Analyser konkurrentannonsetekst i stor skala: Haker, vinklinger og mønstre

Å analysere konkurrentannonsetekst i stor skala betyr å hente ut dusinvis eller hundrevis av aktive kreativer fra en bransje på en gang og gruppere dem etter haketype, vinkling og påstandstruktur i stedet for å lese dem enkeltvis. Resultatet er ikke en liste med overskrifter, det er et lite antall gjentatte mønstre som forteller deg hva som faktisk blir testet og, som følge, hva som sannsynligvis konverterer.

Hvorfor enkeltvis-lesing ikke skalerer#

Å lese ti konkurrentannonser gir deg ti meninger om ti annonser. Å lese tre hundre, sortert etter mønster, gir deg en distribusjon: hvilke haker dukker konstant opp, hvilke vinklinger er sjeldne, hvilke påstandstrukturer dominerer en bransje denne måneden kontra forrige kvartal. Den distribusjonen er det faktiske forskningsresultatet. En enkelt fremragende overskrift kan bare være én annonsørs engangstest; en overskriftstruktur som vises hos tolv forskjellige annonsører i samme bransje er et markedsignal.

Den praktiske hindringen er volum. Manuelt å ta skjermbilder av tre hundre annonser tar timer du ikke har. Det er her en native ad-indeks tjener inn kostnaden, søk etter annonser på nøkkelord i et stort korpus og du kan hente ut prøvestørrelsen som gjør mønsteranalyse meningsfull i stedet for anekdotisk.

Trinn 1: hent ut en reell prøve, ikke en håndfull#

Sikt på minst 30–50 aktive annonser i den spesifikke bransjen og geografien du forsker på før du begynner å kategorisere. Færre enn det og du søker etter mønstre i støy. Et nyttig uttrekk inkluderer:

• Overskriften og brødteksten ordrett
• Annonsørens navn (for å sjekke om én annonsør er overrepresentert)
• Nettverket (Taboolas tekstkonvensjoner skiller seg fra MGID eller Outbrain)
• Dager i drift, siden lengre kjørende annonser er et sterkere signal på hva som fungerer; se annonselengde som vinnersignal

Trinn 2: tagg etter haketype, ikke etter emne#

Emnebasert tagging ("vektnedgang," "kosttilskudd") forteller deg bransjen, som du allerede vet. Hakebasert tagging forteller deg mekanikken. Vanlige kategorier verdt å tagge mot:

Hvis du ikke tidligere har trukket en klar linje mellom en hake, en vinkling og en påstand, er hake vs. vinkling vs. påstand verdt å lese først; å blande disse tre er den vanligste grunnen til at tekstanalyse produserer uklart, ubrukelig resultat.

Trinn 3: skille annonsørsignalet fra tekstsignalet#

Når du ser på en prøve av annonser, skjer to forskjellige ting samtidig, og å blande dem fører til feil konklusjoner:

1. Kopimønstre: hvilke formuleringer og strukturer som gjentar seg på tvers av mange forskjellige annonsører. Dette forteller deg hva bransjen bredt sett responderer på.
2. Annonsørskaleringssignaler: én annonsør som kjører samme overskrift i tolv varianter, noe som forteller deg at den spesifikke annonsøren fant en vinner, ikke nødvendigvis at bransjen som helhet har det.

Begge er nyttige, men de svarer på forskjellige spørsmål. Hvis du prøver å finne din neste vinkling, vektlegg det første. Hvis du prøver å vurdere hvor konkurransedyktig en spesifikk annonsørs tilnærming er, se på det andre; vår guide til å bygge en konkurrentovervåkningsliste dekker oppfølging av individuelle annonsører over tid i stedet for å prøvetrekke bransjen bredt.

Trinn 4: kryssjekk mot landingssider#

Tekst som fanger et klikk og tekst som overlever til et salg er ikke alltid det samme. En nysgjerrighetsgap-overskrift kan trekke billige klikk som umiddelbart hopper av hvis landingssiden ikke leverer på det impliserte løftet. Der du kan, spor en prøve av de hentede annonsene til deres landingssider og sjekk om hakenes løfte og sidens faktiske tilbud stemmer overens, se hvordan finne og analysere konkurrenters landingssider for mekanikkene for å gjøre dette i volum i stedet for én lenke av gangen.

