Une marque de produits de beauté augmente les performances BFCM grâce à une stratégie de lancement

Dans cette étude, les chercheurs d'Amazon Ads réalisent un test A/B afin de déterminer si l'activation d'une campagne de lancement avant un événement majeur (Black Friday et Cyber Monday) peut contribuer à accroître la considération et la conversion lors de l'événement.

Une marque allemande de produits de beauté qui fait de la publicité sur Amazon en 2021 voulait savoir comment améliorer les performances de sa campagne publicitaire pendant Black Friday et Cyber Monday (BFCM). Plus précisément, elle souhaitait savoir comment améliorer le nombre de vues de la page produit, le taux d'achat et le taux d'achat « premier achat de la marque ».

Pour obtenir les résultats, nous avons effectué un test A/B entre deux stratégies pendant BFCM afin de déterminer laquelle est la plus performante :

Remarque : Ces statistiques de performance sont basées sur un seul annonceur à un moment donné, et les résultats peuvent varier en raison de différences contextuelles et saisonnières.

Nous avons constaté que l'activation d'une campagne de lancement Amazon Ads avant BFCM accroît la considération et la conversion pendant la durée de l'événement.

Les performances de la campagne Test ont été supérieures à celles de la campagne Contrôle dans les trois statistiques.

• Apprentissage optimisé : Les annonceurs éligibles peuvent mener une expérience en toute transparence en utilisant une partie de leur budget annuel. En ajoutant un test au plan média, les annonceurs peuvent recueillir des données scientifiques qui vont au-delà du rapport standard sur les performances de campagne.
• Données personnalisées : Les annonceurs peuvent générer des données personnalisées en testant leurs campagnes réelles. Les données de l'expérience peuvent contribuer à valider les recommandations d'Amazon Ads.
• Rigueur de l'expérience : Par le biais de tests contrôlés randomisés et d'analyses statistiques, nous établissons la causalité entre la stratégie mise en œuvre et le résultat.

1. Traduisez le défi commercial en une hypothèse exploitable : (1) La publicité avant BFCM améliore-t-elle le taux de vues de la page produit, le taux d'achat et le taux d'achat « premier achat de la marque » ?
2. Définissez la mesure du succès : (1) L'augmentation significative d'un point de vue statistique est due au ou aux traitements multi-touch, démontrant la valeur de la publicité display via Amazon DSP avant BFCM. (2) L'augmentation significative d'un point de vue statistique grâce à l'un des traitements multi-touch. (3) Un résultat significatif suggère que l'augmentation observée est probablement due au traitement et non au hasard. Un résultat de test qui n'est pas statistiquement significatif doit être traité comme une preuve insuffisante pour affirmer l'existence d'un effet de traitement et se traduit logiquement par l'hypothèse nulle, affirmant l'absence de différence entre les variations testées.
3. Concevez l'expérience : (1) Dans cette expérience, la stratégie Test contenait une campagne de lancement de deux semaines suivie d'une campagne BFCM du 11 novembre 2021 au 29 novembre 2021. La stratégie Contrôle s'est déroulée sous la forme d'une campagne BFCM autonome du 25 novembre 2021 au 29 novembre 2021. (2) La stratégie Test s'est appuyée sur une campagne de remarketing en amont, qui fait la promotion de produits auprès d'audiences pertinentes. (3) La plupart des éléments (budget de la tactique, ASIN promu et en vedette, créations, fréquence, enchères, etc.) de la configuration DSP se reflètent dans les traitements. L'optimisation budgétaire est désactivée pendant le test, car les changements de budget peuvent induire des écarts au-delà de ce qui peut être défini par la variable testée.
4. Identifiez les indicateurs clés de performances (KPI) de l'expérience : Dans ce test, le taux de vues de la page produit, le taux d'achat et le taux d'achat « premier achat de la marque » sont les principales statistiques testées. Nous pouvons mesurer l'effet sur d'autres statistiques, mais les chances de détecter des hausses significatives sont plus faibles puisque le test n'est pas dimensionné pour les indicateurs clés de performances secondaires.
5. Expérimentez l'estimation de la taille de l'échantillon : En général, une taille d'échantillon plus importante permet à un test de mieux distinguer un effet réel d'un bruit aléatoire. Compte tenu d'un budget limité, nous devons parvenir à une taille d'échantillon souhaitable qui équilibre le coût et le bénéfice de la détection d'un résultat significatif d'un point de vue statistique. Nous estimons la taille de l'échantillon en effectuant une analyse de puissance, qui est basée sur une puissance statistique de 80 à 90 %, un niveau de confiance de 95 %, un niveau de signification de 5 %, un niveau de référence des indicateurs clés de performances et un effet détectable minimum. Ces estimations de la taille de l'échantillon représentent le minimum recommandé pour la signification statistique.
6. Configurez l'expérience : Amazon Ads divise une audience en groupes mutuellement exclusifs pour éviter la contamination croisée.
7. Passez en revue les résultats : En moyenne, les expériences durent quatre semaines. L'équipe d'expérimentation d'Amazon Ads surveille la progression des tests à mi-parcours et fournit une analyse de fin de test après la fermeture de la fenêtre d'attribution. Les annonceurs peuvent intégrer les enseignements tirés de l'expérimentation dans les futures campagnes afin d'améliorer les performances.