Marka kosmetyczna zwiększa skuteczność podczas BFCM dzięki strategii poprzedzającej

W tym studium badacze Amazon Ads przeprowadzają test A/B, aby ocenić, czy aktywacja kampanii poprzedzającej dochodowe wydarzenie (Black Friday i Cyber Monday) może pomóc w zwiększeniu rozważania zakupu i konwersji podczas wydarzeń.

Niemiecka marka kosmetyczna reklamująca się w witrynie Amazon w 2021 roku chciała dowiedzieć się, jak może zwiększyć skuteczność swojej kampanii reklamowej podczas wydarzenia Black Friday i Cyber Monday (BFCM). W szczególności chciała wiedzieć, w jaki sposób może poprawić wyświetlenia stron szczegółów, współczynnik zakupów i współczynnik zakupów dokonanych przez nowych klientów marki.

Aby uzyskać wyniki, przeprowadziliśmy test A/B między dwiema strategiami podczas BFCM w celu ustalenia, która z nich ma lepszą skuteczność:

Uwaga: Te wskaźniki skuteczności są oparte na jednym reklamodawcy w określonym momencie i wyniki mogą być inne ze względu na różnice kontekstowe i sezonowe.

Okazało się, że aktywacja kampanii Amazon Ads poprzedzającej BFCM zwiększa rozważanie zakupu i konwersję w okresie trwania wydarzenia.

Kampania testowa przewyższała skutecznością kampanię kontrolną we wszystkich trzech wskaźnikach.

• Zmaksymalizowane uczenie się: Kwalifikujący się reklamodawcy mogą bezproblemowo przeprowadzić eksperyment, wykorzystując część swojego rocznego budżetu. Dodając test do media plan, reklamodawcy mogą zbierać naukowe statystyki, które wykraczają poza standardowe raportowanie skuteczności kampanii.
• Dostosowane statystyki: Reklamodawcy mogą generować dostosowane statystyki, używając do testów swoich rzeczywistych kampanii. Statystyki eksperymentu mogą dodatkowo pomóc w weryfikowaniu rekomendacji Amazon Ads.
• Rygor eksperymentu: Poprzez randomizowane, kontrolowane testy i analizę statystyczną ustalamy przyczynowość między wdrożoną strategią a wynikiem.

1. Przekształcanie problemu biznesowego w praktyczną hipotezę: (1) Czy reklama w okresie poprzedzającym BFCM poprawia współczynnik wyświetleń strony szczegółów, współczynnik zakupów i współczynnik zakupów dokonanych przez nowych klientów marki?
2. Definiowanie miary sukcesu: (1) Statystycznie istotny wzrost powodowany przez stosowanie rozwiązań w wielu punktach kontaktu demonstruje wartość reklamy displayowej za pośrednictwem Amazon DSP w okresie poprzedzającym BFCM. (2) Statystycznie istotny wzrost powodowany przez stosowanie jednego z rozwiązań w wielu punktach kontaktu. (3) Znaczące odkrycie sugeruje, że obserwowany wzrost jest prawdopodobnie powodowany przez rozwiązanie, a nie przypadek. Wynik testu, który nie jest istotny statystycznie, powinien być traktowany jako niewystarczający dowód na twierdzenie, że istnieje efekt rozwiązania, i logicznie być domyślnie zmieniany na zerową hipotezę stwierdzającą, że nie ma różnicy między badanymi wariantami.
3. Projektowanie eksperymentu: (1) W tym eksperymencie strategia testowa obejmowała dwutygodniową kampanię poprzedzającą, po której następowała kampania BFCM od 11 listopada 2021 r. do 29 listopada 2021 r. Strategią kontrolną była samodzielna kampania BFCM od 25 listopada 2021 r. do 29 listopada 2021 r. (2) Strategia testowa korzystała z poprzedzającej kampanii remarketingowej, która promuje produkty w odpowiednich grupach odbiorców. (3) Większość elementów (budżet taktyczny, promowane i polecane ASIN-y, materiały reklamowe, częstotliwość, stawki itp.) konfiguracji DSP są odzwierciedlone w różnych rozwiązaniach. Optymalizacja budżetu jest wyłączona podczas testu, ponieważ przesunięcia budżetu mogą powodować odchylenia wykraczające poza to, co można zdefiniować przez testowaną zmienną.
4. Zidentyfikuj kluczowe wskaźniki wydajności (KPI) eksperymentu: W tym teście współczynnik wyświetleń strony szczegółów, współczynnik zakupów i współczynnik zakupów dokonanych przez nowych klientów marki to podstawowe testowane wskaźniki. Możemy zmierzyć wpływ na inne wskaźniki, ale szanse na wykrycie znaczących zwiększeń są mniejsze, ponieważ test nie jest dopasowany do dodatkowych wskaźników KPI.
5. Oszacowanie wielkości próbki dla eksperymentu: Ogólnie rzecz biorąc, większy rozmiar próbki umożliwia testowi lepsze odróżnienie prawdziwego efektu od losowego szumu. Biorąc pod uwagę ograniczony budżet, musimy osiągnąć pożądaną wielkość próbki, która równoważy koszty i korzyści wynikające z wykrycia statystycznie istotnego wyniku. Wielkość próbki szacujemy, przeprowadzając zaawansowaną analizę, która opiera się na mocy statystycznej rzędu 80%–90%, poziomie ufności 95%, poziomie istotności 5%, wartości bazowej kluczowego wskaźnika wydajności i minimalnym wykrywalnym efekcie. Te oszacowania wielkości próbki stanowią zalecane minimum dla istotności statystycznej.
6. Konfigurowanie eksperymentu: Amazon Ads dzieli grupy odbiorców na wzajemnie wykluczające się grupy, aby zapobiec zanieczyszczeniu krzyżowemu.
7. Przeglądanie wyników: Eksperymenty trwają średnio cztery tygodnie. Zespół ds. eksperymentowania Amazon Ads monitoruje postępy w połowie testu i zapewnia analizę na koniec testu po zamknięciu okna atrybucji. Reklamodawcy mogą wykorzystać wiedzę z eksperymentu w przyszłych kampaniach w celu zwiększenia skuteczności.