為什麼您應該考慮在下一個廣告活動中使用否定定向

撰寫： 資深數據科學家 Zhixun Wang 和 科技作家 Ashton Brown

針對 Amazon 品牌旗艦店家居環境品類超過 3,500 個品牌的研究中，我們比較績效上佳和績效較低的廣告主的推廣策略。然後，我們會使用這個比較結果來得出廣告主適用的可行洞察，以協助增進品牌新客成長和商品詳情頁面檢視量的各年增長。

故事亮點：

    1.績效上佳的家居環境廣告主使用否定關鍵詞和否定 ASIN 比績效較低的高出 4 倍

    2.績效上佳的居家環境廣告主使用地理受眾的可能性比績效較低的高出 4.5 倍

在本研究中，我們在 2018 年、2019 年和 2020 年分析了居家環境品類的 3,500 多個品牌。居家環境品類包括販賣空氣清淨機、加濕器和加熱器等商品的品牌。為了進行分析，我們將居家環境品牌分為五個叢集，其中叢集 1 在商品詳情頁面檢視率 (DPVGR)、廣告投資報酬率 (ROAS) 和每位顧客支出 (CS) 方面是最成功的叢集，而叢集 5 是最不成功的；我們將 CS 定義為每位顧客的平均銷售金額。

我們的分析發現，與績效較低廣告主相比，績效上佳的居家環境廣告主 (叢集 1) 的 DPVGR 高出 1.1 倍、廣告投資報酬率高出 50%，以及每位顧客支出高出 16.5 倍（叢集 5）。

上佳績效

1.1 倍

更高的 DPVGR

1.5 倍

更高的廣告投資報酬率

16.5 倍

更高的 CS

為了向廣告主提供可行的洞察，我們使用機器學習來分析 50 多個廣告宣傳屬性，對 DPVGR/ROAS/CS. 貢獻更多或少。接著，我們確定出哪些屬性對商品詳情頁面檢視率、廣告投資報酬率、每位顧客支出有最多的正面影響。本文提供關鍵屬性或策略的洞察和上佳做法，透過量化績效上佳的居家環境品牌 (叢集 1) 和績效較低的廣告主（叢集 5）採用每個關鍵屬性或策略的程度。

有關我們如何執行此研究的更多資訊，請參閱本文末尾的方法部分。

績效上佳的家居環境廣告主使用否定關鍵詞和否定 ASIN 比績效較低的高出 4 倍

購物搜尋結果的精準相關可能會促成更多的消費者互動。平均而言，在成功指標最高的叢集中使用否定關鍵詞或 ASIN 策略的廣告活動中提供 12% 的曝光數，但分數最低的廣告活動中則是 3%。

使用否定關鍵詞 / ASIN 提供的曝光數百分比

12%

上佳績效

3%

績效較低

使用否定關鍵字或 ASIN 做法的例子

為了展示如何使用否定關鍵字或 ASIN 做法，我們將觀察兩種情況：

  • 案例 1-促銷家用空氣清淨機的公司可以在其廣告活動中包含否定關鍵詞，例如「汽機車」。這將防止廣告與汽車過濾器競爭，這意味著專門針對家用空氣清淨機的廣告活動將顯示並回饋更相關的購物查詢。
  • 情況 2-只想宣傳他們的風扇系列的公司可以使用「desk」或「desktop」作為否定關鍵詞，以避免向尋找不同用途風扇的顧客展示廣告。

使用否定關鍵字或 ASIN 策略時的學習和上佳做法

為了展示如何使用否定關鍵字或 ASIN 做法，我們將觀察兩種情況：

  • 使用指標來選取否定關鍵詞： 較低的點閱率和較低的轉化率，是關鍵字表現不佳的良好指標，並可能是否定關鍵詞的候補來源。
  • 測試和學習： 測試理論上有效的否定關鍵詞、學習並經常與正在執行的關鍵字進行優化。

績效上佳的居家環境廣告主使用地理受眾的可能性比績效較低的高出 4.5 倍

我們的分析發現，績效上佳的居家環境廣告主使用地理受眾來投放其推廣總計的 9%，而績效較低的則只透過地理受眾傳送 2% 的廣告。這種方法可以幫助廣告活動在特定地區觸達更多全新受眾。還可以幫助廣告活動觸達對居家環境商品抱有不同需求的受眾地區。例如，廣告主可能希望在溫熱潮濕的地方顯示風扇和除濕機廣告，而冬季僅在寒冷地區顯示加熱器和加濕器廣告。

與地理細分受眾群投放的廣告百分比

9%

上佳績效

2%

績效較低

使用地理受眾的學習和上佳做法

  • 創建自訂受眾： 考慮利用 Amazon Ads 工具，根據與廣告活動目標相符的地理資訊建立自訂細分受眾群。
  • 季節性影響： 考慮根據不同地理區域的不同氣候，針對不同商品使用適當的季節性地理策略。

結論

我們的分析發現廣告主可以積極影響其 DPVGR/ROAS/CS 的兩種關鍵方式。首先，廣告主可以使用否定關鍵詞或 ASIN 策略，以確保他們的廣告根據商品類型觸達所需的受眾。第二，廣告主可以使用地理受眾來確保顧客根據他們的位置看到廣告和商品。這兩種方法不僅可以幫助單獨改善 DPVGR/ROAS/CS，而且在一起實施時也能互相產生利益。

方法

我們首先使用受監管模型來分辨一份有助於提高 40 多個媒體和零售推廣之綜合分數的屬性清單。具體來說，我們遵循五個步驟，創建商品詳情頁面檢視率 (DPVGR) 和品牌新客各年增長率、廣告投資報酬率、每位顧客支出的成功指標，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成功指標。

  • 選擇品牌： 2018 年、2019 年和 2020 年的居家環境品類包含 3,500 多個品牌。
  • 建立成功指標： 根據商品詳情頁面檢視量、廣告投資報酬率和每位顧客平均支出的各年增長來計算。
  • 分辨有效的廣告或零售行動： 確定有助於提高綜合分數的主要行動（導致 DPVGR/ROAS/CS 的同比增長的行動）。
  • 分組品牌： 品牌按照綜合分數（DPVGR/ROAS/CS）分成五個組別，排名從績效最高到績效最低。
  • 比較品牌組別： 與績效較低品牌 (叢集 4) 採用的策略相比，確定他們使用哪些策略，並根據績效上佳品牌 (叢集 1) 增加了商品詳情頁面檢視、廣告投資報酬率和每位顧客的支出。