ตัววัดประสิทธิภาพการแปลงของ Pre-Lander: ตัวเลข CTR ถึง Offer ที่ต้องเอาชนะ

ไม่มีอัตราการแปลงของ prelander "ที่ดี" เพียงตัวเดียว มันขึ้นอยู่กับอุตสาหกรรม, ระดับภูมิศาสตร์, อุปกรณ์ และความเข้มงวดของเกณฑ์คุณสมบัติของ offer สิ่งที่สำคัญกว่าการไปให้ถึงตัวเลขที่คุณเห็นในโพสต์ฟอรัมคือการวัดสามอัตราแยกกันอย่างถูกต้อง (CTR จากโฆษณาไปยัง prelander, CTR จาก prelander ไปยัง offer และ CVR ของฟันเนลโดยรวม) และสร้างเกณฑ์พื้นฐานของคุณเองจากปริมาณการเข้าชมของคุณเอง ก่อนที่จะเปรียบเทียบอะไรกับตัวเลขของคนอื่น

สามอัตราที่ผู้คนสับสน#

"อัตราการแปลงของ prelander" ถูกใช้อย่างหลวมๆ เพื่อหมายถึงสามสิ่งต่างกัน และการผสมปนเปกันของพวกมันคือสาเหตุที่ทำให้คำกล่าวอ้างเกี่ยวกับตัววัดมากมายลอยไปมาโดยไม่มีบริบท

• CTR จากโฆษณาไปยัง prelander: สัดส่วนของการแสดงผลโฆษณาที่คลิกผ่านไปยัง prelander ของคุณ สิ่งนี้อยู่บนฝั่งเครือข่ายและเป็นหน้าที่ของครีเอทีฟและหัวข้อของคุณ ไม่ใช่ prelander ของคุณเลย
• CTR จาก prelander ไปยัง offer: สัดส่วนของผู้เข้าชม prelander ที่คลิกผ่านไปยังหน้า offer จริง นี่คือสิ่งที่ผู้คนมักหมายถึงเมื่อพูดว่า "อัตราการแปลงของ prelander"
• CVR ของฟันเนลเต็มรูปแบบ: สัดส่วนของการแสดงผลโฆษณา (หรือคลิก) ที่จบลงด้วยการแปลงที่สมบูรณ์บน offer สิ่งนี้ผสมประสิทธิภาพของหน้า offer เองเข้าไป ซึ่ง prelander ไม่ได้ควบคุม

หากคุณกำลังเปรียบเทียบกับตัวเลขจากกลุ่ม Slack หรือคอร์สเรียน ถามว่ามันกำลังอธิบายหนึ่งในสามสิ่งนี้ ตัวเลขที่ถูกอ้างอิงส่วนใหญ่กลายเป็น CVR ของฟันเนลเต็มรูปแบบที่ถูกเรียกว่า "อัตรา prelander" ซึ่งทำให้มันไร้ประโยชน์สำหรับการแยกแยะว่า prelander เองของคุณเป็นปัญหาหรือไม่

ทำไมตัววัดที่เผยแพร่จึงเกือบจะผิดเสมอสำหรับกรณีของคุณ#

ประสิทธิภาพของ prelander เปลี่ยนแปลงไปพร้อมกับตัวแปรมากเกินไปสำหรับตัวเลขเดียวที่จะเดินทางข้ามบริบท:

• อุตสาหกรรม: prelander ด้านสุขภาพที่คัดกรองสำหรับ offer อาหารเสริม ไม่มีพฤติกรรมเหมือนกับ prelander ด้านการเงินที่คัดกรองสำหรับการเปรียบเทียบสินเชื่อ
• ระดับภูมิศาสตร์: ปริมาณการเข้าชมระดับ Tier-1 มีแนวโน้มที่จะแปลงต่างจากปริมาณการเข้าชมระดับ Tier-2/3 บน คำศัพท์สำหรับระดับภูมิศาสตร์ เดียวกัน ส่วนหนึ่งเนื่องจากความอิ่มตัวของเครือข่ายและส่วนหนึ่งเนื่องจากสัดส่วนอุปกรณ์
• อุปกรณ์: ผู้ใช้มือถือบนการจัดวางแบบ native กระเด้งออกเร็วและทนต่อการแตะเพิ่มเติมก่อน offer น้อยกว่าผู้ใช้เดสก์ท็อปมาก
• ความยุ่งยากของ offer: prelander ที่คลิกเดียว "ดู offer" แปลงต่างจาก prelander ที่กรองผู้ใช้ผ่านคำถามคัดกรองหลายข้อก่อนที่จะเผย CTA

