ब्यूटी ब्रैंड की तरफ़ से लीड-अप रणनीति इस्तेमाल करके BFCM परफ़ॉर्मेंस को ज़्यादा बेहतर बनाया जाता है

इस स्टडी में, Amazon Ads के रिसर्च करने वालों ने इस बात का पता लगाने के लिए A/B टेस्ट किया कि क्या टेंटपोल इवेंट (ब्लैक फ़्राइडे और साइबर मंडे) से पहले लीड-अप कैम्पेन शुरू करने की वजह से इवेंट के दौरान खरीदने पर विचार करने को बढ़ाने और कन्वर्ज़न को बेहतर बनाने में मदद मिल सकती है.

2021 में Amazon पर एडवरटाइज़िंग करने वाला जर्मन ब्यूटी ब्रैंड यह जानना चाहता था कि वे अपनी ऐड कैम्पेन परफ़ॉर्मेंस को ब्लैक फ़्राइडे और साइबर मंडे (BFCM) इवेंट के दौरान किस तरह से बेहतर बना सकते हैं. खास तौर से, वे अपने जानकारी पेज व्यू, खरीदारी रेट और ‘ब्रैंड में नया’ के खरीदारी रेट को बेहतर बनाने का तरीका जानना चाहते थे.

नतीजे पता करने के लिए, हमने BFCM के दौरान दो रणनीतियों के बीच A/B टेस्ट चलाया ताकि यह तय किया जा सके कि इनमें से किस की परफ़ॉर्मेंस ज़्यादा बेहतर है:

ध्यान दें: परफ़ॉर्मेंस के ये मेट्रिक एक ही समय में सिंगल एडवरटाइज़र के हिसाब से बताए गए हैं, संदर्भ के अनुसार और सीज़नल फ़र्क की वजह से नतीजे अलग हो सकते हैं.

हमें पता चला कि BFCM से पहले ही लीड-अप Amazon Ads कैम्पेन शुरू करने की वजह से इवेंट के पूरे समय के दौरान खरीदने पर विचार करने और कन्वर्ज़न में ज़्यादा बढ़त हासिल होती है.

टेस्ट कैम्पेन ने तीनों ही मेट्रिक के मामलों में कंट्रोल कैम्पेन के मुकाबले बेहतर परफ़ॉर्मेंस दी.

• जानने के ज़्यादा से ज़्यादा मौके: योग्य एडवरटाइज़र अपने सालाना बजट का एक हिस्सा इस्तेमाल करके आसानी से एक्सपेरिमेंट चला सकते हैं. मीडिया प्लान में टेस्ट को शामिल करके, एडवरटाइज़र ऐसी साइंटिफिक इनसाइट हासिल कर सकते हैं जो स्टैंडर्ड कैम्पेन परफ़ॉर्मेंस रिपोर्ट से भी ज़्यादा जानकारियां देती हैं.
• कस्टमाइज़्ड इनसाइट: एडवरटाइज़र अपने असल कैम्पेन पर टेस्ट करके कस्टमाइज़्ड इनसाइट जनरेट कर सकते हैं. एक्सपेरिमेंट की इनसाइट से Amazon Ads के सुझावों को सही साबित करने में और भी मदद मिल सकती है.
• एक्सपेरिमेंट की जटिलता: रेंडम तरीके से कंट्रोल किए गए टेस्ट और स्टेटिस्टिकल एनालिसिस के ज़रिए, हमने लागू की गई रणनीति और नतीजे से जुड़ी वजहों के बीच संबंध तय किया.

