根據績效上佳的金融服務廣告主洞察來改善點閱率

作者: 分析及媒體經理 Eric Tutlys

根據 2019 年針對 50 個金融服務品牌所做的研究顯示,平均而言績效上佳的廣告主的點擊率會高出 2.9 倍、每日觸及會高出 1.5 倍,且六個月滾動觸及會高出 1.6 倍。

精選動態:

根據 2019 年針對 50 多個使用亞馬遜廣告的金融服務 (FinServ) 類別(保險、經紀、信用卡和銀行)品牌所做的研究,我們發現相較於其他廣告主,平均而言績效上佳的廣告主的點閱率 (CTR) 會高出 2.9 倍、每日觸及會高出 1.5 倍,且六個月滾動觸及會高出 1.6 倍。這些廣告主還會多運用三種關鍵廣告策略:

  1. 不間斷投放廣告活動
  2. 受眾再行銷
  3. 多元化廣告支出

本文提供這些策略的相關洞察及其改善建議。

1.績效上佳的廣告主會更常不間斷投放廣告活動

洞察

績效上佳的廣告主的曝光數比其他廣告主高出 6%。此外,績效上佳的廣告主不間斷投放廣告活動的時間為 25 週 (每六個月期間),而其他廣告主不間斷投放廣告活動的時間則為 14 週(每六個月期間)。

建議

考慮持續投放一整年廣告活動。網路上永遠都有顧客,而不間斷投放的廣告活動可以幫助全年在每個營銷流域階段,強化顧客對廣告主品牌的印象,進而提高點擊率並擴大觸及。此外,不間斷投放的廣告活動也有助於逐漸改善廣告效果。廣告活動投放得越久,收集到的資料導向洞察就越多,可供您用來優化廣告活動。

同時實施認知度、購買意向和轉化策略時,不間斷投放會發揮最佳效果。品牌廣告活動和流媒體電視廣告等認知度及購買意向策略可以幫助新顧客往流域下方移動;而再行銷之類的轉化策略則可能推動轉化。

2.績效上佳的廣告主會使用受眾再行銷

洞察

績效上佳的廣告主使用受眾再行銷的可能性比其他廣告主高出 6 倍。

建議

金融服務廣告主應考慮採用再行銷策略,因為它有助於提高點擊率、購買意向和轉化率。再行銷也可以幫助建立顧客忠誠度。為了增進再行銷的成效,廣告主應考慮:

  1. 在適當的時間進行再行銷,以幫助推動首次轉化。
  2. 利用像是 Prime 會員日、黑色星期五/網路星期一等亞馬遜活動,以及流域上部廣告產品(如流媒體電視廣告和亞馬遜 DSP)來幫助提高認知度和購買意向,然後透過再行銷來幫助轉化登錄頁面瀏覽。
  3. 將預算分配給不同的廣告產品和庫存類型(包括行動裝置、影片和展示型推廣),進行多元化的投資組合。

3.績效上佳的廣告主會多元化其廣告投資

洞察

績效上佳的廣告主在 PC 端展示型推廣、行動裝置展示型推廣、平板電腦展示型推廣、亞馬遜 DSP、流媒體電視廣告和音頻廣告中,會使用至少四種廣告產品和庫存類型,而其他廣告商僅使用兩種產品和庫存類型。

建議

我們建議金融服務廣告主考慮結合運用多種廣告產品和庫存類型,做更多元化的廣告投放配置,因為這麼做可幫助您擬定出全流域方案,讓您更容易觸達現今的全渠道顧客。若要建立認知度,請嘗試透過亞馬遜 DSP 投放流媒體電視廣告、音頻廣告和展示型推廣或網路影片廣告來擴大觸及。只要用對方法,廣告主在數個渠道的行銷觸及率全都能拉高

方法

我們在 2019 年分析了美國金融服務類別中的 50 多家廣告主。金融服務類別包括保險、經紀、信用卡和銀行業的廣告主。

我們建立了點擊率 (CTR)、每日觸及率和六個月觸及率的綜合分數。綜合分數包括點擊率 (CTR)、平均每日獨立用戶觸達和平均六個月滾動獨立用戶觸達。每日觸及是在測量每日訊息的傳遞強度,而六個月滾動觸及則是觸及受眾總數的近似值。

接著,我們便能找出最佳廣告策略,以幫助拉高機器學習演算法的綜合分數(利用逐步線性迴歸及主題專家建議來分配特徵權重)。

廣告活動效果指標(基準線 = 最低四分位區間)

最高四分位區間的顏色

最高四分位區間

第二個四分位區間

第二個四分位區間

第三個四分位區間

第三個四分位區間

最低四分位區間

最低四分位區間

CTR

CTR。最高四分位區間: 2.9;第二個四分位區間: 2.4;第三個四分位區間: 1.6;最低四分位區間: 1.0

每日觸及

每日觸及。最高四分位區間: 1.5;第二個四分位區間: 1.3;第三個四分位區間: 1.2;最低四分位區間: 1.0

六個月滾動觸及

六個月滾動觸及。最高四分位區間: 1.5;第二個四分位區間: 1.4;第三個四分位區間: 1.3;最低四分位區間: 1.0

叢集如何運作?
在所有三個組成中排名前 50% 的廣告主會標記為「一」,否則會標記為「零」,接著再套用 XGBoost 分類器來確定哪些特徵和使用哪些權重最能預測這些標籤。採用此做法時,我們會將亞馬遜廣告或零售行動視為各式特徵,例如廣告產品使用強度和組合情況、廣告支持的時機、定向策略、創意和展示位。
然後,我們會根據上述已確定的特徵和權重,採用 k-medoid 叢集演算法對廣告主進行叢集分類。請注意,我們是根據廣告主的動作而非綜合分數進行分類。接下來,我們會將他們的綜合分數從高排到低,得出最終叢集排名。叢集 1 是綜合得分最高,廣告績效最好的叢集,而叢集 5 則是廣告績效最差的叢集。