ให้ถือว่าตัวเลขใดๆ ที่ถูกอ้างอิงโดยไม่ระบุสี่ตัวแปรนั้นเป็นเพียงแนวทางอย่างดีที่สุด และอย่าไล่ตามมัน

การสร้างตัววัดของคุณเอง#

นี่คือส่วนที่ทำให้เกิดผลลัพธ์จริงๆ ลำดับปฏิบัติ:

1. รันช่วงเวลาพื้นฐานที่สะอาด สองถึงสี่สัปดาห์, ตัวแปร prelander หนึ่งตัว, ครีเอทีฟที่มั่นคง, ไม่มีการแก้ไขกลางคัน เพื่อให้คุณมีตัวเลขที่ซื่อตรงไว้เปรียบเทียบในภายหลัง
2. แบ่งกลุ่มก่อนจะหาค่าเฉลี่ย แยก CTR จาก prelander ไปยัง offer ตามภูมิศาสตร์, อุปกรณ์ และเครือข่ายแยกกัน ค่าเฉลี่ยรวมข้ามสามภูมิศาสตร์ที่มีพฤติกรรมต่างกันมาก บอกคุณเกือบไม่มีอะไรที่นำไปปฏิบัติได้
3. ติดตามคลิกที่ผ่านการคัดกรอง ไม่ใช่คลิกดิบ หาก offer ของคุณมีข้อกำหนดขั้นต่ำของเวลาอยู่ในหน้าหรือความลึกของการเลื่อนก่อนที่ CTA จะปรากฏ นับคลิกที่ผ่านเกณฑ์นั้นจริงๆ ปริมาณคลิกดิบทำให้ prelander ที่ปล่อยให้ผู้คนคลิกผ่านอย่างโกรธเกรี้ยวโดยไม่อ่านอะไรเลยดูดีเกินจริง
4. เปรียบเทียบกับประวัติของคุณเอง ไม่ใช่กับอุตสาหกรรม เมื่อคุณมีช่วงเวลาพื้นฐานสองหรือสามช่วง เส้นโน้มของคุณเองมีประโยชน์มากกว่าตัวเลขภายนอกใดๆ เพราะมันคำนึงถึงสัดส่วนปริมาณการเข้าชม, ภูมิศาสตร์ และ offer ของคุณแล้ว

สาเหตุทั่วไปที่ CTR ของ prelander ทำได้ไม่ดี#

เมื่อใดควรยุติเทียบกับการปรับปรุง prelander#

อย่าตัดสินจากคลิกเพียงหยิบมือ กฎคร่าวๆ ที่ใช้ได้กับแคมเปญ native ส่วนใหญ่: รอจนมีปริมาณเพียงพอที่การแกว่งของไม่กี่เปอร์เซ็นต์ในทิศทางใดทิศทางหนึ่งจะไม่ทำให้ข้อสรุปของคุณพลิก และอย่าตัดสินตัวแปรจนกว่ามันจะรันครบรอบวันในสัปดาห์อย่างน้อยหนึ่งรอบเต็ม เนื่องจากพฤติกรรมในวันธรรมดาและวันหยุดสุดสัปดาห์บนการจัดวาง native สามารถแตกต่างกันอย่างมีนัยสำคัญ

