AMC 模型库

作者: Robin Jia，Tommy Lin

更新时间：2025/01/20

 

1. 功能简介

Xnurta的AMC模型库提供了一系列基于AMC数据的标准化分析模型，每个模型聚焦特定的营销分析场景（如广告触达、转化路径、用户价值等），通过可视化的报表呈现洞察结果，用户可根据不同业务目标灵活选用。

 

1.1 菜单界面

模型库页面主要由以下几部分构成：

• 顶部的模型选择区：以卡片的形式展示所有分析模型，点击模型卡片可进入对应的分析报表页面，该部分数据为预定义数据。

• 下方的自定义模型筛选区：
  • 展示用户已创建的自定义分析模型（基于标准模型模板，使用用户自定义参数生成）
  • 提供多维度筛选项，如模型名称、创建人、模板类型、更新状态等，帮助快速检索目标模型
  • 点击模型列表中的"编辑"按钮或模型名称，进入自定义模型的详情页面
  • 点击"取消"按钮可以取消排队中的查询
  • 点击"删除"按钮，可删除不再需要的自定义模型

• 右上角的区域：
  • 问题库：罗列了常见的AMC分析问题场景，点击问题卡片可快速进入对应的分析模型，引导用户开展分析
  • 实例名称：显示当前选定的AMC实例。点击实例名称可进入实例管理页面；点击右侧下拉箭头可快速切换其他实例，模型库将刷新为新实例下的预定义和自定义模型数据。

 

1.2 模型数据

模型数据分为预定义数据和自定义数据。

预定义数据即Xnurta每月定期会按系统预置的条件拉取上个月的模型数据，根据模型归因方式的不同，每个模型的拉取时间不同，分为每月8日和每月15日。

Unique Reach，Audience Label，Cross-Product Association，Time to Conversion，Search Term Analysis：每月8日，查询上个月的数据，数据查询时长可能长达24小时。

Path To Conversion，Overlap Analysis，Geographic Analysis，Multi-Touch Attribution，Customer Lifetime Value，New-to-brand Analysis：每月15日，查询上个月的数据，数据查询时长可能长达24小时。

自定义数据为用户使用模型库中的自定义模型条件功能拉取的模型数据，每个模型提供不同的可定义条件(具体见各个模型的部分），用户可灵活的选择并拉取定制化的数据报表。

每个模型的自定义模型都分为三种拉取方式，分别为预置，即时和循环。

预置模型是用户在使用预定义模型时选择另存的模型，即时模型是用户定义完成模型条件后单次即时拉取的模型，循环则是用户设定在一定时间范围内按频次固定拉取。

无论选择哪种形式，AMC数据中仅存储近一年的数据，所以每个自定义模型的数据的时间范围最长不超过365天。

基于用户定义的时间范围，数据范围等条件，自定义模型拉取后会有一定时长的等待时间才能完成拉取，当同时拉取多个模型时会按创建的先后时间顺序进行排队，排在第一位的模型会进入查询中状态，这个时间最长不超过24小时，

基于此特性，自定义模型在创建后会有多种状态。

任务类型	任务类型（英文）	状态（中文）	状态（英文）	状态说明	颜色
即刻	Instant	待查询	Pending	模型拉取排队中	黄色
		查询中	Generating	正在拉取当前模型数据	黄色
		已完成	Completed	模型数据拉取成功	绿色
		失败	Failed	模型数据拉取失败	红色
循环	Loop	等待中	Waiting	还未开始拉取第一份报告前	灰色
		待查询	Pending	拉取第一份报告排队中	黄色
		查询中	Generating	开始拉取第一份报告时	黄色
		循环中	Progressing	拉取成功第一次报告后	绿色
		已完成	Completed	拉取成功截止日期前最后一次报告后	绿色
		失败	Failed	最近一次报告拉取失败后	红色

 

1.3 模型详情页面

点击预定义模型卡片或自定义列表中的自定义模型后可进入对应模型的详情页面。

每个模型均由以下几部分构成：

1. 模型介绍：概述该模型适用的分析场景、数据来源、分析逻辑。
2. 筛选参数设置：在标准化模型的基础上，用户可进一步调整分析参数，筛选出感兴趣的特定数据视图。筛选参数通常包括日期范围、展示指标等。
3. 分析报表呈现：以可视化图表的形式呈现该模型生成的分析洞察，每个模型包含多个不同维度的分析视角。
4. 自定义模型创建：对于部分支持自定义的分析模型，用户可点击"定义模型条件"，进入自定义参数配置页面。

以下是以地域分析模型为例的简单介绍：

在顶部的模型菜单中，每个模型都包含数据范围，时间范围的显示，并且有不同的筛选项可以调整。

下方的图表数据可以用鼠标悬浮和点击来进行交互，具体根据模型模板不同。

部分模型包含编辑按钮，点击后会打开侧边栏，可进行更详细的数据选择和筛选。

在进行模型的数据筛选后，可以点击右上角的按钮保存为我的模型，将预定义模型保存到自定义模型的列表中，再次进入后会保存当前的筛选项。

点击模型详情页面右上角的定义模型条件按钮，可以进入新建当前自定义模型的页面。

在窗口中，每个模型都需要定义自定义模型的名称，数据的时间范围，以及模型的拉取方式（见模型数据部分）

特定模型可能有特殊的可定义的条件，这部分请参照本文各个模型的介绍板块。

点击另存为新模型选项后，会回到主菜单，在自定义模型列表中，可以找到刚刚创建的新模型，此时的模型还需要等待时间进行拉取，但可以随时进入模型页面，查看此前定义的模型条件。

