วิธีที่ผู้โฆษณาร้านขายของชำที่มีผลประกอบการสูงสุดเพิ่มการรับรู้

โดย: Kavya Kilari การวิเคราะห์และข้อมูลเชิงลึก

เรื่องราวสำคัญ:

ในการศึกษาปี 2019 ของบริษัทกว่า 5,600 รายในสหรัฐอเมริกาในหมวดหมู่ร้านขายของชำของ Amazon เราสังเกตเห็นว่ามีกลยุทธ์การโฆษณา 3 แบบถูกนำไปใช้โดยผู้โฆษณาที่มีผลประกอบการสูงสุดมากกว่าผู้โฆษณารายอื่นๆ หมวดหมู่ร้านขายของชำประกอบด้วยแบรนด์ที่ขายสินค้า เช่น อาหารที่ปราศจากการปรุงแต่ง กาแฟ เครื่องดื่มเย็น และอาหารว่าง

ผู้โฆษณาที่มีผลประกอบการสูงสุดมีการเติบโตโดยเฉลี่ยในด้านมาตรการการรับรู้ Amazon Brand Index (ABI) เพิ่มขึ้น 2.2 เท่าเมื่อเทียบกับช่วงเวลาเดียวกันของปีก่อนหน้า (YoY) (ซึ่งช่วยให้ผู้โฆษณามีเมทริกซ์ funnel ระดับกลางและสูงที่แสดงจำนวนลูกค้าที่รู้จักแบรนด์) และการเติบโตในด้านการพิจารณา ABI สูงขึ้น 1.9 เท่าเมื่อเทียบกับช่วงเวลาเดียวกันของปีก่อนหน้า (ซึ่งสะท้อนให้เห็นถึงจำนวนของลูกค้าที่พิจารณาซื้อ) เมื่อเทียบกับผู้โฆษณาอื่น ๆ ในการศึกษาผลกระทบนี้ต่อไป เราได้ใช้อัลกอริทึมแมชชีนเลิร์นนิ่งเพื่อระบุกลยุทธ์ที่แยกความแตกต่างของผู้โฆษณาที่มีผลประกอบการสูงสุดกับผู้โฆษณารายอื่น บทความนี้จะสำรวจกลยุทธ์เหล่านั้นและให้คำแนะนำเกี่ยวกับวิธีการปรับปรุงกลยุทธ์

หากต้องการข้อมูลเพิ่มเติม โปรดดูที่ส่วนระเบียบวิธีในตอนท้ายของบทความนี้

1. ผู้โฆษณาร้านขายของชำที่มีผลประกอบการสูงสุดใช้ประโยชน์จากโฆษณาสตรีมมิ่งทีวี

ข้อมูลเชิงลึก

การวิเคราะห์ของเราแสดงให้เห็นว่า โดยเฉลี่ยแล้ว ผู้โฆษณาในการศึกษาวิจัยนี้ได้เพิ่มการเข้าถึงสื่อเป็นยอดสุทธิทั้งหมด (การรับชมผ่านที่วีที่ฉายตามเวลาเท่านั้น) +2.2% โดยใช้ประโยชน์จากโฆษณาสตรีมมิ่งทีวี นอกจากนี้ จากการศึกษาวิจัยของ Nielsen ในปี 2019 เปิดเผยว่า ประมาณ 39% ของการเข้าถึงที่เพิ่มขึ้นนี้ไม่สามารถทำได้ผ่านทางการรับทีวีที่ฉายตามเวลา เนื่องจากมีการเปลี่ยนแปลงที่เพิ่มขึ้นจากการรับชมทีวีที่ฉายตามเวลาไปเป็นสตรีมมิ่งทีวี

8 เท่า

มีแนวโน้มที่จะใช้แคมเปญแบบเปิดเสมอ

+2.2%

การเข้าถึงสุทธิเพิ่มขึ้น

+39%

ของการเข้าถึงที่เกิดจากการเปิดตัว Fire TV

คำแนะนำ

ผู้โฆษณาไม่ควรพิจารณาเพียงเพิ่มโฆษณาสตรีมมิ่งทีวีลงในแผนสื่อของตนเท่านั้น แต่ควรพิจารณาใช้แคมเปญแบบเปิดเสมออย่างน้อย 25 สัปดาห์ต่อปี

2. ผู้โฆษณาร้านขายของชำที่มีผลประกอบการสูงสุดใช้โฆษณาแบบดิสเพลย์และสตรีมมิ่งทีวีพร้อมกัน

ข้อมูลเชิงลึก

งานวิจัยของเราแสดงให้เห็นว่าโฆษณาสตรีมมิ่งทีวีและโฆษณาแบบดิสเพลย์ทำงานร่วมกันได้ดีขึ้น แบรนด์ที่มีผลประกอบการสูงสุดที่ใช้โฆษณาแบบดิสเพลย์และสตรีมมิ่งทีวีร่วมกันมีการค้นหาที่มีแบรนด์ที่เป็นผลมาจากโฆษณาในร้าน Amazon เพิ่มขึ้น +47% เมื่อเทียบกับช่วงเวลาเดียวกันของปีก่อนหน้า การใช้วิธีการแบบเต็ม funnel ผ่านการใช้กลยุทธ์ที่ส่งเสริมกันทั้งแบบ Upper-funnel และ Lower-funnel ที่เป็นแบบเปิดเสมอสามารถช่วยให้ผู้โฆษณามีส่วนร่วมกับลูกค้าผ่านช่องทางต่างๆ ได้ไม่ว่าจะอยู่ที่ใดก็ตาม