หาก prelander ทำได้ต่ำกว่าเกณฑ์พื้นฐานของคุณเองหลังจากช่วงทดสอบที่สะอาดแล้ว ให้แยกตัวแปรทีละตัว: เปลี่ยนเฉพาะหัวข้อ, หรือเฉพาะภาพหลัก, หรือเฉพาะข้อความ CTA, อย่าเปลี่ยนทั้งสามอย่างในการทดสอบเดียวกัน pre-lander ที่สร้างขึ้น รอบตัวอย่างจริงของสิ่งที่ใช้งานได้ง่ายต่อการปรับปรุงมากกว่าที่สร้างจากเทมเพลตที่ไม่มีจุดอ้างอิง ซึ่งเป็นที่มาของประโยชน์ของการศึกษา ตัวอย่าง pre-lander จริง ก่อนที่คุณจะเปิดตัว ไม่ใช่หลังจากนั้น

นัยสำคัญทางสถิติโดยไม่ต้องหมกมุ่นกับสเปรดชีต#

คุณไม่จำเป็นต้องมีพื้นหลังสถิติเต็มรูปแบบเพื่อหลีกเลี่ยงความผิดพลาดที่พบบ่อยที่สุด ซึ่งคือการประกาศผลการทดสอบก่อนที่มันจะมีความหมายใดๆ กฎง่ายๆ ที่ใช้ได้: หากการพลิกผลลัพธ์ของการแปลงครั้งถัดไปไม่กี่ครั้งจะเปลี่ยนข้อสรุปทั้งหมดของคุณ คุณยังไม่มีข้อสรุป คุณมีเพียงสัญญาณรบกวน ความผันผวนรายวันเล็กน้อยเป็นเรื่องปกติบนฟันเนลใดๆ คำถามคือรูปแบบนั้นยังคงอยู่ข้ามหลายวันหรือไม่ ไม่ใช่ว่าวันหนึ่งดูดีหรือแย่

นอกจากนี้ยังช่วยแยก "ตัวแปรนี้แย่กว่าในตอนนี้" ออกจาก "ตัวแปรนี้แย่กว่า" prelander สามารถทำได้ไม่ดีเป็นเวลาหนึ่งวันเนื่องจากสัดส่วนภูมิศาสตร์ที่ไม่ดีในปริมาณการเข้าชมของวันนั้น, ความผิดพลาดในการจัดส่งเครือข่าย, หรือการลดลงชั่วคราวของคุณภาพโฆษณาต้นทาง ซึ่งไม่มีอะไรเกี่ยวข้องกับ prelander เอง ก่อนที่จะยุติตัวแปร ตรวจสอบว่าการทำได้ไม่ดีนั้นสม่ำเสมอข้ามกลุ่มที่คุณคาดหวังว่ามันจะคงอยู่ (หลายภูมิศาสตร์, หลายวัน) หรือกระจุกตัวอยู่ในส่วนหนึ่งของปริมาณการเข้าชมที่ผิดปกติ

การเลือกเครือข่ายโฆษณาของคุณมีอิทธิพลต่อตัววัดของคุณอย่างไรโดยอ้อม#

เครือข่ายที่จัดส่งปริมาณการเข้าชมของคุณเปลี่ยนเกณฑ์พื้นฐานที่คุณควรคาดหวัง แม้กับ prelander ที่เหมือนกัน เครือข่ายต่างกันมีความแตกต่างในคุณภาพผู้ชม, บริบทการจัดวาง (วิดเจ็ตในฟีดอ่านต่างจากการจัดวางในบทความ) และช่วง CPC ทั่วไป ซึ่งครอบคลุมในเชิงลึกในบทวิเคราะห์ของเราเกี่ยวกับ ตัววัด CPC ของโฆษณา native ข้าม Taboola, Teads, MGID และ Revcontent หากคุณกำลังรัน prelander เดียวกันข้ามหลายเครือข่าย ให้เก็บข้อมูลประสิทธิภาพแยกตามเครือข่ายตั้งแต่เริ่มต้นแทนที่จะผสมมัน เนื่องจากเครือข่ายที่แข็งแกร่งสามารถปกปิด prelander ที่ธรรมดา และเครือข่ายที่อ่อนแอสามารถทำให้ prelander ที่ดีจริงๆ ดูเหมือนทำได้ไม่ดี

