กลยุทธ์ 3 ประการที่ผู้โฆษณาแอปชั้นแนวหน้าใช้เพื่อปรับปรุงประสิทธิภาพการดาวน์โหลด

โดย Jessie Liu ผู้จัดการอาวุโสฝ่ายการวิเคราะห์และสื่อ

เมื่อประเมินความสำเร็จของแคมเปญโฆษณาในอุตสาหกรรมแอปพลิเคชันสตรีมมิง (SVOD, AVOD, VMVPD) เราไม่เพียงแต่จะพิจารณาถึงจำนวนการดาวน์โหลดแอปเท่านั้น แต่เรายังดูประสิทธิภาพการดาวน์โหลดแอปด้วย การศึกษาวิจัย Amazon Ads ในปี 2020 เน้นย้ำถึงความสำคัญของสิ่งนี้

ประเด็นสำคัญ

อุตสาหกรรมแอปพลิเคชันสตรีมมิง (SA) ซึ่งรวมถึง Subscription Video-on-Demand (SVOD), Ad-supported Video-on-Demand (AVOD) และ Virtual Multichannel Video Programming Distributor (VMVPD) มักใช้จำนวนการดาวน์โหลดแอปเพื่อเปรียบเทียบประสิทธิภาพระหว่างผู้โฆษณาต่าง ๆ ที่ Amazon Ads เราเชื่อว่าสิ่งสำคัญคือต้องไม่พิจารณาเพียงยอดรวมจำนวนการดาวน์โหลดเท่านั้น แต่ต้องพิจารณาประสิทธิภาพการดาวน์โหลดด้วย กล่าวคือ จำนวนการแสดงของโฆษณานำไปสู่การดาวน์โหลดบ่อยเพียงใด

ในการคำนวณประสิทธิภาพการดาวน์โหลดแอป เราได้วิเคราะห์การดาวน์โหลดต่อจำนวนการแสดงของโฆษณาพันครั้ง (DPM) ของ 38 แบรนด์ในหมวดหมู่ SA บน Amazon ในปี 2020 เราพบว่าผู้โฆษณาที่มีผลงานชั้นแนวหน้ามีประสิทธิภาพการดาวน์โหลดแอปสูงกว่าผู้โฆษณารายอื่น 22 เท่า เพื่อช่วยผู้โฆษณาปรับปรุงประสิทธิภาพการดาวน์โหลด เราเลยพิจารณากลยุทธ์การสร้างแตกต่างที่ผู้โฆษณาที่มีผลงานชั้นแนวหน้าใช้อยู่และให้คำแนะนำสำหรับการปรับปรุงแก่พวกเขา

ดูข้อมูลเพิ่มเติมเกี่ยวกับวิธีการเก็บรวบรวมข้อมูลของเราได้ที่หัวข้อระเบียบวิธีในตอนท้ายของบทความนี้

1. ผู้โฆษณาแอปที่มีผลงานชั้นแนวหน้ารวมโฆษณาสตรีมมิ่งทีวี โฆษณาบนมือถือ และไทล์สปอนเซอร์ Fire TV เข้าด้วยกัน

การศึกษานี้แสดงให้เห็นว่าแบรนด์ต่าง ๆ ที่รวม โฆษณาสตรีมมิ่งทีวี ไทล์สปอนเซอร์ Fire TV และโฆษณาบนมือถือเข้าไว้ด้วยกัน มีประสิทธิภาพการดาวน์โหลดแอพสูงกว่า 22 เท่า (และให้จำนวนการแสดงของโฆษณามากกว่า 2 เท่า) มากกว่าผู้โฆษณาที่ใช้โฆษณาสตรีมมิ่งทีวีเพียงอย่างเดียว

