Amazon Ads verfügt über ein zuverlässiges Attributionsmodell, aber dieses Modell hat zwei große Nachteile.
Wir verlieren oft die Fähigkeit, den Einfluss von Werbung im oberen Funnel auf den Verkauf zu messen, wenn Werbung im unteren Funnel Kunden auf dem Weg zum Kauf abfängt. Glücklicherweise löst Amazon Marketing Cloud einen Teil des Problems mit dem “Path to Conversion by Campaign”, der es uns ermöglicht, die Ereigniskette bis zum Kauf zu visualisieren. Aber ein weiteres Problem bleibt bestehen, nämlich unsere Unfähigkeit, die Inkrementalität von Anzeigen allein anhand der zugeschriebenen Verkaufszahlen zu beweisen. Mit anderen Worten, die Attribution von Amazon Ads gibt uns keine Antwort auf die folgende Frage:
Die Messung der Inkrementalität von Amazon Ads kann durch Experimente erfolgen, was für kleinere Werbetreibende, die es sich nicht leisten können, Ausgaben für generische Anzeigen zu tätigen, die gegen eine Kontrollgruppe laufen, keine praktikable Option ist.
Was ist die Alternative?
Was wäre, wenn wir eine Korrelation zwischen der Höhe der Werbeausgaben für ein Produkt und dessen Amazon-Verkaufszahlen nachweisen könnten? Belege dafür, dass Erhöhungen der Ausgaben zu Wachstum führen und Verringerungen zu einem Rückgang der Amazon-Verkäufe, könnten als Beweis für eine Korrelation und damit für Inkrementalität dienen. Man könnte dies jedoch damit anfechten, dass die Ausgaben für Werbung für Produkt 1 sehr wohl zu Verkäufen von Produkten 2, 3 und 4 führen können. Allerdings müssen wir, wenn es um Inkrementalität geht, davon ausgehen, dass eine erhöhte Präsentation von Produkt 1 durch Werbung hauptsächlich zu dessen Wachstum führen sollte und dessen Auswirkung auf andere Produkte für diesen Test heruntergespielt werden kann.
Um dies zu testen, müsstest du die täglichen Werbeausgaben für die einzelnen Produkte ermitteln und sie mit den täglichen Amazon-Verkäufen für die einzelnen Produkte vergleichen, was an sich schon ein Kunststück ist. Die beiden Datensätze stammen aus unterschiedlichen Quellen, müssen harmonisiert und formatiert werden und sind nichts, was du täglich machen möchtest. Darüber hinaus musst du eine strenge Namenskonvention für alle deine Amazon-Anzeigen (Sponsored Ads, DSP) einhalten und in der Lage sein, die Ausgaben auf Produktebene nach deinen Werbehierarchien aufzuteilen, z. B. nach Kampagnentyp, Strategie, Keyword, Zielgruppe usw.
Jetzt, da wir die notwendigen Daten nach Datum aufgeschlüsselt haben, können wir den Pearson-Korrelationskoeffizienten (r) zur Analyse der Daten verwenden. Er misst „die Stärke der Assoziation zwischen zwei kontinuierlichen Variablen“ und gibt ihr einen Wert von -1 bis 1, wobei -1 eine perfekte negative Korrelation darstellt und 1 eine perfekte positive Korrelation. Ein Wert von 0 würde darauf hinweisen, dass überhaupt keine Korrelation besteht.
Dies im großen Maßstab durchzuführen ermöglicht es festzustellen, ob unsere Anzeigen die Produktverkäufe beeinflussen, aber auch, welche Elemente der Werbung den höchsten Einfluss haben. In unseren Tests haben wir gesehen, dass der Koeffizient bei Anzeigen für kürzlich eingeführte Produkte ohne organische Verkäufe bis auf 0,9 gestiegen ist. Wir haben auch Werte von bis zu -0,12 gesehen, was darauf hinweist, dass die Anzeigen wenig bis keinen Einfluss auf die Amazon-Verkäufe des beworbenen Produkts hatten, und tendenziell sogar einen negativen Effekt zeigten.
Was macht man mit diesen Daten?
Bei Amerge haben wir den oben beschriebenen Prozess automatisiert und führen die Analyse kontinuierlich neu durch, um Werbemaßnahmen zu identifizieren, die inkrementell sind und solche, die es nicht sind. Wenn etwas eine starke Korrelation zeigt, versuchen wir, es auszuweiten. Wenn etwas nicht funktioniert – optimieren wir es oder entfernen diesen Werbeteil. Wir haben festgestellt, dass Werbung für Kunden, die keine Anzeichen von organischem Interesse zeigen oder dies in jüngerer Zeit nicht gezeigt haben, zu den höchsten Korrelationszahlen führt (trotz eines niedrigen Werbe-ROAS). Diese Methode hat auch eine starke positive Korrelation (0,25 – 0,6) für Werbung im oberen Funnel, wie Amazon Streaming TV und Fire Tablet, die über Amazon DSP laufen, nachgewiesen – etwas, das wir mit der Standardattribution zu beweisen kämpften.
What do you think about this form of analysis, and what would you do with such data?
