İndirme verimliliğini artırmak için en iyi uygulama reklamverenlerinin kullandığı 3 taktik

Yazan: Jessie Liu, Kıdemli Analiz ve Medya Yöneticisi

Akış Uygulamaları endüstrisindeki (SVOD, AVOD, vMVPD) reklam kampanyalarının başarısını değerlendirirken yalnızca uygulama indirme sayısına değil, aynı zamanda uygulama indirme verimliliğine bakmak da yararlıdır. 2020 yılına ait bir Amazon Ads çalışması bunun önemini vurgulamaktadır.

Yazıda öne çıkanlar:

Abonelik Temelli İsteğe Bağlı Video (SVOD), Reklam Destekli İsteğe Bağlı Video (AVOD) ve Sanal Çok Kanallı Video Programlama Dağıtıcısı (VMVPD) içeren Akış Uygulamaları (SA) endüstrisi, farklı reklamverenlerin performansını karşılaştırmak için genellikle uygulama indirme sayısını kullanır. Amazon Ads'de, yalnızca toplam indirme sayısını değil, aynı zamanda gösterimlerin indirmelere ne sıklıkta yol açtığını gösteren indirme verimliliğini de göz önünde bulundurmanın önemli olduğuna inanıyoruz.

Uygulama indirme verimliliğini hesaplamak için 2020'de Amazon'daki SA kategorisinde 38 markanın bin gösterim başına indirme sayısını (DPM) analiz ettik. En iyi performans gösteren reklamverenlerin, diğer reklamverenlere göre 22 kat daha yüksek uygulama indirme verimliliğine sahip olduğunu gördük. Reklamverenlerin indirme verimliliğini artırmalarına yardımcı olmak için, en iyi performans gösterenler tarafından kullanılan farklı taktikleri inceliyor ve bunları geliştirmek üzere öneriler sunuyoruz.

Verilerimizi nasıl topladığımız hakkında daha fazla bilgi için, bu makalenin sonundaki Metodoloji bölümüne bakın.

1. En iyi performans gösteren uygulama reklamverenleri, Streaming TV reklamlarını, mobil reklamları ve Fire TV Sponsored Tiles'ı bir arada kullanıyor

Bu çalışma, Streaming TV reklamlarını, Fire TV Sponsored Tiles'ı ve mobil reklamları bir arada kullanan markaların, yalnızca Streaming TV reklamlarını kullanan reklamverenlere göre 22 kattan fazla daha yüksek uygulama indirme verimliliği elde ettiğini (ve 2 kat daha fazla gösterim sunduğunu) gösteriyor.

+%22

İndirme verimliliği

2 kat

Daha fazla gösterim

Öneriler

Kampanya planlarken, reklamverenlerin şunları yapmasını öneriyoruz:

  • Fire TV, Fire tablet ve mobil cihazlarda reklam yayınlayabilirsiniz.
  • Müşterilerin tüm cihazlarda olumlu bir deneyim yaşamasını sağlamak için reklam materyallerini cihazlara göre tasarlayabilirsiniz.

2. En iyi performans gösteren uygulama reklamverenleri, reklam materyallerinde çeşitlilik sunuyor

Belirli mesajlaşmanın daha fazla sürümüne sahip reklam materyali kampanyaları, kitleler tarafından daha ilgili oldukları düşünülerek daha yüksek bir etkileşim sağlayabilir. Aslında bu analiz, en iyi performans gösteren reklamverenlerin diğer reklamverenlerden 1,8 kat daha fazla benzersiz reklam materyali uyguladığını göstermektedir.