+22%

ประสิทธิภาพการดาวน์โหลด

2 เท่า

จำนวนการแสดงของโฆษณามากขึ้น

คำแนะนำ

เมื่อวางแผนแคมเปญ เราขอแนะนำให้ผู้โฆษณาดำเนินการดังนี้

  • พิจารณาแสดงโฆษณาผ่าน Fire TV, แท็บเล็ต Fire และมือถือ
  • ปรับแต่งชิ้นงานโฆษณาสร้างสรรค์ให้เข้ากับอุปกรณ์เพื่อให้แน่ใจว่าลูกค้าจะได้รับประสบการณ์ที่ดีในทุกอุปกรณ์

2. ผู้โฆษณาแอปที่มีผลงานชั้นแนวหน้าทำให้ชิ้นงานโฆษณาของพวกเขาหลากหลาย

แคมเปญชิ้นงานโฆษณาสร้างสรรค์ที่มีข้อความเฉพาะเจาะจงมากขึ้นอาจทำให้กลุ่มเป้าหมายรู้สึกว่ามีความเกี่ยวข้องมากขึ้น และอาจกระตุ้นให้เกิดการมีส่วนร่วมสูงขึ้น อันที่จริง การวิเคราะห์นี้แสดงให้เห็นว่าผู้โฆษณาที่มีผลงานชั้นแนวหน้านำชิ้นงานโฆษณาที่มีเอกลักษณ์เฉพาะมาใช้มากกว่าผู้โฆษณารายอื่น 1.8 เท่า

คำแนะนำ

ผู้โฆษณาควรพิจารณาทำให้ชิ้นงานโฆษณาสดใหม่อย่างต่อเนื่อง และดำเนินการทดสอบ A/B Test การทดสอบ A/B Test เป็นวิธีที่มีประสิทธิภาพและคุ้มค่ากับต้นทุนในการพิจารณาสิ่งที่ตรงใจผู้ชมและป้องกันการใช้จ่ายที่ไม่จำเป็น เราขอแนะนำให้ทดสอบองค์ประกอบต่าง ๆ เช่น คำกระตุ้นการตัดสินใจและประเภทเนื้อหาต่าง ๆ เพื่อทำความเข้าใจว่าสิ่งใดส่งผลต่อประสิทธิภาพมากกว่าแง่ของการเพิ่มการดาวน์โหลด สุดท้ายนี้ เราขอเตือนผู้โฆษณาให้กลั่นกรองการออกแบบโฆษณา คำกระตุ้นการตัดสินใจ การอ้างสิทธิ์ การกำหนดราคาในชิ้นงานโฆษณา และหน้าแรกเพื่อให้แน่ใจว่าเนื้อหาการโฆษณาและการตั้งค่าชิ้นงานโฆษณานั้นเหมาะสำหรับกลุ่มเป้าหมายทั่วไปและปฏิบัติตามนโยบายของ Amazon

3. ผู้โฆษณาแอปที่มีผลงานชั้นแนวหน้าใช้ประโยชน์จากคีย์เวิร์ดเชิงลบ

ผู้โฆษณาที่มีผลงานชั้นแนวหน้ามีแนวโน้มที่จะใช้กลยุทธ์คีย์เวิร์ดเชิงลบมากกว่าผู้โฆษณารายอื่น 6-10% และยังแสดงให้เห็นถึงประสิทธิภาพการดาวน์โหลดแอปที่สูงขึ้นอีกด้วย

คำแนะนำ

พิจารณาการใช้ประโยชน์จากเครื่องมือ Amazon Ads เพื่อสร้างเซ็กเมนต์กลุ่มเป้าหมายแบบกำหนดเองตามประเภท การสตรีม และไลฟ์สไตล์ และสัญญาณพฤติกรรมในตลาดที่สอดคล้องกับวัตถุประสงค์ของแคมเปญ ใช้ประโยชน์จากรายงานประสิทธิภาพของกลุ่มเป้าหมายมาตรฐานเพื่อทำความเข้าใจว่ากลุ่มเป้าหมายรายใดไม่ตอบสนองต่อแคมเปญ และพิจารณาตัดกลุ่มเป้าหมายเหล่านั้นในอนาคต