หมายเหตุ: แม้ว่าการค้นหาที่มีชื่อแบรนด์จะไม่ส่งผลต่อยอดขายเสมอไปแต่สามารถบ่งบอกถึงการเพิ่มขึ้นของการพิจารณาแบรนด์ได้ ซึ่งเป็นขั้นตอนสำคัญในเส้นทางของผู้บริโภค

คำแนะนำ

พิจารณาเพิ่มการสนับสนุนโดยการเรียกใช้โฆษณาสตรีมมิ่งทีวีที่นอกเหนือจากโฆษณาแบบดิสเพลย์ ผู้โฆษณายังควรใช้เครื่องมือของ Amazon Advertising ด้วย เช่น

3. ผู้โฆษณาร้านขายของชำที่มีผลประกอบการสูงสุดใช้เซ็กเมนต์กลุ่มเป้าหมาย Amazon มากขึ้น

ข้อมูลเชิงลึก

ผู้โฆษณาที่มีประสิทธิภาพสูงสุดมีการพิจารณาเพิ่มขึ้น +44% เมื่อเข้าถึงกลุ่มเป้าหมายโดยอาศัยสัญญาณทางพฤติกรรม (เช่น กลุ่มเป้าหมายไลฟ์สไตล์) เทียบกับเวลาที่ใช้เฉพาะเซ็กเมนต์กลุ่มเป้าหมายด้านประชากรศาสตร์เท่านั้น ผู้โฆษณาที่มีผลประกอบการที่ดีที่สุดยังมีจำนวนการเห็นโฆษณามากกว่าผู้โฆษณารายอื่นๆ ถึง +4.5%

+44%

การพิจารณาเพิ่มขึ้น

+4.5%

จำนวนการเห็นโฆษณาที่ส่งมอบ

คำแนะนำ

ผู้โฆษณาสามารถปรับแต่งแนวทางแคมเปญของตนเองได้ โดยใช้การรวมกันของกลุ่มเป้าหมาย Amazon ในตลาดและลักษณะการดำเนินชีวิต ตัวอย่างเช่น เมื่อนักช้อปซื้อสินค้าในหมวดหมู่การออกกำลังกายและฟิตเนส นักช้อปอาจซื้อสินค้าเพื่อช่วยให้พวกเขาบรรลุเป้าหมายการออกกำลังกายใหม่ๆ ดังนั้นผู้โฆษณาควรพิจารณาใช้วิธีนี้เมื่อพัฒนาการส่งข้อความ ในทำนองเดียวกัน นักช้อปที่ใส่ใจสุขภาพก็อาจมองหาผงโปรตีนและสินค้าอื่นๆ เพื่อช่วยเสริมมื้ออาหารของตนที่เชื่อมโยงกับเป้าหมายเหล่านี้ Amazon สามารถช่วยให้ผู้โฆษณาเข้าถึงกลุ่มเป้าหมายที่มีส่วนร่วมในกิจกรรมช้อปปิ้งที่บ่งชี้ว่าพวกเขาอาจจะได้ซื้อสินค้าที่เกี่ยวข้องกับการออกกำลังกายเมื่อเร็วๆ นี้ ผู้โฆษณาที่มีการเข้าถึงรายงาน Amplifier ของ Amazon และข้อมูลเชิงลึกของกลุ่มเป้าหมายควรพิจารณาใช้ทรัพยากรทั้งสองในการตรวจสอบและปรับปรุงประสิทธิภาพของกลุ่มเป้าหมายในตลาดและลักษณะการดำเนินชีวิตให้ดียิ่งขึ้น

ระเบียบวิธี

ในการศึกษานี้ เราได้วิเคราะห์แบรนด์กว่า 5,600 รายในหมวดร้านขายของชำในสหรัฐอเมริกาในปี 2020 หมวดหมู่ร้านขายของชำประกอบด้วยแบรนด์ที่ขายสินค้า เช่น อาหารที่ปราศจากการปรุงแต่ง กาแฟ เครื่องดื่มเย็น และอาหารว่าง

เราได้สร้างคะแนนความสำเร็จแบบรวมของการเติบโตแบบปีต่อปีของ Amazon Brand Index (ABI) ด้านการรับรู้และการเติบโตแบบปีต่อปีของ Amazon Brand Index (ABI) ด้านการพิจารณา จากนั้นจึงระบุกลยุทธ์การโฆษณาและค้าปลีกยอดนิยมที่ช่วยเพิ่มคะแนนรวมด้วยอัลกอริทึมของแมชชีนเลิร์นนิ่ง

