日前，针对卖家关心的广告难题，亚马逊广告与合作伙伴联合打造《巧用“外援”，提升广告运营优化效率》系列课程。本期与Xmars以“如何利用AMC模型合理分配预算，提升广告转化率”为主题进行直播分享。以期卖家可以利用数据洞察，“精打细算”地分配广告预算。
（扫码查看直播回放）
以下为直播精华内容：
亚马逊的广告投放有很多种类型，包括SP、SB、SD、亚马逊DSP、STV等广告类型。消费者在不同广告类型的影响下，逐步形成购买决策。因而卖家知晓如何组合不同的广告形式最大化提升消费者的购买率尤为关键。
而在运营日常工作中，亚马逊卖家时常面临在不同广告之间合理分配预算的难题。主要表现在几个方面：
1. 广告类型的精准选择
亚马逊广告类型多样化，不同广告类型的竞价机制、费用结构和效果各异。
卖家需要根据产品和目标客户选择合适的广告类型，且合理分配预算。
2. 预算分配策略复杂
各广告类型的竞价机制和费用结构不同，卖家需要根据每个渠道的实际表现和成本来调整预算。
平衡营销预算与ROI：如何在控制成本的同时最大化广告回报率。
3.数据分析与效果评估
卖家需要不断监测广告表现，分析点击率、转化率、ACoS等关键指标。
效果评估需要通过数据分析洞察，卖家很难及时根据数据调整预算。
如何理解每个广告类型对转化的贡献？广告归因是分析消费者在购买前接触到的所有传播渠道，利用广告数据和分析工具来追踪消费者从首次广告触达到完成购买的全过程。
通过这种方法，我们可以清楚地了解每个传播渠道对转化的贡献有多大。这就需要用到我们接下来提到的AMC数据洞察。
亚马逊营销云 (AMC)是一套基于User-level的整体衡量和分析亚马逊广告效果的解决方案。旨在帮助卖家通过更加多维度、更加细颗粒度的数据分析，来衡量搜索广告、展示广告、 视频广告、电视广告等不同媒体渠道的营销效果。
与卖家从亚马逊广告后台看到的数据有所不同，通过AMC数据粒度可以精细到用户层级（UserID)，并且可以看到日志级别 (log-level) 的数据，针对每一次曝光的所有信息都会被记录。
此外，AMC构建在亚马逊网络服务Amazon Web Services (AWS) 之上，因此可以为卖家提供灵活性强、透明度高的跨渠道数据，从而帮助他们作出更精准的营销决策。
借助AMC超越传统报告的分析功能，可以帮助卖家深入分析所需信息，提供更全面的广告系列效果视图，并且对各个渠道更加复杂的归因和广告效果进行衡量和评估。
AMC全方位的数据洞察
用户洞察：将受众、搜索行为和浏览行为之间的关键联系彻底打通，提供前所未有的深刻洞察。
自定义用户创建：能够实现高度灵活的自定义用户创建，从而更精确定位和优化广告策略。
类似受众拓展：利用机器学习在更广阔的受众人群中寻找相似的潜在用户。
Xmars AMC Hub 拥有可视化、灵活的拖放界面，行业首创自定义营销模型和自定义受众创建功能。借助数据技术，深入营销全链路，帮助品牌更好地契合自身业务场景形成更科学的营销闭环。
利用AMC多触点归因模型，卖家可以对不同广告带来的转化目标进行重新归因，重新评估各广告触点在转化中的作用，并以此优化预算分配。
基于规则归因的模型
首次触达和最终触达模型简单直观，分别适用于分析最早和最后一次广告接触的效果；
时间衰减模型强调了广告触达时间的临近性，适合评估转化过程中靠近购买决策时的广告影响；
基于位置模型则综合考虑了首次和最后一次广告接触的作用；
线性模型均等分配每个触点的贡献。
规则归因模型的优势在于易于理解和使用，适合路径简单的广告活动，但其缺点是无法灵活地反映不同触点对转化的真实贡献。因此，它们通常适用于初步分析，但可能不足以支持复杂的广告策略优化。
基于数学建模归因的模型
基于数学建模的归因包括马尔可夫链和夏普里值模型，这些模型通过复杂的数学算法和概率计算来精确评估广告触点对转化的影响。
马尔可夫链模型模拟了广告触点之间的转移关系，并通过移除某个触点来评估其贡献度，而夏普里值模型则基于合作博弈论，计算每个触点的边际贡献。
建模归因的优势在于能够更全面和准确地分析广告触点的实际贡献，特别适用于广告路径复杂、触点较多的场景。
但其劣势在于计算复杂，对数据量和处理能力要求较高。虽然这些模型更加复杂，但它们能提供更精细的洞察，帮助广告主做出更明智的决策和优化预算分配，从而最大化广告投资回报率。
Xmars AMC 自定义营销模型
Xmars AMC多触点归因模型自定义模型条件的灵活设置可让卖家能够更精准地控制归因分析的范围和条件，从而获取更加贴合实际业务需求的分析结果。自定义项主要包括几个方面：
广告账号筛选：这可让归因分析更具针对性，聚焦特定广告账户的表现，提高分析的准确性。
广告分组自定义：自定义分组可以帮助卖家了解不同广告策略或投放方式在转化中的具体贡献，优化广告策略。
设置归因事件类型：卖家可以自定义每个广告分组的归因事件类型（曝光或点击）和回溯周期，决定哪些广告事件被归因，以及它们在多长时间内影响转化。
监控ASIN的自定义：通过聚焦于特定ASIN或产品，卖家可以更深入了解这些产品的广告表现，并做出针对性的优化决策。
1. 客户背景
主营类目：服饰品类
市场位置：BSR100以内
2. 客户痛点
营销策略：以SP+SD广告为主，STV广告为辅的站内营销策略，暂未开启ADSP广告计划；核心需求：优化关键词之外，寻找站内广告组合之间的最佳预算分配。
3.Xmars解决方案
以销量增长为目标，利用MTA马尔科夫链模型预测在非旺季的时间节点，不同广告带来的转化率；根据模型分析结果，调整响应的站内广告预算分配，增加SBV的广告预算。
4.实现效果
销量增长8%
床上用品案例
1. 客户背景
主营类目：床上用品
市场位置：品类排名Top1
2. 客户痛点
增长瓶颈：现有的广告组合中需要有进一步的突破和增长空间，单一广告的各自优化很难形成组合拳。
3.Xmars解决方案
通过MTA模型分析，充分考虑到品牌的不同广告之间的协同效应，以整体店铺生意增长为目标的前提下，基于同样量级的预算配置出新的广告组合。
4.实现效果
根据该组合及预算分配模式调整策略后，整体广告带来的订单增长了5.1%。
通过多触点归因模型来分析评估不同广告触点对转化率的贡献度，发现在PD期间，ADSP+SP广告组的转化率比单独开SP广告组的转化率高16.7%，并且通过精准的预算再分配后，转化率增长15.9%。
小家电案例
1. 客户背景
主营类目：小家电
市场位置：集团有多个子品牌及店铺销售额突破亿级美金
2. 客户痛点
每个品牌/店铺的广告组合预算比例结构各异，难以高效优化广告组合的预算分配，最大化提升广告转化率。
3.Xmars解决方案
卖家通过MTA模型的归因结果，预测每个店铺/品牌的在不同广告组合的转化率；探索各个店铺广告效果的上升空间，并差异化地调整了每个店铺的广告预算配比。
4.实现效果
各个店铺的销售增量提升了4%-30%不等。
对AMC模型还是了解更多，可以扫码联系我们