已经创建的模型无法修改条件，但可以点击进入详情页面修改和另存为另一个自定义模型。

在模型状态变为已完成后，即可点击模型名称进入页面查看数据。

 

2. 模型导航

AMC 数据模型针对影响广告投放效果的用户，产品，时间，地点，广告类型等不同变量进行分析，每个模型可能涵盖其中多个维度，同时也有侧重的主题，下面是基于不同模型用途的分类。

 

3. 数据隐私与过滤机制

亚马逊营销云(AMC)通过实施数据隐私保护措施, 在为广告主提供有意义的分析的同时, 保护客户信息不被泄露。这些保护措施会自动过滤可能暴露单个用户信息的数据, 从而在保证数据可用性的同时确保用户隐私。

AMC会使用聚合阈值来判断何时需要过滤数据。不同类型的数据根据其敏感性级别具有不同的阈值要求。例如, 像曝光量(impressions)这样的指标没有限制, 而与用户相关的指标则需要更高的聚合要求。当查询返回数据时, 不满足最低用户数量要求的行会把敏感字段替换为NULL。

以下是Xnurta中每种分析模型的数据过滤要求表格:

模型	维度	时间粒度	对比指标	按维度最低用户数	过滤后的数据	过滤条件
Unique Reach	advertiser	day	reach uv	2	指定广告主的每日广告数据	如果某广告主的每日广告触达用户数少于2, 则该广告主在当天的数据会被过滤敏感字段
Audience Label	behavior_segment_name advertiser	month	reach uv	1001	每个受众标签(segment)的数据	如果某广告主下的某个细分行为在当月触达用户数少于1001, 则该细分行为的数据会被过滤敏感字段
Path to Conversion	path	month	reach uv	2	每条转化路径数据	如果某条转化路径在当月追踪到的独立用户数少于2, 则该路径的数据会被过滤敏感字段
Cross-product Association	asin_former asin_latter	month	purchase uv	2	每个商品关联(ASIN-to-ASIN)数据	如果某产品对(ASIN间的关联)在当月获得的来自不同用户的购买次数少于2, 则该产品对的数据会被过滤敏感字段
Time to Conversion	time_slot	variable	purchase uv	101	各时间区间的转化数据	如果某一时间区间内进行购买的独立用户数少于101, 则该时间区间的数据会被过滤敏感字段
Overlap Analysis	overlap_group	month	reach uv	2	各广告类型及其重叠广告数据	如果某广告类型在当月触达的独立用户数少于2, 则该广告类型的数据会被过滤敏感字段
Geographic Analysis	advertiser iso_state_province_code	month	reach uv	2	每个地域(州/省)的数据	如果某广告主在某一州/省的当月触达用户数少于2, 则该州/省的数据会被过滤敏感字段
Muilt-touch Attribution	ad_channel path	month	reach uv	2	每个广告渠道归因数据	如果某广告渠道在当月触达的独立用户数少于2, 则该广告渠道的数据会被过滤敏感字段
Customer Lifetime Value	time_slot	month	repeat_purchase_uv	101	每个按月划分的复购人群数据	如果某一月份的回购用户数少于101, 则该月份的数据会被过滤敏感字段
Search Term Analysis	customer_search_term entity ad_product_type placement	month	reach uv	101	每个搜索词的数据	如果在某广告主的广告类型与投放位置组合下, 某个搜索词在当月触达的独立用户数少于101, 则该搜索词的数据会被过滤敏感字段
New-to-brand Analysis	asin ad_type campaign	month	purchase uv	2	每个ASIN/广告类型/广告活动的数据	如果某一月份的ASIN/广告类型/广告活动的总购买用户数少于2，则该月份的ASIN/广告类型/广告活动的数据会被过滤敏感字段

 

4. 模型详细介绍

4.1 Unique Reach/广告触达分析

4.1.1 模型介绍

广告触达分析模型聚焦不同广告活动覆盖的独立受众数量,展示受众触达的趋势变化及相应广告花费的变化情况。通过观察各个指标,可评估广告的新用户触达效率。模型支持自定义时间范围、广告范围、时间粒度等参数,灵活满足个性化分析需求。

通过本模型可以分析以下业务问题：

• 各类广告触达用户数量的总体趋势如何？
• 每日广告新增触达用户占比如何? 触达扩量能力是否良好?
• 单个新增触达用户的平均广告成本是多少?

 

4.1.2 模型解读

该模型分为两个主要部分，上方的卡片部分展示了广告触达相关的汇总数据，下方的图表部分展示了广告触达相关数据分每日/周/月的趋势情况。

模型顶部菜单中，预定义模型为固定亚马逊用户，可单选所有亚马逊广告类型数据，且允许单选DSP广告中的广告活动数据，如需查看其他广告类型的广告活动数据，可以使用自定义模型，详见模型定制部分。时间选择器可自由选择跨月数据。

汇总指标卡片展示了所选时间范围内的触达关键指标,如触达总人数、新增触达人数占比和平均新增触达成本等。可点击右上角下载按钮将数据导出为Excel表格,以便进一步分析。

值得注意的是,汇总指标卡片默认展示所选时间范围内最后一个月的数据。如需查看跨月汇总数据,可使用自定义模型进行分析(参见"模型定制"部分

下方趋势图表默认展示广告触达人数、新增触达人数、新增触达占比、平均新增触达成本等指标随时间的变化趋势,时间粒度可在日/周/月间切换。

点击左上角编辑按钮可打开侧边栏,进行更多指标的选择,最多支持同时展示6个指标。

点击下方的趋势图可以更改趋势图中柱状图和折线图对应的指标，最多选择展示四个指标。

 