Trinn 5: se etter utskifting, ikke bare volum#

En hake som er overalt denne uken men var sjelden forrige måned er et annet signal enn en som har vært stabil i seks måneder. Bransjer med rask utskifting (nutra, krypto, noen finansundernisjer) roterer tekst aggressivt fordi annonsetreffhet setter inn raskt og plattformer flagger gjentatte påstander. Hvis du bare tar et øyeblikksbilde, vil du gå glipp av dette. Å kjøre det samme nøkkelord- eller bransjeuttrekket på en ukentlig rytme og sammenligne uke for uke gjør en statisk analyse til en trendlinje, som er det mer nyttige resultatet for å avgjøre når du skal oppdatere din egen tekst.

Kvantifisering i stedet for øyemål#

Når du har en tagget prøve, sett faktiske tall ved hver hakekategori i stedet for å stole på inntrykk. En enkel opptellingstabell gjør jobben:

En hake brukt av 14 forskjellige annonsører er et markedsmønster. En hake brukt av én annonsør ni ganger er den annonsørens personlige vinner, nyttig å vite, men ikke det samme funnet. Å bygge denne tabellen for hvert bransjeuttrekk gjør "jeg leste en haug med annonser" om til et sammenlignbart datasett du kan gå tilbake til neste måned og sjekke mot.

Lesing av påstander for regulatorisk risiko, ikke bare ytelse#

Skalaanalyse avdekker også en annen, mindre åpenbar fordel: den viser deg hvilke påstandstrukturer som kjører varmt i en bransje og som kan trekke regulatorisk oppmerksomhet. Helse- og finansannonser som lener seg på sterke, spesifikke resultatpåstander ("helbreder," "garanterte avkastninger") ligger nærmere FTCs gransking enn mykere formuleringer. Hvis en skalert prøve viser at en tredjedel av konkurrentene dine kommer med aggressive påstander, er det nyttig kontekst før du bestemmer hvor nær den linjen din egen tekst skal ligge, vår guide til FTCs avsløringsregler for advertorials og native ads er verdt å gjennomgå sammen med enhver tekstforskning i en regulert bransje.

Vanlige feil i tekstanalyse i stor skala#

• Å behandle en prøve på ti som en trend. Ti annonser fra én annonsør er ett datapunkt forkledd som ti.
• Å ignorere nettverket. En overskriftstruktur som er vanlig på Taboolas helsefeed overfører ikke nødvendigvis til MGIDs underholdningsdominert beholdning eller til Outbrains mer redaksjonelle plasseringer.
• Å kopiere formulering direkte. Poenget med mønsteranalyse er å ekstrahere mekanismen (hvilken jobb overskriften gjør) og omskrive den i din egen stemme for ditt eget tilbud, ikke å ta en levende annonsørs eksakte ord.
• Å hoppe over geofilteret. En nysgjerrighetshake tilpasset et Tier-1 US-publikum kan oppleves som tonedøv eller rett og slett forvirrende oversatt direkte til et Tier-2-geo.

Gjøre analysen om til en testkalender#

Resultatet av en skalaanalyse er bare nyttig hvis det fører til en beslutning. Når du har din taggete prøve og din opptellingstabell, oversett den til en kort testkø: de to eller tre øverste hakene etter antall annonsører går inn i din neste kreative briefing først, de sjeldnere kommer på en kortliste å gå tilbake til når lederne viser tegn på tretthet. Å hoppe over dette siste trinnet er den vanligste måten et solid forskningsarbeid aldri blir til en faktisk kampanjeforbedring, analysen ligger i et regneark og ingenting endres nedstrøms.

Hvordan OpenAdLibrary hjelper#

Å hente ut en reell prøve raskt er flaskehalsen de fleste mediabuyere støter på først. En søkbar indeks som returnerer aktive kreativer filtrert etter bransje, nettverk og geo, med annonsøren, lengden og landingssiden knyttet til hver enkelt, gjør en fler-timers manuell forskningsøkt om til et filtrert eksport du kan tagge og lese på én gang. For team som gjør dette hver uke, er vår annonseintelligensplattform bygget rundt nettopp denne gjentatte hent-og-mønster-arbeidsflyten i stedet for engangssøk.