumärken i samma kluster är likartade i annons- och butiksattribut, medan annonsörer/varumärken i olika kluster skiljer sig åt avseende annons- och butiksattribut. Dessa attribut är X1, X2,... Xn. (Attribut visas som bubblor.)
Maskininlärningsalgoritmerna returnerade 4 kluster. Vi rankade dessa 4 kluster efter mätvärdena för framgång, jämförde skillnaderna mellan topp- och bottenpresterande kluster och identifierade de viktigaste attributen som skiljer deras prestanda avseende NTB- och GV-tillväxt.

Hur fungerar klusteringsammanställningen?
Vi skapade en binär sammansatt poäng baserat på DPVR och tillämpade sedan en XGBoost-klassificerare för att identifiera vilka funktioner med vilka viktningar som bäst förutsåg dessa etiketter. Vi såg med andra ord annonseringsåtgärder som funktioner, såsom 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 sedan 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 rankade vi de sista klustren efter deras sammansatta poäng från hög till låg.