Analyser konkurrenters reklametekster i stor skala: Hooks, vinkler og mønstre

At analysere konkurrenters reklametekster i stor skala betyder at hente snesevis eller hundredvis af live kreativer fra en branche på én gang og gruppere dem efter hook-type, vinkel og løftestruktur i stedet for at læse dem en ad gangen. Resultatet er ikke en liste over overskrifter, det er et lille antal gentagne mønstre, der fortæller dig, hvad der faktisk bliver testet, og dermed også, hvad der sandsynligvis konverterer.

Hvorfor man ikke kan skalere med én-ad-gangen-læsning#

At læse ti konkurrentereklamer giver dig ti meninger om ti annoncer. At læse tre hundrede, sorteret efter mønster, giver dig en fordeling: hvilke hooks dukker konstant op, hvilke vinkler er sjældne, hvilke løftestrukturer dominerer en branche denne måned kontra sidste kvartal. Den fordeling er det egentlige forskningsresultat. En enkelt iøjnefaldende overskrift kan blot være én annoncørs engangstest; en overskriftsstruktur, der viser sig hos tolv forskellige annoncører i samme branche, er et markedsignal.

Den praktiske blokering er volumen. Manuelt at tage skærmbilleder af vejen til tre hundrede annoncer tager timer, du ikke har. Det er her en native ad-indeks tjener sig ind, søg efter annoncer på nøgleord i et stort korpus, og du kan hente den prøvestørrelse, der gør mønsteranalyse meningsfuld i stedet for anekdotisk.

Trin 1: Hent et reelt udvalg, ikke en håndfuld#

Sigte efter mindst 30-50 live annoncer i den specifikke branche og geo, du undersøger, før du begynder at kategorisere. Færre end det, og du laver mønstergenkendelse på støj. Et nyttigt udtræk omfatter:

• Overskriften og brødteksten ordret
• Annoncørens navn (for at tjekke, om én annoncør er overrepræsenteret)
• Netværket (Taboolas tekstkonventioner er forskellige fra MGIDs eller Outbrains)
• Antal dage kørt, da længerekørende annoncer er et stærkere signal for, hvad der virker; se annoncelængde som et vindersignal

Trin 2: Kategoriser efter hook-type, ikke efter emne#

Emnebaseret kategorisering ("vægttab," "kosttilskud") fortæller dig branchen, hvilket du allerede ved. Hook-baseret kategorisering fortæller dig mekanikken. Almindelige kategorier værd at kategorisere efter:

Hvis du ikke tidligere har draget en klar linje mellem en hook, en vinkel og et løfte, er hook vs. vinkel vs. løfte værd at læse først; sammenblanding af de tre er den mest almindelige årsag til, at tekstanalyse producerer uklart, ubrugeligt output.

Trin 3: Adskil annoncørsignalet fra kopisignalet#

Når du kigger på et udvalg af annoncer, sker der to forskellige ting på én gang, og at blande dem sammen fører til forkerte konklusioner:

1. Tekstmønstre: hvilke formuleringer og strukturer gentages på tværs af mange forskellige annoncører. Dette fortæller dig, hvad branchen bredt set reagerer på.
2. Annoncørs skaleringssignaler: én annoncør, der kører den samme overskrift i tolv variationer, hvilket fortæller, at den specifikke annoncør har fundet en vinder, ikke nødvendigvis, at branchen som helhed har.

Begge er nyttige, men de besvarer forskellige spørgsmål. Hvis du prøver at finde din næste vinkel, vægt den første. Hvis du prøver at vurdere, hvor konkurrencedygtig en specifik annoncørs tilgang er, kig på den anden. Vores guide til opbygning af en konkurrentovervågningsliste dækker opsporing af individuelle annoncører over tid i stedet for at udtage et bredt udsnit af branchen.

Trin 4: Krydstjek mod landingssider#

Tekst, der fanger et klik, og tekst, der overlever til et salg, er ikke altid det samme. En 'curiosity-gap'-overskrift kan muligvis trække billige klik, der forlader siden med det samme, hvis landingssiden ikke lever op til det implicerede løfte. Hvor det er muligt, spoor et udvalg af dine hentede annoncer videre til deres landingssider, og tjek om hook'ens løfte og sidenes faktiske tilbud stemmer overens. Se hvordan man finder og analyserer konkurrenters landingssider for mekanikken ved at gøre dette i volumen i stedet for ét link ad gangen.