OpenAdLibrary ช่วยได้อย่างไรที่นี่#

คุณไม่สามารถเห็นข้อมูลการแปลงภายในของคู่แข่งได้ แต่คุณสามารถเห็นตัวแทนที่แข็งแกร่งได้: ครีเอทีฟของพวกเขารันมานานแค่ไหน โฆษณาที่รอดมาเป็นสัปดาห์บนเครือข่ายเกือบจะแน่นอนว่ามีฟันเนล (รวมถึง prelander) ที่แปลงได้ดีพอที่จะทำให้ผู้โฆษณายังคงจ่ายสำหรับปริมาณการเข้าชม native ad spy tool ของ OpenAdLibrary แสดงสัญญาณอายุการใช้งานนั้นอย่างชัดเจนพร้อมกับ landing page ที่ติดตาม ดังนั้นแทนที่จะเดาตัวเลขมาตรฐาน คุณสามารถศึกษาว่าโครงสร้างฟันเนลที่พิสูจน์แล้วจริงๆ หน้าตาเป็นอย่างไรสำหรับอุตสาหกรรมของคุณ ก่อนที่คุณจะสร้างของคุณเอง

ควรทำอย่างไรกับตัววัดเมื่อคุณมีแล้ว#

ตัววัดที่สร้างเองจะมีประโยชน์ก็ต่อเมื่อคุณดำเนินการกับความเบี่ยงเบนจากมันจริงๆ ตั้งเกณฑ์ภายในง่ายๆ ล่วงหน้า เช่น การลดลงอย่างต่อเนื่องของระยะห่างที่มีความหมายจากเกณฑ์พื้นฐานของคุณเองตลอดหนึ่งสัปดาห์เต็ม แทนที่จะตอบสนองต่อสัญญาณรบกวนรายวัน เมื่อแคมเปญหนึ่งข้ามเกณฑ์นั้น ตรวจสอบสาเหตุตามลำดับของความถูกที่ตรวจสอบ: creative fatigue บนฝั่งโฆษณาก่อน เนื่องจากเป็นสิ่งที่เร็วที่สุดที่จะยืนยันหรือตัดออก จากนั้นความตรงกันของหัวข้อระหว่างโฆษณาและ prelander จากนั้นหน้า offer เอง และสุดท้ายค่อยปรับโครงสร้าง prelander ใหม่ การทำได้ไม่ดีส่วนใหญ่ย้อนกลับไปที่หนึ่งในสองสาเหตุแรก และการเริ่มต้นด้วยการตรวจสอบที่ถูกที่สุดช่วยให้คุณไม่ต้องปรับโครงสร้าง prelander ใหม่ที่จริงๆ แล้วไม่เคยเป็นปัญหาเลย

นอกจากนี้ยังควรเก็บตัววัดแยกตามแหล่งที่มาของปริมาณการเข้าชม prelander ที่ได้รับปริมาณการเข้าชมจาก Taboola และ prelander เดียวกันที่ได้รับปริมาณการเข้าชมจาก MGID มีแนวโน้มสูงที่จะแสดงอัตราที่ต่างกันเพียงจากความแตกต่างของผู้ชมและการจัดวาง โดยไม่ขึ้นกับอะไรเกี่ยวกับหน้าตัวเอง การผสมตัวเลขเหล่านั้นเป็นตัววัดเดียวจะซ่อนการแบ่งกลุ่มที่ทำให้ตัววัดมีประโยชน์ตั้งแต่แรก

สรุป#

หยุดมองหาตัวเลขการแปลงของ prelander สากลเพียงตัวเดียว กำหนดว่าคุณกำลังวัดหนึ่งในสามอัตราใดจริงๆ แบ่งกลุ่มก่อนจะหาค่าเฉลี่ย และสร้างเกณฑ์พื้นฐานจากปริมาณการเข้าชมที่สะอาดของคุณเอง ตัววัดภายนอกมีค่าที่จะอ่านเพื่อทำความเข้าใจบริบท แต่ไม่มีค่าที่จะไล่ตามเป็นเป้าหมาย