ระเบียบวิธี

ในการศึกษาวิจัยนี้ เราวิเคราะห์แบรนด์ 38 รายการในหมวดหมู่แอปพลิเคชันสตรีมมิ่งในสหรัฐอเมริกาช่วง 12 เดือนของการโฆษณาในช่วงระหว่างปี 2020 ตั้งแต่มกราคมถึงธันวาคม หมวดหมู่แอปสตรีมมิ่งประกอบด้วยผู้โฆษณาที่นำเสนอบริการต่าง ๆ เช่น Subscription Video-on-Demand, Ad-Supported Video-on-Demand และ Virtual Multichannel Video Programming Distributor (vMVPD)

เราใช้การดาวน์โหลดต่อจำนวนการแสดงของโฆษณาพันครั้ง (DPM) เป็นเมทริกซ์ประสิทธิภาพการดาวน์โหลดแอปเพื่อวัดความสำเร็จ จากนั้น เราก็ระบุกลยุทธ์การโฆษณาชั้นนำเพื่อช่วยเพิ่ม DPM ด้วยอัลกอริทึมแมชชีนเลิร์นนิ่ง เราใช้สหสัมพันธ์เพียร์สัน การถดถอยเชิงเส้น XGBoost และคำแนะนำจากผู้เชี่ยวชาญในแต่ละหัวข้อเพื่อกำหนดน้ำหนักของคุณลักษณะ การวิเคราะห์นี้เน้นให้เห็นความแตกต่างที่ชัดเจนที่สุดระหว่างผู้โฆษณาที่มี DPM สูงสุดและต่ำสุด และไม่คาดคะเนผลการปฏิบัติงานหรืออ้างความสัมพันธ์ระหว่างเหตุและผล

การจัดกลุ่มข้อมูล (Clustering) ทำงานอย่างไร

เราสร้างคะแนนรวมแบบไบนารีตาม DPVR จากนั้นจึงใช้ตัวจำแนกข้อมูล XGBoost เพื่อระบุว่าคุณลักษณะใดและน้ำหนักใดที่สามารถทำนายป้ายประเภทเหล่านี้ได้ดีที่สุด ในการดำเนินการดังกล่าว เราได้พิจารณาการดำเนินการโฆษณาเป็นคุณลักษณะต่าง ๆ เช่น ความเข้มข้นและการผสมผสานการใช้สินค้าโฆษณา ระยะเวลาในการสนับสนุนการโฆษณา กลยุทธ์ในการระบุเป้าหมาย โฆษณาสร้างสรรค์และตำแหน่งโฆษณา การนับและการให้คะแนนรีวิวจากลูกค้า เปอร์เซ็นต์ของสินค้าที่มีหน้ารายการสินค้าที่มีคุณภาพ และประเภทของสินค้าที่โปรโมทในโฆษณา

จากนั้น เราใช้อัลกอริทึมการจัดกลุ่มข้อมูล k-medoid เพื่อจำแนกผู้โฆษณาออกเป็นคลัสเตอร์โดยใช้คุณลักษณะที่บ่งชี้และน้ำหนักที่ระบุข้างต้น โปรดทราบว่าเราจำแนกกลุ่มผู้โฆษณาตามการดำเนินการของพวกเขา ไม่ใช่ตามส่วนประกอบของคะแนนรวม สุดท้าย เราจัดอันดับคลัสเตอร์สุดท้ายด้วยคะแนนรวมจากมากไปน้อย คลัสเตอร์ที่ 1 คือคลัสเตอร์ที่ประสบความสำเร็จมากที่สุดด้วยคะแนนรวมสูงสุด และคลัสเตอร์ที่ 5 คือคลัสเตอร์ที่ประสบความสำเร็จน้อยที่สุด