Trin 5: Hold øje med udskiftninger, ikke kun volumen#

En hook, der er overalt i denne uge, men var sjælden sidste måned, er et andet signal end én, der har været stabil i seks måneder. Hurtigt-skiftende brancher (nutra, crypto, nogle finans-undernicher) roterer tekst aggressivt, fordi annonce-træthed indtræder hurtigt, og platforme markerer gentagne løfter. Hvis du kun henter et øjebliksbillede, misser du dette. At køre den samme nøgleords- eller brancheudtrækning på ugentlig basis og sammenligne uge for uge forvandler en statisk analyse til en trendlinje, hvilket er det mere nyttige output til at beslutte, hvornår du skal opdatere din egen tekst.

Kvantificering i stedet for øjemål#

Når du har et kategoriseret udvalg, sæt faktiske tal ved hver hook-kategori i stedet for at stole på følelsen. En simpel tælletabel gør arbejdet:

En hook brugt af 14 forskellige annoncører er et markedsmønster. En hook brugt af én annoncør ni gange er den pågældende annoncørs personlige vinder – nyttigt at vide, men ikke den samme erkendelse. At bygge denne tabel for hver brancheudtrækning forvandler "jeg læste en masse annoncer" til et sammenligneligt datasæt, du kan vende tilbage til næste måned og tjekke op imod.

Læs løfter for compliance-risiko, ikke kun performance#

Skalaanalyse afslører også en anden, mindre åbenlys fordel: den viser dig, hvilke løftestrukturer der kører varmt i en branche, som muligvis tiltrækker regulatorisk opmærksomhed. Sundheds- og finansannoncer, der læner sig op ad stærke, specifikke løfter ("helbreder," "garanterede afkast"), er tættere på FTCs skærpede opmærksomhed end blødere formuleringer. Hvis en storskala-analyse viser, at en tredjedel af dine konkurrenter laver aggressive løfter, er det nyttig kontekst, før du beslutter, hvor tæt på den linje din egen tekst skal være. Vores guide til FTCs oplysningsregler for advertorials og native ads er værd at gennemgå sammen med enhver tekstundersøgelse i en reguleret branche.

Almindelige fejl i tekstanalyse i stor skala#

• At behandle et udvalg på ti som en trend. Ti annoncer fra én annoncør er ét datapunkt forklædt som ti.
• At ignorere netværket. En overskriftsstruktur, der er almindelig på Taboolas sundhedsfeed, overfører ikke nødvendigvis til MGIDs underholdningstunge inventory eller til Outbrains mere redaktionelle placeringer.
• At kopiere formuleringen direkte. Pointen med mønsteranalyse er at ekstrahere mekanikken (hvilket job overskriften udfører) og omskrive den i din egen stemme til dit eget tilbud, ikke at hive en live annoncørs eksakte ord.
• At springe geofilteret over. En 'curiosity'-hook skræddersyet til et Tier-1 USA-publikum kan virke tonedøv eller simpelthen forvirrende, hvis den oversættes fladt til et Tier-2-geo.

At forvandle analysen til en testkalender#

Resultatet af en storskalaanalyse er kun nyttigt, hvis det føder en beslutning. Når du har dit kategoriserede udvalg og din tælletabel, oversæt det til en kort testkø: de to eller tre bedste hooks efter annoncørantal går ind i dit næste kreative brief først, de sjældnere kommer på en shortlist, du vender tilbage til, når lederne viser tegn på træthed. At springe dette sidste skridt over er den mest almindelige måde, hvorpå et solidt forskningspas aldrig bliver til en faktisk kampagneforbedring; analysen ligger i et regneark, og intet ændrer sig nedstrøms.

Sådan hjælper OpenAdLibrary#

At hente et reelt udvalg hurtigt er den flaskehals, de fleste mediabuyere støder på først. Et søgbart indeks, der returnerer live kreativer filtreret efter branche, netværk og geo, med annoncør, længde og landingsside knyttet til hver enkelt, forvandler en flertimers manuel researchesession til et filtreret eksport, du kan kategorisere og læse i én omgang. For teams, der gør dette hver uge, er vores annonceintelligensplatform bygget op omkring netop denne gentagne udtræk-og-mønster-arbejdsgang i stedet for engangsopslag.