4.1.3 模型定制

该模型的自定义模型条件可以选择自定义到具体日期的时间范围，并支持选择统计的时间间隔。下方的数据范围部分可选择统计的广告

• 按广告类型分别统计
  • 亚马逊四种广告类型分别的广告触达情况
• 按广告活动分别统计
  • Instance中绑定的广告主或店铺下的广告活动，每个广告活动分别的广告触达情况
• 自定义聚合统计
  • 自定义分组的形式统计广告触达，既可以按广告类型统计，也可以分别按广告活动统计，如果在一个组别添加多个广告活动，则将这些广告活动看作一个整体（数据去重），统计广告触达情况，不论采用何种统计方式，同组的广告必须来自同一广告类型。

 

4.1.4 模型数据

广告触达分析模型的数据统计逻辑如下:

1. 人数去重的逻辑

在计算广告触达独立用户数时,采用的是按照所选广告范围进行去重计算的方式。具体到不同数据聚合形式时,去重计算的方式也有所不同,将影响到触达人数的统计口径。

举例而言,选择按日统计数据时,系统会先统计每日的广告触达人数。如果同一用户在当日内被同一广告触达多次,该用户也仅会被计入一次。但如果该用户在第二天再次被触达,则会被计入第二天的触达人数。其中,仅首次触达日的触达计入新增用户数。

而选择按周、按月统计数据时,用户的去重统计将以周、月为单位进行。即每周/每月内同一用户仅被计数一次。

同理,选择不同的广告统计范围(如按广告活动独立统计、按广告类型分组聚合统计)也会影响数据去重的最小单位,从而影响触达人数的统计。

2. 新曝光和新点击用户的逻辑

当用户在自定义的过程中确定了时间窗口和时间粒度之后，数据就被分割成若干段。比如时间窗口选择是1.1 - 1.31，时间粒度是天，那么数据就被分割成31段。在统计新曝光和新点击用户数时，我们会基于每个用户在统计时间窗口内，首次曝光或点击出现在的时间段，把用户统计为该时间段的新曝光或点击用户。

比如，在1.1 - 1.31这个时间窗口内以天的时间粒度统计时，一个用户在1.2，1.5，1.12三天分别给广告曝光，那么在统计1.2号的新曝光用户数时，这个用户就会被计入，而在1.5和1.12两天的新曝光用户统计数字中，这个用户不会被计入。统计新点击人数同理。

需要特别说明的是,模型中的"广告新增触达用户"是指在所选时间范围内,过去从未被所选广告触达过的用户。在预定义模型中,数据卡片中的新增用户对比的是最后一个月与之前六个月。而自定义模型的数据卡片不会展示汇总的新增用户数及占比,因为其缺少与之对比的历史时段。

在趋势图表中,新增用户数的计算与所选时间粒度相关。以按日统计为例,某日的新增用户数,指的是在当日前一天(自定义模型为用户自定义时间范围内的首日,预定义模型为6个月前)到当日,未被所选广告触达过的用户。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	日期	Time Slot	Time slot of statistics
	广告主	Advertiser	Advertiser of DSP or entity of Sponsored Ads.
	广告	Ads	A specific ad product type in DSP/SP/SD/SB or a collection of ad campaigns or a single ad camapign.
指标	广告花费	Total Cost	Total Cost of ads.
	新用户触达总花费（用户）	Total Cost of New Reach UV	Ad cost of new impression user.
	新用户点击总花费（用户）	Total Cost of New Click UV	Ad cost of new click user.
	曝光量	Impressions	Number of impression event.
	点击量	Click-throughs	Number of click event.
	广告触达人数（用户）	Reach UV	Deduplicate number of impression user.
	点击人数（用户）	Click-throughs UV	Deduplicate number of click user.
	千次曝光成本	eCPM	Total Cost/Impressions*1000
	点击成本	eCPC	Total Cost/Click-throughs
	新用户广告触达人数（用户）	New Reach UV	Deduplicate number of new impression user.
	新用户点击人数（用户）	New Click UV	Deduplicate number of new click user.
	新用户广告触达占比（用户）	Percentage of New Reach UV	New Reach UV/Reach UV
	新用户点击占比（用户）	Percentage of New Click UV	New Click UV/Click-throughs UV
	广告触达频次（用户）	Frequency UV	Impressions/Reach UV
	广告触达成本（用户）	Cost per Reach UV	Total Cost/Reach UV
	点击成本（用户）	Cost per Click UV	Total Cost/Click-throughs UV
	新用户触达成本（用户）	Cost per New Reach UV	Total Cost/New Reach UV
	新用户点击成本（用户）	Cost per New Click UV	Total Cost/New Click UV

4.2 Audience Label/受众标签分析

该模型仅适用于包含DSP广告数据的AMC Instance

 

4.2.1 模型介绍

受众标签分析模型从覆盖人数、购买人数、DPV、DPVR、购买转化率等维度评估各个人群标签在DSP投放中的表现。通过横向比较不同标签的关键指标,找出表现最佳和最有潜力的受众,优化受众标签组合,进而覆盖更多高价值人群。该模型支持自定义时间范围、广告范围等参数,以便聚焦特定的分析对象。

本模型可以帮助回答以下业务问题:

• DSP广告中,哪些未定向的标签人群具有尝试投放的价值?
• DSP广告覆盖人群的画像特征如何? 不同特征标签的广告表现如何?