Öneriler

Reklamverenlerin sürekli olarak reklam materyallerini yenilemeleri ve A/B Testi yürütmeleri önerilir. A/B testi, görüntüleyicilere neyin hitap ettiğini belirlemek ve gereksiz harcamaları engellemek için kullanılabilecek etkili ve uygun maliyetli bir yoldur. İndirme sayısını artırma açısından nelerin daha iyi performans gösterdiğini anlamak için farklı eylem çağrıları ve içerik türleri gibi öğeleri test etmenizi öneririz. Son olarak, reklam içeriğinin ve reklam materyali kurulumlarının genel kitleye uygun olmasını ve Amazon'un politikalarına uymasını sağlamak için reklamverenlere reklam tasarımını, eylem çağrısını, iddiaları, reklam materyallerindeki fiyatlandırmayı ve açılış sayfasını dikkatle incelemelerini hatırlatırız.

3. En iyi performans gösteren uygulama reklamverenleri, negatif anahtar kelimelerden yararlanıyor

En iyi performans gösteren kitlelerin, diğer reklamverenlere kıyasla negatif anahtar kelime taktiklerini kullanma olasılıklarının %6-10 daha fazla olduğu ve ayrıca daha yüksek uygulama indirme verimliliği sunduğu görülmektedir.

Öneriler

Tür, akış ve yaşam tarzına dayalı özel kitle segmentleri ve kampanya hedefleriyle uyumlu pazarda davranış sinyalleri oluşturmak için Amazon Ads araçlarından yararlanabilirsiniz. Hangi kitlelerin kampanyalara yanıt vermediğini anlamak için standart kitle performans raporundan yararlanın ve gelecekte bunları hariç tutmayı göz önünde bulundurun.

Metodoloji

Bu çalışmada, Ocak-Aralık ayları arasında 2020 yılında 12 ay boyunca ABD'de Akış Uygulamaları kategorisinde reklam veren 38 markayı analiz ettik. Akış Uygulamaları kategorisi; Abonelik Temelli İsteğe Bağlı Video, Reklam Destekli İsteğe Bağlı Video ve Sanal Çok Kanallı Video Programlama Dağıtıcısı (vMVPD) gibi hizmetler sunan reklamverenleri içerir.

Başarıyı ölçmek için uygulama indirme verimliliği istatistiği olarak bin gösterim başına indirme sayısını (DPM) kullandık. Daha sonra makine öğrenimi algoritmalarıyla DPM'yi artırmaya yardımcı olmak için en iyi reklamcılık stratejilerini belirledik. Özellik ağırlıkları atamak için Pearson Korelasyon, Doğrusal regresyon, XGBoost ve konu uzmanı önerileri kullanılır. Bu analiz, en yüksek ve en düşük DPM değerine sahip reklamverenler arasındaki en büyük farklılıkları vurgular ve performans veya iddia nedenselliğine ilişkin tahmin sunmaz.

Kümeleme nasıl çalışır?

DPVR'ye dayalı ikili bir kompozit puan oluşturduk ve daha sonra hangi özelliklerin ve hangi ağırlıkların bu etiketlere ilişkin en iyi şekilde tahmin sunabildiğini belirlemek için bir XGBoost sınıflandırıcısı uyguladık. Bunu yaparken reklam eylemlerini; reklam ürünü kullanım yoğunluğu ve karışımı, reklam desteğinin zamanlaması, hedefleme taktikleri, reklam materyalleri ve yerleştirmeler, müşteri yorumu sayıları ve derecelendirmeleri, kaliteli ürün sayfalarına sahip ürünlerin yüzdesi ve reklamlarda tanıtılan ürün türleri gibi özellikler olarak değerlendirdik.

Ardından, yukarıda belirtilen tanımlanmış özellikleri ve ağırlıkları kullanarak, reklamverenleri kümeler hâlinde sınıflandırmak için bir k-medoid kümeleme algoritması uyguladık. Reklamverenleri kompozit puanlarının bileşenlerine göre değil eylemlerine göre sınıflandırdığımızı unutmayın. Son olarak, son kümeleri yüksekten düşüğe doğru kompozit puanlarına göre sıraladık. 1. Küme, en yüksek kompozit puana sahip en başarılı küme ve 5. Küme ise en az başarı gösteren kümedir.