1. बिज़नेस की समस्या को इस्तेमाल किए जा सकने वाले अनुमान के तौर पर बताएं: (1) क्या BFCM के लिए लीड-अप में एडवरटाइज़िंग की वजह से जानकारी पेज के व्यू रेट, खरीदारी रेट और ‘ब्रैंड में नया’ के खरीदारी रेट बेहतर होते हैं?
2. कामयाबी का माप तय करें: (1) मल्टी-टच ट्रीटमेंट से मिलने वाली स्टेटिस्टिकल रूप से अहम बढ़त से BFCM के पहले शुरू की जाने वाली Amazon DSP के ज़रिए डिस्प्ले एडवरटाइज़िंग की अहमियत का पता चलता है. (2) किसी एक मल्टी-टच ट्रीटमेंट से मिलने वाली स्टेटिस्टिकल रूप से अहम बढ़त. (3) एक अहम खोज से पता चलता है कि हासिल होने वाली बढ़त अचानक ही नहीं बल्कि ट्रीटमेंट की वजह से ही मिली होगी. स्टेटिस्टिकल तौर पर कोई मायने नहीं रखने वाले टेस्ट के नतीजे को इस बात का अधूरा सबूत माना जाना चाहिए कि ट्रीटमेंट का असर मौजूद है और यह टेस्ट किए गए वेरिएशन के बीच कोई फ़र्क नहीं बताते हुए लॉज़िकल तरीके से शून्य परिकल्पना के लिए डिफ़ॉल्ट है.
3. एक्सपेरिमेंट को डिज़ाइन करें: (1) इस एक्सपेरिमेंट में, टेस्ट की रणनीति में दो हफ़्ते का लीड-अप कैम्पेन शामिल था, इसके बाद 11 नवंबर 2021 से 29 नवंबर 2021 तक BFCM कैम्पेन चलाया गया था. कंट्रोल की रणनीति को 25 नवंबर 2021 से लेकर 29 नवंबर 2021 तक स्टैंड-अलोन BFCM कैम्पेन के तौर पर चलाया गया. (2) टेस्ट की रणनीति ने प्रोडक्ट को संबंधित ऑडियंस के लिए प्रमोट करने वाले लीड-अप रीमार्केटिंग कैम्पेन का फ़ायदा उठाया. (3) DSP सेटअप के ज़्यादातर एलिमेंट (रणनीतिक बजट, प्रमोट और फ़ीचर किया गया ASIN, क्रिएटिव, फ़्रीक्वेंसी, बोलियां वगैरह) ट्रीटमेंट में देखे जा सकते हैं. टेस्ट के दौरान बजट ऑप्टिमाइज़ेशन को बंद कर दिया जाता है—क्योंकि बजट में बदलाव करने से टेस्ट किए गए वेरिएबल से मिल सकने वाली जानकारियों के अलावा फ़र्क भी पैदा किए जा सकते हैं.
4. एक्सपेरिमेंट के मुख्य परफ़ॉर्मेंस इंडिकेटर (KPI) को पहचानें: इस टेस्ट में, जानकारी पेज के व्यू रेट, खरीदारी रेट और ‘ब्रैंड में नया’ के खरीदारी रेट ऐसे प्राइमरी मेट्रिक हैं जिनके लिए टेस्ट किया गया था. हम अन्य मेट्रिक पर पड़ने वाले असर को माप सकते हैं, लेकिन अहम बढ़त का पता लगाने की संभावना कम ही होती है क्योंकि टेस्ट को दूसरे KPI के हिसाब से तैयार नहीं किया गया है.
5. नमूने की साइज़ का अंदाज़ा लगाने के लिए एक्सपेरिमेंट करें: आमतौर पर, नमूने की साइज़ बड़ी होने की वजह से टेस्ट के सही असर को अनचाही गड़बड़ियों से बेहतर तरीके से अलग करके देखा जा सकता है. बजट सीमित होने की वजह से, हमें नमूने की ऐसी मुनासिब साइज़ तक पहुंचना होगा जो स्टेटिस्टिकल तौर पर मायने रखने वाले नतीजे का पता लगाने की कीमत और उससे मिलने वाले फ़ायदे के बीच तालमेल रखता हो. हम ऐसा पावर एनालिसिस चला कर नमूने की साइज़ का अंदाज़ा लगाते हैं, जो 80% से 90% स्टेटिस्टिकल पावर, 95% कॉन्फ़िडेंस लेवल, 5% अहमियत लेवल, KPI बेसलाइन और पता लगाने योग्य कम से कम असर पर आधारित होता है. नमूने की साइज़ के इन अनुमानों से स्टेटिस्टिकल अहमियत के बारे में सुझाई गई कम से कम ज़रूरी बातों का पता चलता है.
6. एक्सपेरिमेंट सेट करें: एक-दूसरे के साथ मिक्स हो जाने जैसी बातों की रोकथाम करने के लिए Amazon Ads ऑडियंस को पारस्परिक रूप से खास ग्रुप में अलग करता है.
7. नतीजे का रिव्यू करें: एक्सपेरिमेंट औसतन चार हफ़्ते तक चलते हैं. Amazon Ads की एक्सपेरिमेंट करने वाली टीम टेस्ट के बीच में प्रगति को मॉनिटर करती है और एट्रिब्यूशन का समय खत्म हो जाने के बाद टेस्ट के अंत में विश्लेषण देती है. एडवरटाइज़र परफ़ॉर्मेंस को बेहतर बनाने के मकसद से आगे के कैम्पेन में एक्सपेरिमेंट के ज़रिए जानने के तरीके को शामिल कर सकते हैं.