 

4.2.2 模型解读

该模型主要由三部分构成:洞察卡片、气泡图、排名表格。

在模型顶部菜单中，预定义模型为固定亚马逊用户，DSP广告类型（允许自由选择Instance中关联的DSP广告主）以及店铺下所有ASIN。用户可自主选择分析时间范围，感兴趣的标签覆盖人数区间。如需分析特定广告/ASIN的受众数据,可创建自定义模型进行筛选(参见"模型定制"部分)。

以上筛选条件可以灵活组合,找出契合业务需求的、有实际投放价值的受众标签组合:

• 利用投放状态筛选,对比分析已投放和未投放标签的表现差异
• 利用标签覆盖人数区间筛选,可找到覆盖度适中的精细化标签组合
• 利用实际触达人数筛选,可排除因样本量过小而失真的标签数据

在受众标签分析模型中，筛选功能非常重要，利用不同的筛选条件可以找到更准确的，不同量级的潜在受众

• 利用投放状态的筛选可以选择查看已投放或未投放的潜在受众标签的表现
• 标签人群包量级是每个受众标签预计的触达用户量级，由于不同量级的受众标签一般无法在广告表现数值上直接比较，通过缩小这个范围可以找到更小更精确的标签（IM类型为主），扩大这个范围可以找到更大更宽泛的标签（Demographic，Lifestyle等）。
• 覆盖UV数是指每个受众标签的触达用户数量，通过筛选这个指标可以排除一些触达量过小导致数据可信度不高的受众标签。

洞察卡片根据Total ROAS等关键指标(可切换),列出了表现最佳的三个受众标签,便于快速聚焦分析重点。

气泡图中立体地展现了综合表现最佳(默认为购买成本、详情页浏览成本两项指标排名前20,可调整指标和展示数量)的受众标签。其中,气泡大小代表触达人数的多寡,颜色代表标签类型,是否为实心气泡代表在所选时间范围内是否进行过广告曝光。坐标轴可拖动,图表可通过鼠标滚轮缩放,便于聚焦重点区域。从图中可直观看出各类已曝光和未曝光标签的综合表现分布,寻找潜在的高价值标签。

表格部分提供了每个受众标签在各项指标上的详细排名数据,默认展示排名前50的标签。可点击右上角下载按钮将数据导出为Excel。鼠标悬停在某个标签上,会通过弹窗同步显示该标签在其他指标上的名次,便于纵向评估单个标签的综合表现。

点击左上角的编辑按钮展开侧边栏，在这里可以选出更多的数据指标，同时最多展示10个，部分指标需要在自定义模型中定义监控ASIN后才可以使用。

此外可以进行受众类型的筛选，这个功能目前仅对表格部分生效。

利用受众类型的筛选条件，可以看到某类型下标签的表现数据，这在选择Demographic或Life event类型的受众时尤其有用。这两类受众由于量级较大，一般不会出现在表现最好的受众列表中，但有一定的品牌维度洞察的价值，通过筛选受众分类和受众量级，可以查看类型受众标签的表现。

 

4.2.3 模型定制

与预定义模型相比,该模型支持自定义选择广告主/广告活动,以聚焦感兴趣的广告组合;支持自定义设置监控ASIN,将分析聚焦到特定的产品转化数据。

不同产品线之间的潜在受众一般存在较大差异，使用广告活动和购买ASIN的自定义功能来锁定某个产品线，可建立多个自定义模型观察受众标签在不同产品之间的区别。

 

4.2.4 模型数据

DSP广告受众标签分析模型的核心数据包括:不同受众标签的覆盖人数、实际触达人数、行为转化人数及占比等。其中,覆盖人数代表根据标签定向规则圈定的潜在目标人群量级,而触达人数和转化人数则体现了受众对广告和产品的实际反应。将覆盖人数和实际触达、转化数据相结合,可以较全面地评估不同标签的实际广告效果。在对比分析中,各项指标数据的高低可以反映出不同标签受众在广告吸引力、转化效率等方面的差异。

但在解读数据时,也需要注意以下几点:

1. 标签的覆盖人数对比往往只有在相近量级下才更有参考价值。当覆盖人数差异过大时,点击、转化等效果数据未必可比。
2. 部分标签的实际触达人数可能较低,导致购买转化人数过少,转化率数据可能出现较大波动。此时可优先参考点击人数、点击率等反映吸引力的指标, 转化数据仅供参考。可考虑通过扩大覆盖人群量级来提升数据的可参考性。
3. 对于系统推荐的综合表现较佳但覆盖人数偏少的标签,在考虑新增投放时,需留意其扩展后的人群质量是否能够保持。对此类标签,建议优先小量试投放,观察人群扩展后的实际效果变化,再灵活调整投放量级。

