业绩最佳的食品类广告主如何提高认知度

作者: Kavya Kilari,分析和见解

案例要点:

在 2019 年对亚马逊食品类的 5600 多家美国公司的研究中,我们观察到,对于业绩最佳的广告主而言,他们使用三种广告策略的频率比其他广告主要高。食品品类包括销售全食、咖啡、冷饮和零食等产品的品牌。

与其他广告主相比,表现最佳的广告主的亚马逊品牌指数 (ABI) 认知度指标(这为广主提供了流域中部和上部指标,用于量化知道某品牌的顾客数量)平均同比增长 2.2 倍,ABI 购买意向指标(反映了考虑进行购买的顾客数量)同比增长 1.9 倍。为了进一步研究这种影响,我们使用机器学习算法来确定是哪些策略让业绩最佳的广告主与其他广告主区分开来。本文探讨了这些策略,并就如何改进这些策略提出了建议。

有关更多信息,请参阅本文末尾的“方法”部分

1. 业绩最佳的食品类广告主使用流媒体电视广告

洞察

我们的分析表明,通过利用流媒体电视广告,接受研究中的广告主的净媒体总覆盖面(仅限线性电视)平均增加了 2.2%。此外,2019 年 Nielsen 的一项研究显示,由于用户开始越来越多地从线性电视转向流媒体电视,这一增量覆盖面中约有 39% 是无法通过线性电视实现的。

8 倍

开展不间断投放广告活动的可能性增加了

2.2%

净覆盖面增加了

39%

Fire TV 将覆盖面增加了

建议

广告主不仅应该考虑将流媒体电视广告添加到他们的媒介计划中,还应该考虑在一年中至少 25 周的时间里开展不间断投放的广告活动。

2. 业绩最佳的食品类广告主结合使用展示广告和流媒体电视广告

洞察

我们的研究表明,流媒体电视广告和展示广告结合使用效果更好。那些结合使用展示广告和流媒体电视广告的表现最佳的品牌在亚马逊店铺中由广告产生的品牌搜索量同比增长了 47%。广告主可以使用互补的、不间断投放的上层和下层策略,从而采取全流域方法,帮助与顾客进行跨渠道互动,无论他们处在购买过程的哪个阶段。

注意: 虽然品牌搜索并不一定能带来销售,但它们反映了品牌购买意向的增加,这是消费者行为历程中的一个关键步骤。

建议

考虑通过在展示广告的基础上投放流媒体电视广告来增加支持。广告主还应利用亚马逊广告的各种工具,例如:

3. 业绩最佳的食品类广告主更多地使用亚马逊消费者细分受众群

洞察

与仅使用人群特征细分受众群相比,表现最佳的广告主在根据行为信号(例如生活方式细分受众群)触达受众时获得的购买意向增加了 +44%。表现最佳的广告主获得的展示量也比其他广告主多出了 4.5%。

44%

购买意向增加了

4.5%

带来的展示量增加了

建议

通过结合使用亚马逊场内客群和生活方式受众,广告主可以量身定制开展广告活动的方法。例如,当顾客购买“运动和健身”类商品时,他们可能是为了帮助自己实现新的健身目标,所以广告主在确定要传达的信息时应考虑利用这一点。同样,注重健康的顾客可能还会寻找蛋白粉和其他商品来帮助他们补充与这些目标有关的饮食。亚马逊可以帮助广告主触达那些参与了相关购物活动的受众,这些活动表明他们最近可能购买了与健身有关的商品。能够访问亚马逊 Amplifir 报告和“受众人群洞察”的广告主应该考虑使用这两种资源来更好地监控和优化其场内客群和生活方式受众。

方法

在这项研究中,我们对 2020 年美国食品品类中的 5600 多个品牌进行了分析。食品品类包括销售全食、咖啡、冷饮和零食等产品的品牌。

我们针对认知度亚马逊品牌指数 (ABI) 同比增长率、购买意向亚马逊品牌指数 (ABI) 同比增长率计算出了一项综合成功得分,然后确定了最有效的推广及零售策略,以利用机器学习算法帮助提高综合得分。

我们首先使用监管模型来确定 20 个属性,这些属性可以帮助提高超过 40 个媒体和零售属性的综合得分。然后,我们使用此属性列表在品牌之间进行了聚类分析,因此同一聚类中的品牌在广告和零售属性方面相似,而不同聚类中的品牌在广告和零售属性方面有所不同。这些属性包括产品使用情况,例如流媒体电视广告、视频广告和商品推广

机器学习算法返回了几个聚类。我们根据成功指标对这些聚类进行排名,比较表现最好和最差的聚类,比较它们的差异,并总结出是哪些关键属性让他们在认知度和购买意向 ABI 增长方面的表现如此不同。

广告主在聚类中如何分布?

我们使用机器学习算法,根据广告主的广告及零售属性自动将其分为不同的聚类。

聚类 1

聚类 2

聚类 3

聚类 4

ABI 认知度同比增长。聚类 1: 2.2;聚类 2: 2.0;聚类 3: 1.8;聚类 4:1.0

ABI 认知度同比增长

ABI 购买意向同比增长。聚类 1: 2.5;聚类 2: 1.7;聚类 3: 1.6;聚类 4:1.0

ABI 购买意向同比增长

聚类 1 的认知度 ABI(2.2 倍)和购买意向 ABI(1.9 倍)的同比增长均高于聚类 4。尽管聚类 1 和聚类 2 在认知度 ABI 方面有相似的同比增长,但聚类 1 在购买意向 ABI 方面的同比增长优于聚类 2(分别为 1.87 倍和 1.25 倍)。

聚类分析的工作原理

我们基于 DPVR 创建了二进制综合得分,然后应用 XgBoost 分类器来确定哪些要素以及哪些权重最能预测这些标签。这一过程中的要素指的是推广或零售操作,例如广告产品使用强度和组合、广告支持时间、投放策略、广告素材和广告位、买家评论计数和评级、具有优质商品页面的商品百分比以及广告中推广的商品类型等。

使用上述已确定的要素和权重,我们接下来应用了 k-medoid 聚类分析算法对广告主进行聚类划分。请注意,我们按广告主的操作而不是综合得分的组成部分对其进行分类。然后,我们按综合得分从高到低对最终聚类进行排名。聚类 1 是最成功的聚类,综合得分最高,聚类 4 是最不成功的聚类,综合得分最低。