ก่อนอื่น เราจะใช้โมเดลที่มีการกำกับดูแลเพื่อระบุรายการของแอตทริบิวต์ 20 ตัวที่ช่วยปรับปรุงคะแนนรวมให้ดีขึ้นสำหรับสื่อและแอตทริบิวต์การค้าปลีกมากกว่า 40 รายการ จากนั้นเราจะใช้รายการแอตทริบิวต์นี้เพื่อทำการวิเคราะห์คลัสเตอร์ระหว่างแบรนด์ ดังนั้นแบรนด์ในกลุ่มเดียวกันจึงมีแอตทริบิวต์โฆษณาและค้าปลีกคล้ายกัน ขณะที่แบรนด์ในกลุ่มต่างกันจะแตกต่างกันไปในแง่ของแอตทริบิวต์โฆษณาและค้าปลีก แอตทริบิวต์เหล่านี้รวมถึงการใช้สินค้า เช่น โฆษณาแบบสตรีมมิ่งทีวี โฆษณาวิดีโอ และ Sponsored Products

อัลกอริทึมของแมชชีนเลิร์นนิ่งจะส่งคลัสเตอร์กลับมา เราจัดอันดับกลุ่มเหล่านี้โดยเมทริกซ์ความสำเร็จ เปรียบเทียบกลุ่มที่มีประสิทธิภาพมากที่สุดและน้อยที่สุด เปรียบเทียบความแตกต่างและสรุปแอตทริบิวต์ที่สำคัญที่ทำให้ประสิทธิภาพการทำงานแตกต่างในด้านการเติบโตของ ABI ด้านการรับรู้และการพิจารณา

ผู้โฆษณากระจายไปทั่วกลุ่มอย่างไร

เราใช้อัลกอริทึมของแมชชีนเลิร์นนิ่งพื่อจำแนกผู้โฆษณาออกเป็นกลุ่มโดยอัตโนมัติตามแอตทริบิวต์การโฆษณาและการค้าปลีก

กลุ่ม 1

กลุ่ม 2

กลุ่ม 3

กลุ่ม 4

การเติบโตแบบปีต่อปีด้านการรับรู้ ABI กลุ่ม 1: 2.2 กลุ่ม 2: 2.0 กลุ่ม 3: 1.8 กลุ่ม 4: 1.0

การเติบโตแบบปีต่อปีด้านการรับรู้ ABI

การเติบโตแบบปีต่อปีด้านการพิจารณา ABI กลุ่ม 1: 2.5 กลุ่ม 2: 1.7 กลุ่ม 3: 1.6 กลุ่ม 4: 1.0

การเติบโตแบบปีต่อปีด้านการพิจารณา ABI

กลุ่ม 1 มีการเติบโตปีต่อปีที่สูงขึ้นทั้งในด้าน ABI การรับรู้ (2.2x) และ ABI การพิจารณา (1.9x) มากกว่ากลุ่ม 4 แม้ว่ากลุ่ม 1 และ 2 มีการเติบโตแบบปีต่อปีที่คล้ายกันในด้าน ABI ของการรับรู้ แต่กลุ่ม 1 ทำงานได้ดีกว่ากลุ่ม 2 ในด้านการเติบโตแบบปีต่อปีของ ABI การพิจารณา (1.87x เทียบกับ 1.25x ตามลำดับ)

การจัดกลุ่มทำงานอย่างไร

เราได้สร้างคะแนนรวมไบนารีตาม DPVR จากนั้นจึงใช้โปรแกรมจำแนกข้อมูล XGBoost เพื่อระบุว่าคุณสมบัติและน้ำหนักใดที่จะคาดการณ์ป้ายกำกับเหล่านี้ได้ดีที่สุด ในการดำเนินการดังกล่าว เราได้พิจารณาการดำเนินการโฆษณาหรือการค้าปลีกเป็นฟีเจอร์ต่างๆ เช่น ความเข้มข้นและการผสมผสานการใช้สินค้าโฆษณา ระยะเวลาในการสนับสนุนการโฆษณา กลยุทธ์ในการระบุเป้าหมาย โฆษณาสร้างสรรค์และตำแหน่งโฆษณา การนับและการให้คะแนนรีวิวจากลูกค้า เปอร์เซ็นต์ของสินค้าที่มีหน้ารายการสินค้าที่มีคุณภาพ และประเภทของสินค้าที่โปรโมทในโฆษณา เมื่อใช้คุณสมบัติที่ระบุและน้ำหนักดังกล่าวที่ระบุข้างต้นแล้ว เราก็จะใช้อัลกอริทึมการจัดกลุ่ม k-medoid เพื่อจำแนกผู้โฆษณาเป็นกลุ่ม โปรดทราบว่าเราจัดกลุ่มผู้โฆษณาตามการดำเนินการของพวกเขามากกว่าส่วนประกอบของคะแนนรวม จากนั้น เราจัดอันดับกลุ่มขั้นสุดท้ายโดยใช้คะแนนรวมจากสูงไปต่ำ กลุ่มที่ 1 คือกลุ่มที่ประสบความสำเร็จมากที่สุดด้วยคะแนนรวมสูงสุด และกลุ่มที่ 4 คือกลุ่มที่ประสบความสำเร็จน้อยที่สุดและมีคะแนนรวมต่ำสุด