综上,在解读受众标签数据时,建议关注不同数据指标的内在联系,综合判断不同标签的投放价值。此外,切忌过度依赖单一指标做出投放决策,还需充分考虑各标签的人群基数、转化样本量等因素。通过更全面的分析,配合灵活的投放策略,才能更好地发挥受众标签的价值。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	标签名称	Label Name	User behavior segment name
	广告主	Advertiser	DSP advertiser
	投放状态	Target Status	1 if the user behavior segment was targeted by the selected DSP campaigns, 0 otherwise
	受众分类	Category	Top level of audience segment taxonomy
	受众子分类	Subcategory	Second level of audience segment taxonomy
	标签人群量级	Size
指标	点击量	Click-throughs	Number of click event.
	曝光量	Impressions	Number of impression event.
	广告触达人数（用户）	Reach UV	Deduplicate number of impression user.
	广告花费	Total Cost	Total Cost of ads.
	点击人数（用户）	Click-throughs UV	Deduplicate number of click user.
	加购量	Total ATC	Number of add to cart event.
	加购人数（用户）	Total ATC UV	Deduplicate number of ATC user.
	详情页浏览量	Total DPV	Number of add to detailed page view event.
	详情页浏览人数（用户）	Total DPV UV	Deduplicate number of DPV user.
	新客销售额	Total NTB Product Sales
	新客购买量	Total NTB Purchase
	新客购买人数（用户）	Total NTB Purchase UV
	销售额	Total Product Sales
	购买量	Total Purchase
	购买人数（用户）	Total Purchase UV	Deduplicate number of purchase user.
	点击率	CTR	Click-throughs/Impressions
	点击率（用户）	CTR UV	Click-throughs UV/Reach UV
	点击成本	eCPC	Total Cost/Click-throughs
	点击成本（用户）	eCPC UV	Total Cost/Click-throughs UV
	千次曝光成本	eCPM	Total Cost/Impressions*1000
	加购率	Total ATCR	Total ATC/Impressions
	加购率（用户）	Total ATCR UV	Total ATC UV/Reach UV
	客单价	Total ATV	Total Product Sales/Total Purchase UV
	加购成本	Total CPATC	Total Cost/Total ATC
	加购成本（用户）	Total CPATC UV	Total Cost/Total ATC UV
	详情页浏览成本	Total CPDPV	Total Cost/Total DPV
	详情页浏览成本（用户）	Total CPDPV UV	Total Cost/Total DPV UV
	购买成本	Total CPP	Total Cost/Total Purchase
	购买成本（用户）	Total CPP UV	Total Cost/Total Purchase UV
	详情页浏览率	Total DPVR	Total DPV/Impressions
	详情页浏览率（用户）	Total DPVR UV	Total DPV UV/Reach UV
	新客购买成本	Total NTB CPP	Total Cost/Total NTB Purchase
	新客购买成本（用户）	Total NTB CPP UV	Total Cost/Total NTB Purchase UV
	新客转化率	Total NTB PR	Total NTB Purchase/Impressions
	新客转化率（用户）	Total NTB PR UV	Total NTB Purchase UV/Reach UV
	新客Total ROAS	Total NTB ROAS	Total NTB Product Sales/Total Cost
	转化率	Total PR	Total Purchase/Impressions
	转化率（用户）	Total PR UV	Total Purchase UV/Reach UV
	Total ROAS	Total ROAS	Total Product Sales/Total Cost

 

4.3 Path to Conversion/转化路径分析

4.4.1 模型介绍

转化路径分析模型聚焦用户在购买转化前接触广告的整体历程,展现从首次广告触达到最终购买的各类广告接触顺序及其转化效果。通过分析不同广告序列覆盖的用户规模及多维度转化指标,可以全面评估各类组合路径的转化效率,找出对用户决策影响最大的关键广告组合,优化广告投放组合与时序策略。该模型支持自定义分析时间范围、广告活动、ASIN等参数,可针对不同营销场景灵活定制。

通过本模型可以分析以下业务问题：

• 顾客在进行购买行为之前，一共被多少广告按怎样的顺序触达过？
• 在过去1个月内，所有被某个特定广告首次触达的用户后续的行为表现如何？

 

4.4.2 模型解读

模型主体是一张基于不同广告接触顺序的用户转化路径汇总表格。

在模型顶部菜单中，预定义模型为固定亚马逊用户，所有亚马逊广告类型以及店铺下所有ASIN，可以分月选择时间范围。

表格横向展示了所有经过某个特定的广告触达路径的用户数据，包括独立用户总数、转化量等各项指标,表格纵向细分了所有可能的广告触达路径组合。通过对比不同顺序组合下的各项指标表现,可以直观感受到不同广告组合策略的效果差异。此外,表格还支持按关键转化指标如转化率、ROAS等指标排序,有助于快速定位表现最佳或最差的广告触达路径,找出提升整体效果的关键影响因素。

点击表格左上方的编辑按钮打开侧边栏，这里可以选出更多指标，最多同时展示10个指标。

筛选条件部分可以对转化路径或指标进行进一步筛选，排除或汇总数据。

• 转化路径可以选择以下四种方式筛选，并支持多条件组合（且/或）筛选
  • 包含：所有路径中都包含指定广告触达
  • 不包含：所有路径中都不包含指定广告触达
  • 开头是：所有路径都由指定广告第一次触达
  • 结尾是：所有路径都由指定广告最后一次触达
• 指标可以选择当前表格中展示的某个指标，进行数值范围的筛选，同样支持多条件组合（且/或）筛选

 

4.4.3 模型定制

该模型的自定义模型条件提供了店铺/广告主/广告活动筛选的功能，并支持对监控的ASIN进行自定义，设定后将仅统计所设置ASIN的转化数据。下方的广告部分可进行路径节点的自定义，默认为按广告类型(DSP,SP,SB,SD)作为路径节点，也可选择自定义节点，最多定义10个不同节点。

点击修改图标可以选择节点所包含的广告活动，注意单一节点只能包含同一广告类型下的广告活动。

通过自定义广告节点，该模型不仅能看到广告类型之间的转化路径，也能更精细的看到自定义的广告节点（产品线/策略/创意形式等）之间的转化路径。

 

4.4.4 模型数据

转化路径分析模型基于用户被不同广告的触达顺序对用户行为进行分析,主要利用广告展示、点击以及详情页浏览、加购等用户行为数据,构建从各类广告触达到最终购买的完整路径。各类广告和用户行为在归因逻辑中的触发条件有所差异,在分析数据时需要注意:

1. DSP和SD-vcpm广告以广告的展示作为触发条件,而SP、SD-cpc、SB广告则以广告的点击作为触发。因此DSP广告往往能覆盖更多"早期触达"的人群,整体规模相对更大,而三种搜索广告更聚焦于"高转化意向"人群,覆盖规模相对较小。
2. 由于DSP广告展示量远大于其他三类广告的点击量,当转化路径中同时涉及DSP广告和搜索广告时,转化路径的主要影响因素可能更多来自于DSP广告,在考虑如何优化广告组合时需要充分考虑曝光量的差异。
3. 对特定ASIN的购买而言,除了各类广告渠道的贡献之外,ASIN的自然流量转化(Organic转化)也是重要的影响因素。自然流量的贡献一方面与ASIN本身的流量规模(自然搜索排名、收藏、推荐等)密切相关,同时也可能受到历史广告投放的间接影响。因此分析中有必要对整体流量结构有一个全局的把控,避免过度简化地解读广告转化路径。

对于广告路径上连续出现的同类型广告模型统计时会做合并处理，比如一个用户的广告路径为DSP->DSP->DSP->SP（三次DSP曝光后有一次SP点击），模型会简化为DSP->SP，在统计路径广告花费时，三次DSP曝光费用都会被统计。

如果在路径中用户产生购买行为，路径会被分割。比如一个用户路径为，DSP->SP->Purchase->SB->SP，即该用户在接触了DSP和SP广告后产生了一次购买，在购买之后继续接触到SB和SP，那么这个用户的路径会被拆分为DSP->SP和SB->SP两条。

总的来说,在综合利用转化路径分析制定广告优化策略时,一方面要充分利用好各类行为数据,全面评估转化效率;另一方面也要考虑不同广告渠道在营销漏斗中的差异化定位,既要重视"深度转化"的渠道,也要兼顾"广度触达"的渠道,这样才能实现协同效应的最大化。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	转化路径	Path	Sequence of user engaged ads.
	广告账号	Ads Account	Advertiser of DSP or entity of Sponsored Ads.
指标	路径人次	Path Size	Occurance of path.
	路径人数（用户）	Path UV	Deduplicate number of user who has a certain path.
	广告花费	Total Cost	Total Cost of ads.
	新客销售额	Total NTB Product Sales
	新客购买量	Total NTB Purchase
	新客购买人数（用户）	Total NTB Purchase UV
	销售额	Total Product Sales
	购买量	Total Purchase
	购买人数（用户）	Total Purchase UV
	客单价	Total ATV	Total Product Sales/Total Purchase UV
	购买成本	Total CPP	Total Cost/Total Purchase
	购买成本（用户）	Total CPP UV	Total Cost/Total Purchase UV
	新客购买成本	Total NTB CPP	Total Cost/Total NTB Purchase
	新客购买成本（用户）	Total NTB CPP UV	Total Cost/Total NTB Purchase UV
	新客转化率（用户）	Total NTB PR UV	Total NTB Purchase UV/Reach UV
	新客ROAS	Total NTB ROAS	Total NTB Product Sales/Total Cost
	转化率（用户）	Total PR UV	Total Purchase UV/Reach UV
	ROAS	Total ROAS	Total Product Sales/Total Cost
	新客购买占比	Percentage of Total New-to-brand Purchase	Total NTB Purchase/Total Purchase
	新客购买占比（用户）	Percentage of Total New-to-brand Purchase UV	Total NTB Purchase UV/Total Purchase UV

 

4.4 Cross-Product Association/商品交叉购买分析

4.4.1 模型介绍

商品交叉购买分析模型聚焦分析不同商品之间的关联购买行为及趋势。通过考察用户在购买特定商品时,同时购买其他商品的情况,可以识别出适合组合销售的商品搭配,进而优化商品的捆绑推荐、交叉营销等策略。该模型支持自定义分析时间范围、商品范围等参数,结合业务实际灵活调整分析视角。

通过本模型可以分析以下业务问题：

• 哪些商品更容易与其他商品产生交叉购买?
• 特定商品的购买通常会带动哪些其他商品的销量?不同商品之间的关联强度如何?
• 用户通常会在浏览哪些商品后选择购买品牌下的其他商品？它们扮演着"引流"的角色

 

4.4.2 模型解读

该模型主要由三个部分组成，上方的洞察部分展示了筛选条件下所选时间范围内产生关联次数最多的两个ASIN，左下方的关联销售部分展示了在筛选条件下所选时间范围内与其他ASIN产生关联次数最多的ASIN排名，右下方的关系图展示了与选定ASIN产生关联关系的其他ASIN的可视化图表。

在模型顶部菜单中，预定义模型为固定亚马逊用户，所有亚马逊广告类型以及店铺下所有ASIN，可以分月选择时间范围。关联粒度选项允许切换每个关联项为ASIN，父ASIN或自定义分类，切换该选项可以将下方默认的ASIN之间的关联改为父ASIN之间的关联，或是自定义任何ASIN组合（品牌/产品线/型号等）之间的关联关系。

关联类型选项支持切换三种不同的关联方式，允许多选，默认为全选

• 同时购买：用户在同一个订单中购买两个不同的商品
• 买了又买：用户在先后两个不同订单中购买了两个不同的商品
• 先看后买：用户在先浏览了某个商品的详情页后购买了另一个商品

