Pre-Lander Konverteringsbenchmarks: CTR-til-Offer-tal, der skal slås

Der er ikke én enkelt "god" prelander-konverteringsrate; det afhænger af vertical, geo-tier, device og hvor strenge tilbuddets kvalifikationskriterier er. Det, der betyder mere end at ramme et tal, du så i et forumindlæg, er at måle tre separate rater korrekt (ad-til-prelander CTR, prelander-til-offer CTR og overordnet funnel CVR) og bygge din egen baseline fra din egen trafik, før du sammenligner noget med andres tal.

De tre rater folk forveksler#

"Prelander-konverteringsrate" bruges løst til at betyde tre forskellige ting, og at blande dem sammen er grunden til, at så mange benchmark-påstande flyder rundt uden kontekst.

• Ad-til-prelander CTR: andelen af ad-impressioner, der klikker videre til din prelander. Denne lever på netværkssiden og er en funktion af dit creative og din overskrift, slet ikke din prelander.
• Prelander-til-offer CTR: andelen af prelander-besøgende, der klikker videre til den faktiske tilbudsside. Dette er, hvad folk normalt mener med "prelander-konverteringsrate."
• Fuld-funnel CVR: andelen af ad-impressioner (eller klik), der ender i en fuldført konvertering på tilbuddet. Dette bager tilbudssidens egen performance ind, hvilket prelanderen ikke styrer.

Hvis du benchmarker mod et tal fra en Slack-gruppe eller et kursus, så spørg hvilken af disse tre det beskriver. De fleste citerede tal viser sig at være fuld-funnel CVR, der kaldes en "prelander-rate," hvilket gør den ubrugelig til at isolere, om din prelander selv er problemet.

Hvorfor offentliggjorte benchmarks næsten altid er forkerte for dit tilfælde#

Prelander-performance bevæger sig med for mange variable til, at et enkelt tal kan rejse på tværs af kontekster:

• Vertical: en sundheds-prelander, der kvalificerer til et kosttilskudstilbud, opfører sig slet ikke som en finans-prelander, der kvalificerer til en lånesammenligning.
• Geo-tier: Tier-1-trafik har tendens til at konvertere anderledes end Tier-2/3-trafik på den samme glossarbetegnelse for geo-tiers, dels på grund af netværksmætning og dels device-mix.
• Device: mobile brugere på native-placeringer hopper hurtigere fra og er langt mindre tolerante over for et ekstra tryk før tilbuddet end desktop-brugere.
• Offer friction: en one-click "se tilbud"-prelander konverterer meget anderledes end en, der filtrerer brugere gennem flere kvalifikationsspørgsmål, før den afslører CTA'en.

Behandl ethvert tal citeret uden at disse fire variable er specificeret som retningsgivende i bedste fald, og jag det ikke.

Bygning af din egen benchmark#

Dette er den del, der faktisk flytter resultater. En praktisk sekvens:

1. Kør en ren baseline-periode. To til fire uger, én prelander-variant, stabilt creative, ingen ændringer midt i kampagnen, så du har et ærligt tal at sammenligne med senere.
2. Segmentér, før du gennemsnitter. Opdel prelander-til-offer CTR efter geo, device og netværk separat. Et blandet gennemsnit på tværs af tre geos med vildt forskellig adfærd fortæller dig næsten intet handlingsbart.
3. Spor kvalificerede klik, ikke rå klik. Hvis dit tilbud har et minimumskrav til tid på siden eller scroll-dybde, før CTA'en vises, så tæl klik, der faktisk opfyldte den barriere. Rå klik-volumen overdriver en prelander, der lader folk rage-klikke igennem uden at læse noget.
4. Sammenlign med din egen historik, ikke branchen. Når du har to eller tre baseline-perioder, er din egen trendlinje mere nyttig end ethvert eksternt tal, fordi den allerede tager højde for din trafikmix, din geo og dit tilbud.

Almindelige årsager til, at prelander CTR underperformer#

Hvornår man skal dræbe vs. iterere en prelander#

Tag ikke en beslutning på et håndfuld klik. En grov tommelfingerregel, der holder for de fleste native-kampagner: vent på nok volumen til, at et sving på et par procentpoint i begge retninger ikke ville vende din konklusion, og døm ikke en variant, før den har kørt på tværs af mindst en fuld ugedagscyklus, da hverdag og weekendadfærd på native-placeringer kan afvige meningsfuldt.

