績效最佳的雜貨廣告主如何

作者: Kavya Kilari,分析與洞察

故事亮點:

在 2019 年針對亞馬遜雜貨類別 5,600 多家美國公司進行的一項研究中,我們觀察到績效最佳的廣告主比其他廣告主更常使用三項廣告策略。雜貨類別包括銷售全食、咖啡、冷飲和零食等產品的品牌。

績效最佳的廣告主在亞馬遜品牌指數 (ABI) 意識度指標中平均成長 2.2 倍 (這些指標為廣告主提供流域中部和流域上部的指標,量化顧客品牌認知度的數字),而 ABI 購買意向的年成長率 (反映考慮購買的顧客數量) 與其他廣告主相比成長 1.9 倍。為了進一步研究這種影響,我們使用機器學習演算法來識別績效最佳的廣告主與其他廣告主的策略。本文探討這些策略,並提供有關如何改善策略的建議。

如需更多資訊,請參閱本文結尾的方法部分

1.績效最佳的雜貨廣告主利用串流電視廣告

洞察

我們的分析顯示,研究中的廣告主透過利用串流電視廣告,平均提高了他們的淨媒體觸及率 (僅限線性電視) 2.2%。此外,2019 年 Nielsen 的一項研究顯示,從線性電視轉向串流媒體電視的比例越來越高,因為大約 39% 的增量觸及率無法透過線性電視實現。

8 倍

更可能執行不間斷投放的廣告活動

+2.2%

淨觸及率提高

增加 39%

透過 Fire TV 的推出提高觸及率的意識

建議

廣告主不僅應考慮將串流媒體電視廣告加入其多媒體計畫中,也應考慮在一年中至少 25 週內投放不間斷投放的廣告活動。

2.績效最佳的雜貨廣告主會將展示廣告和串流電視廣告一起使用

洞察

我們的研究表明,串流電視廣告和展示廣告搭配使用的績效更好。同時使用展示廣告和串流電視廣告的績效最佳品牌在亞馬遜品牌旗艦店的廣告屬性品牌搜尋量年成長率增加 47%。採用全流域方案方法,透過使用互補、不間斷投放的流域上部和流域下部策略,可幫助廣告主跨通路與顧客互動,不論顧客身在旅程中的何處。

注意: 雖然品牌搜尋不一定能增加銷售量,但它們可以表明品牌購買意向的增加,這是消費者旅程中的重要步驟。

建議

考慮在展示廣告之上投放串流電視廣告,以增加支援。廣告主也應使用亞馬遜廣告的工具,例如:

3.績效最佳的雜貨廣告主更常使用亞馬遜消費者的細分受眾群

洞察

相比於僅使用人口統計細分受眾群,績效最佳的廣告主在根據行為訊號 (例如生活方式細分受眾群) 觸及受眾時的購買意向增加 44%。績效最佳的廣告主也比其他廣告主提高了 4.5% 的曝光數。

+44%

購買意向增加

+4.5%

投放的總曝光數

建議

透過使用亞馬遜場内客群和生活方式受眾的組合,廣告主可以量身打造他們的廣告活動方式。例如,當購物者在「運動和健身」類別中購買時,他們可能是為了幫助實現新的健身目標,因此廣告主應考慮在開發訊息時運用此策略。同樣地,注意健康的購物者可能也在尋找乳清蛋白和其他產品,來幫助他們補充與這些目標有關的飲食。亞馬遜可以協助廣告主觸及參與購物活動的受眾,因為這些活動表明他們最近可能曾購買健身相關產品。具有亞馬遜 Amplifier 報告和受眾人群洞察存取權限的廣告主應考慮利用這兩種資源來有效監控及最佳化其場内客群和生活方式受眾。

方法

在本研究中,我們在 2020 年分析了美國雜貨類的 5,600 多個品牌。雜貨類別包括銷售全食、咖啡、冷飲和零食等產品的品牌。

我們針對認知度的亞馬遜品牌指數 (ABI) 年成長率和購買意向的亞馬遜品牌指數 (ABI) 年成長率建立了一套綜合分數機制,然後分辨出頂級廣告宣傳和零售策略,以幫助使用機器學習演算法提高綜合分數。

我們首先使用受監督模型來識別屬性清單,其內容有助於提高 40 多種媒體和零售屬性之綜合分數。然後,我們使用此屬性清單在品牌之間進行叢集分析,因此同一叢集中的品牌在廣告和零售屬性上相似,而不同叢集中的品牌在廣告和零售屬性方面則不同。這些屬性包括產品使用情況,例如串流電視廣告、影片廣告和商品推廣

機器學習算法傳回叢集。我們按成功指標對這些叢集進行排名,比較了績效最佳和最不佳的叢集以及它們之間的差異,並總結出是哪些關鍵屬性讓他們在認知度和購買意向 ABI 成長率上的績效如此不同。

廣告主如何分類到不同的叢集?

我們會根據廣告主的推廣和零售屬性,使用機器學習演算法自動將廣告主分類到不同的叢集中。

叢集 1

叢集 2

叢集 3

叢集 4

ABI 意識年成長率。叢集 1: 2.2;叢集 2: 2.0;叢集 3: 1.8;叢集 4:1.0

ABI 認知度年成長率

ABI 購買意向年成長率。叢集 1: 2.5;叢集 2: 1.7;叢集 3: 1.6;叢集 4:1.0

ABI 購買意向年成長率

叢集 1 的意識 ABI (2.2 倍) 和評估 ABI (1.9 倍) 與去年同期相較比叢集 4 成長更多。儘管叢集 1 和 2 的意識 ABI 與去年同期相較的成長相似,但在考慮到 ABI 按年成長率計算,叢集 1 績效優於叢集 2 (分別為 1.87 倍與 1.25 倍)

叢集分類如何運作?

我們根據 DPVR 建立了一個二元綜合評分,然後,我們應用 XGBoost 分類器來識別哪些特徵和權重最能預測這些標籤。在此過程中,我們考慮了廣告或零售行為的特徵,如廣告產品的使用強度和組合情況、廣告支援的時機、定向策略、創意和投放情況、客戶評論數量和評級、具有優質產品頁面的產品百分比以及廣告中推廣的產品類型。

然後,我們會根據上述已確定的特徵和權重,採用 k-medoid 叢集演算法來分類廣告主。請注意,我們是根據廣告主的行動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 是最成功的叢集,綜合得分最高,而叢集 4 則最不成功,綜合得分最低。