使用关联粒度功能需要先上传一张ASIN/父ASIN/分类之间的关系表，点击关联粒度选项右侧的上传按钮打开弹窗，弹窗中附有Excel表格形式的上传模板。

洞察部分展示了当前时间范围下关联次数最多的两个ASIN/父ASIN/分类，这里支持筛选关联类型看到不同关联类型下的结果。

关联销售Top20部分展示了当前条件下和其他ASIN/父ASIN/分类发生关联最多的ASIN/父ASIN/分类是哪些，这里也可以作为筛选时的参考

关系图部分以更直观的视觉化方式,刻画了商品之间的关联结构。可以看到选定ASIN/父ASIN/分类和其他所有ASIN/父ASIN/分类的关联，每个气泡的面积大小代表关联的次数多少，鼠标悬浮在每个气泡上可以看到代表的ASIN/父ASIN/分类是什么，以及关联的次数，这里建议使用上方的关联类型筛选项先筛选好关联的方式再进行查看，这时还会包含关联次数占总次数的占比。右上方的下载按钮可以下载模型的数据表格。

下载的数据表格中将仅包含关系图中所选ASIN/父ASIN/分类的数据，如需下载更多数据，请使用编辑-筛选-ASIN/父ASIN/分类筛选数据后再进行下载。

点击编辑选项展开侧边栏，在这里可以进行以下操作

• 选择关联节点大小对应的指标
  • 关联次数
  • 关联销售额
• 根据条件筛选
  • 关联次数和关联销售额：展示筛选范围的数据
  • ASIN和关联ASIN：筛选出想要看的ASIN或相关联的ASIN

商品交叉购买模型需要选定一个ASIN/父ASIN/分类作为根节点查看与之关联的节点，根节点默认选择Instance下关联次数最多的ASIN/父ASIN/分类，使用筛选功能可以挑选出特定的ASIN/父ASIN/分类的关联数据。

 

4.4.3 模型定制

该模型支持亚马逊购买数据洞察，并支持对关联ASIN进行自定义，设定后将仅统计所设置ASIN的转化数据。

 

4.4.4 模型数据

商品交叉购买分析模型主要基于订单和销量数据,构建商品关联矩阵。这其中涉及关联购买的统计口径,以及分析数据的解读思路,主要包括:

数据的回溯时间周期：

• 预定义模型数据为每月产生的购买数据，关联类型为看了再买，买了又买的第一次浏览/购买行为会回溯至此前最长三个月。
• 自定义模型数据为用户选定的时间范围周期内的购买数据，关联类型为看了再买，买了又买的第一次浏览/购买行为仅在用户选定的时间范围内回溯。

关联指标的区别:

• 关联订单量:体现商品组合的受欢迎程度,但易受到商品本身销量的影响
• 关联金额:反映商品组合带来的收益水平
• 关联占比:反映当前关联占所有同类型关联的比例

综合考虑各类指标,可以对商品的关联效应有更全面客观的认识。

数据解读的注意事项:

• 关联强度和关联规模并不总是一致:有些小众商品搭配的关联率很高,但购买人数很少,在制定捆绑策略时要权衡利弊。
• 部分商品可能因为特定营销活动产生关联购买,在分析趋势时要考虑营销因素的影响。
• 新品的冷启动问题:新品上架初期的关联数据较少,分析时需要给予一定的观察期。
• 在统计先看后买和买了又买两个场景时，对于界定两个关联ASIN的标准有一定差别
• 先看后买场景下，假设用户行为链路为 看A->看B->买C，模型会统计AC和BC的先看后买关联。
• 买了又买场景下，假设用户行为链路为 买A->买B->买C，模型会统计AB和BC的先看买了又买。而AC不会计入买了又买。

综上,充分利用交叉分析的洞察需要灵活地解读数据内涵,也需要综合考虑外部因素的影响。通过全面了解数据的口径和特点,剔除干扰因素,才能准确挖掘商品间的真实关联规律。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	ASIN	ASIN	Former Asin of purchase one after another/DPV ASIN of purchase atfer DPV/One ASIN in purchase mutuple ASINs in one order
	关联ASIN	Associated ASIN	Latter Asin of purchase one after another/Purchase ASIN of purchase atfer DPV/One ASIN in purchase mutuple ASINs in one order
	关联类型	Association Type	Tpye of accsociation include purchase one after another/purchase atfer DPV/purchase mutuple ASINs in one order
	关联粒度	Association Granularity	Determine the association is between ASIN/Parent ASIN/Porduct line
指标	关联次数	Number of associations	Number of associations
	关联销售额	Associated sales	Sales summation of both associated ASINs.

 

4.5 Time to Conversion/转化时间分析

4.5.1 模型介绍

转化时间分析模型聚焦分析用户从首次接触广告、首次浏览页面、首次添加购物车、首次搜索特定关键词等多种行为,到最终完成购买的时间分布特征,帮助理解用户的购买决策周期，应用于后续更合理地规划和调整媒介计划与广告预算。支持指定时间范围、广告活动范围、商品范围、关键词等条件构建自定义模型。

通过本模型可以分析以下业务问题：

• 用户在看到广告后,一般会在多久内完成下单购买?广告的时效性如何?
• 浏览或加购某特定商品的用户,通常会在多久后完成购买?不同商品的转化周期有何差异?
• 搜索了某个特定关键词的用户在多久后完成购买？

 

4.5.2 模型解读

模型主体是一张反映累计转化人数分布的时间趋势图,直观展现了随着时间推移,用户完成转化的累积百分比变化过程,便于判断总体的转化时效性。图表类型为柱状图+折线图,其中:

• 柱状图展示了每个时间段内的单期转化人数,聚焦观察短期内的转化峰值
• 折线图展示了截止每个期间的累计转化人数占比,可判断长期累积的整体分布趋势

该模型主要由四个页面组成，分别可以查看用户从首次广告触达到购买，浏览详情页到购买，添加购物车到购买和关键词搜索到购买的时间分布。其中浏览详情页到购买和关键词搜索到购买需要使用自定义模型才可以查看。

