Eine Beauty-Marke verbessert das BFCM-Ergebnis durch eine Vorlaufstrategie

In dieser Studie führen Amazon Ads-Forscher einen A/B-Test durch, um zu bewerten, ob die Aktivierung einer Vorlaufkampagne vor einem Tentpole-Event (Black Friday und Cyber Monday) dazu beitragen kann, dass während der Events mehr Conversion und Berücksichtigung erzielt wird.

Eine deutsche auf Amazon werbende Beauty-Marke wollte 2021 wissen, wie Sie ihre Anzeigenkampagnen-Ergebnisse während des Black Friday und Cyber Monday (BFCM) Events steigern kann. Insbesondere wollte sie wissen, wie sie ihre Detailseitenaufrufe, ihre Kaufrate und ihre Kaufrate von Marken-Neukunden verbessern können.

Um die Ergebnisse zu erzielen, haben wir einen A/B-Test mit zwei Strategien während BFCM durchgeführt, um ermitteln, welche wirksamer ist:

Hinweis: Diese Ergebnisstatistiken basieren auf einem einzelnen Werbetreibenden zu einem bestimmten Zeitpunkt, und können aufgrund kontextueller und saisonaler Unterschiede variieren.

Wir haben festgestellt, dass die Aktivierung einer Amazon Ads-Kampagne vor BFCM zu mehr Berücksichtigung und Conversion während des Event-Zeitraums führt.

Die Testkampagne schnitt in allen der drei Kennzahlen besser als die Kontrollkampagne ab.

• Maximiertes Lernen: Berechtigte Werbetreibende können problemlos mit einem Teil ihres Jahresbudgets ein Experiment durchführen. Durch das Hinzufügen eines Tests zum Medienplan können Werbetreibende wissenschaftliche Einblicke gewinnen, die über den standardmäßigen Bericht „Kampagnenergebnisse“ hinausgehen.
• Maßgeschneiderter Einblick: Werbetreibende können maßgeschneiderte Einblicke erhalten, indem Sie Tests mit Ihren eigenen Kampagnen durchführen. Die Einblicke aus dem Experiment können weiterhin helfen die Empfehlungen von Amazon Ads zu validieren.
• Präzision des Experiments: Durch randomisierte kontrollierte Tests und statistischen Analysen stellen wir eine Kausalität zwischen der implementierten Strategie und dem Ergebnis fest.

1. Wandeln Sie das Geschäftsproblem in eine umsetzbare Hypothese um: (1) Verbessert Werbung im Vorfeld von BFCM die Rate von Detailseitenaufrufen, die Kaufrate und die Kaufrate von Marken-Neukunden?
2. Definieren Sie den Erfolgsmassstab: (1) Statistisch signifikanter Anstieg durch eine Multi-Touch-Behandlung. Der Nutzen von Display-Werbung durch Amazon DSP im Vorfeld von BFCM wurde bewiesen. (2) Statistisch signifikanter Anstieg durch eine Multi-Touch-Behandlung. (3) Ein signifikanter Befund deutet darauf hin, dass der beobachtete Anstieg wahrscheinlich eher auf die Behandlung als auf Zufall zurückzuführen ist. Ein Testergebnis, das statistisch nicht signifikant ist, sollte als unzureichender Beweis für die Behauptung, dass ein Behandlungseffekt vorliegt, angesehen werden. Das Testergebnis wird logischerweise auf die Nullhypothese zurückgesetzt, sodass kein Unterschied zwischen den getesteten Variationen behauptet wird.
3. Erstellen Sie das Experiment: (1) In diesem Experiment umfasste die Teststrategie eine zweiwöchige Vorlaufkampagne, gefolgt von einer BFCM-Kampagne vom 11. November 2021 bis 29. November 2021. Die Kontrollstrategie wurde vom 25. November 2021 bis 29. November 2021 als eigenständige BFCM-Kampagne ausgeführt. (2) Die Teststrategie nutzte im Vorfeld eine Weitervermarktungskampagne, mit der Produkte bei relevanten Zielgruppen beworben wurden. (3) Die meisten Elemente (Taktikbudget, beworbene und empfohlene ASIN, Anzeigendesign, Häufigkeit, Gebote usw.) des DSP-Setups spiegeln sich in allen Behandlungen wider. Die Budgetoptimierung ist während des Tests deaktiviert, da Budgetverschiebungen zu Abweichungen führen können, die darüber hinausgehen, was durch die getestete Variable definiert werden kann.
4. Identifizieren Sie die wichtigsten Key Performance Indicators (KPI) des Experiments: In diesem Test sind die Rate der Detailseitenaufrufrate, die Kaufrate und die Kaufrate von Marken-Neukunden die wichtigsten getesteten Kennzahlen. Wir können die Auswirkungen auf andere Kennzahlen messen, aber die Wahrscheinlichkeit, dass signifikante Anstiege festgestellt werden, ist geringer, da der Test nicht für die sekundären KPIs ausgelegt ist.
5. Schätzung der Stichpropengröße des Experiments: Im Allgemeinen ermöglicht eine größere Stichprobe dem Test einen echten Effekt besser von zufälligem Rauschen zu unterscheiden. Angesichts eines begrenzten Budgets müssen wir zu einer wünschenswerten Stichprobengröße gelangen, die die Kosten und den Nutzen der Erfassung eines statistisch signifikanten Ergebnisses in Einklang bringt. Wir schätzen die Stichprobengröße, indem wir eine Leistungsanalyse durchführen, die auf einer statistischen Aussagekraft von 80 bis 90 %, einem Konfidenzniveau von 95 %, einem Signifikanzniveau von 5 %, einem KPI-Basiswert und einem minimalen nachweisbaren Effekt basiert. Diese Schätzungen der Stichprobengröße stellen das empfohlene Minimum für statistische Signifikanz dar.
6. Experiment einstellen: Amazon Ads teilt eine Zielgruppe in sich gegenseitig ausschließende Gruppen auf, um Kreuzkontaminationen zu verhindern.
7. Ergebnisse überprüfen: Die Experimente dauern im Durchschnitt vier Wochen. Das Amazon Ads-Experimententeam überwacht den Fortschritt während des Tests und führt nach Abschluss des Zuordnungssfensters eine Analyse am Ende des Tests durch. Werbetreibende können Erfahrungen aus Experimenten in zukünftige Kampagnen einbeziehen, um Ergebnisse zu verbessern.