Hvis en prelander underperformer din egen baseline efter en ren testperiode, isoler én variabel ad gangen: skift kun overskriften, eller kun hero-billedet, eller kun CTA-teksten, aldrig alle tre i samme test. En pre-lander bygget omkring rigtige eksempler på, hvad der virker, er lettere at iterere på end én bygget fra en skabelon uden referencepunkt, hvilket er hvor studiet af rigtige pre-lander eksempler tjener sig ind, før du lancerer, ikke efter.

Statistisk signifikans uden en regnearksbesættelse#

Du behøver ikke en fuld statistisk baggrund for at undgå den mest almindelige fejl, som er at kalde et testresultat, før det betyder noget. En arbejdsbar tommelfingerregel: hvis at vende udfaldet af de næste håndfuld konverteringer ville ændre hele din konklusion, har du ikke en konklusion endnu, du har støj. Små daglige udsving er normale på enhver funnel; spørgsmålet er, om mønsteret holder på tværs af flere dage, ikke om én dag så god eller dårlig ud.

Det hjælper også at adskille "denne variant er værre lige nu" fra "denne variant er værre." En prelander kan underperformere i en dag på grund af en dårlig geo-mix i den dags trafik, en netværksleveringsfejl eller et midlertidigt fald i ad-kvalitet opstrøms, intet af hvilket har noget at gøre med prelanderen selv. Før du dræber en variant, tjek om underperformance er konsekvent på tværs af de segmenter, du forventer, den holder på tværs af (flere geos, flere dage), eller koncentreret i et usædvanligt stykke trafik.

Hvordan dit valg af ad-netværk indirekte former din benchmark#

Netværket, der leverer din trafik, ændrer den baseline, du bør forvente, selv med en identisk prelander. Forskellige netværk varierer i publikumskvalitet, placeringskontekst (in-feed-widgets læses anderledes end in-article-placeringer) og typiske CPC-intervaller, hvilket dækkes mere dybtgående i vores opdeling af native ad CPC benchmarks på tværs af Taboola, Teads, MGID og Revcontent. Hvis du kører den samme prelander på tværs af flere netværk, så hold performance-data segmenteret efter netværk fra starten i stedet for at blande det, da et stærkt netværk kan maskere en middelmådig prelander, og et svagt netværk kan få en virkelig god prelander til at se ud som om den underperformer.

Hvordan OpenAdLibrary hjælper her#

Du kan ikke se en konkurrents interne konverteringsdata, men du kan se et stærkt proxy: hvor længe deres creative har holdt sig kørende. Annoncer, der overlever uger på et netværk, er næsten altid bakket op af en funnel, prelander inkluderet, der konverterer godt nok til at få annoncøren til at fortsætte med at betale for trafik. OpenAdLibrary's native ad spy tool frembringer netop det længdesignal sammen med den sporede landingpage, så i stedet for at gætte på et benchmark-tal, kan du studere, hvordan en bevist funnel-struktur faktisk ser ud for din vertical, før du bygger din egen.

Hvad man skal gøre med en benchmark, når man har en#

En selvbygget benchmark er kun nyttig, hvis du faktisk handler på afvigelser fra den. Sæt en simpel intern tærskel på forhånd, for eksempel et vedvarende fald med en meningsfuld margin mod din egen baseline på tværs af en hel uge, i stedet for at reagere på daglig støj. Når en kampagne overskrider den tærskel, arbejd igennem årsager i rækkefølge efter, hvor billige de er at tjekke: creative fatigue på ad-siden først, da det er den hurtigste ting at af- eller bekræfte, derefter overskriftsmatch mellem annonce og prelander, derefter tilbudssiden selv, og først derefter strukturelle ombygninger af prelanderen. Det meste underperformance kan spores tilbage til en af de første to årsager, og at starte med de billigste tjek redder dig fra at ombygge en prelander, der aldrig faktisk var problemet.

Det er også værd at holde benchmarks adskilt efter trafikkilde. En prelander fodret af Taboola-trafik og den samme prelander fodret af MGID-trafik vil meget sandsynligt vise forskellige rater udelukkende på grund af publikums- og placeringsforskelle, uafhængigt af noget om selve siden. At blande disse tal til én benchmark skjuler netop den segmentering, der gør en benchmark nyttig i første omgang.

Bundlinjen#

Stop med at lede efter ét universelt prelander-konverteringstal. Definer hvilken af de tre rater du faktisk måler, segmentér før du gennemsnitter, og byg en baseline fra din egen rene trafik. Eksterne benchmarks er værd at læse for kontekst, aldrig værd at jagte som et mål.