在模型顶部菜单中，预定义模型为固定亚马逊用户，所有亚马逊广告类型以及店铺下所有ASIN，可以分月选择时间，但时间范围固定为三个月，在此处也可以选择想要查看的页面数据。

下方图表页面左侧的卡片展示了一些综合的数据，包括90%用户完成购买的时间，用户平均购买时间和购买人数最多的时间。右侧的折线柱状图中的横坐标是从首次广告触达/详情页浏览/添加购物车/关键词搜索行为开始计算，到购买时间间隔范围，柱状图代表当前时间范围内购买的用户数量，折线图代表到当前时间范围为止购买用户占所有用户的累计百分比。右上方的下载按钮可以下载模型的数据表格。

 

4.5.3 模型定制

该模型支持亚马逊购买数据洞察，并可对四种不同的触发行为进行进一步自定义。

• 首次广告触达支持定义广告活动，允许跨广告类型选择广告活动。
• 详情页浏览和添加到购物车支持定义ASIN，设定后将仅计入所设置ASIN的转化数据。
• 关键词支持填写特定关键词，如添加多个关键词，则搜索任意一个关键词的用户都会计入统计。

转化时间在自定义模型中支持自定义时间分组，选择固定间隔后，会自动把所选的时间范围平均切为固定的天数，使用这种方式间隔的最高值为设定的时间范围的一半。选择自定义事件分组则可以自定义非固定间隔的天数统计，使用这种方式间隔的最高值为设定的时间范围-1天。

此外，该模型的数据由于需要达到一定长度的时间周期，所以选择时间范围不可少于30天。

 

4.5.4 模型数据

结合模型数据，可以分析转化高峰期的分布规律,以及需要多长时间覆盖大多数目标转化人群,据此评估广告的投放节奏、频次安排是否合理。例如,如果大部分转化在短期内即可完成,但广告受众的回溯窗口期过长,则可能存在预算浪费,需要压缩回溯周期;反之若转化高峰期较晚,但提前对高意愿用户停止广告投放,则可能错过部分转化人群,需要延长节奏。

考虑到转化周期较长的商品(如大家电、奢侈品等)可能会出现右截断问题(观察期不足以覆盖完整转化周期),在设置分析时间范围时,建议参考商品特点给予1-2倍的转化周期作为观察期,以免低估长周期转化。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	事件类型	Traffic event type	Starting event of time to conversion.
	时间段	Time Slot	Time Slot
指标	购买人数	Users Purchased	Number of purchase user within time slot
	购买人数累计百分比	Conversion Percentage of Purchasing Users	Cumulative percentage of user

 

4.6 Overlap Analysis/广告重合度分析

4.6.1 模型介绍

广告重合度分析模型主要用于定量分析不同广告的人群覆盖情况及转化情况。通过计算不同广告的覆盖人群重合度,可以检视广告的独特性和互补性。同时通过对比各广告的人群规模、转化贡献等指标,则可以评估不同广告的投放效率。该模型支持按不同粒度自定义广告集合,并可灵活调整分析的转化类型和时间窗口,满足不同业务场景下的广告策略优化需求。

通过本模型可以分析以下业务问题：

• 各类广告的覆盖人群是否存在显著重叠?每个广告的独立贡献如何?
• 哪几种广告组合的协同效应最佳，可为我的品牌带来最高的转化收益？

 

4.6.2 模型解读

该模型主要由三个部分组成，上方的数据卡片代表了当前所查看的广告各自以及交叉的数据总览，集合图部分用圆的面积代表了各个广告在当前所选数据指标下的数据大小以及相互之间的数据重叠关系大小，这个部分主要是绝对值相关的指标，柱状图部分代表了广告各自或交叉的数据表现，这个部分主要是以计算指标为主。

在模型顶部菜单中，预定义模型为固定亚马逊用户，以及店铺下所有ASIN，时间范围选择器可以选择分月数据查看。

模型上方的卡片部分为当前所选所有广告类型的所有数据，以及他们之间的交叉数据。卡片数量由所选集合维度的数量决定，选择一个集合维度时1张卡片，选择两个集合维度时4张卡片，选择三个集合维度是8张卡片。数据卡片右上方的下载按钮可以下载模型的数据表格。

数据卡片和集合图的默认数据指标是用户数量，点击编辑按钮展开侧边栏，在这里可以替换数据卡片和集合图中的指标。这里也可以选择当前显示的广告集合，支持选择1~3个。集合图从不同视角展现了各个广告的独立覆盖用户及共同覆盖用户的分布。通过观察不同区域的面积大小,可以发现各广告的独立触达能力差异,也可以发现广告之间在覆盖人群方面的重叠度。

筛选条件部分对已选出的广告集合做进一步筛选。当选择不包含某个广告后，该广告的数据都会被排除，包括与其他广告重合的部分。如果想要看到仅被某个单一广告触达且未被其他广告触达的用户时，可以利用这个筛选功能。

下方的集合图中，用鼠标悬浮后，会在上方的卡片和右侧的柱状图中都高亮出对应的数据，这个功能可以看到所选区域的量级大小和指标表现。

柱状图进一步从转化角度比较不同广告(组合)的效果表现。其中,单个广告的转化贡献代表了其对总体的边际贡献能力,而广告组合的转化贡献则体现了组合效应。通过交叉对比,可以发现最有价值的广告组合形式。柱状图上方可以切换更多的数据表现指标。

 

4.6.3 模型定制

该模型的自定义模型条件提供了店铺/广告主/广告活动筛选的功能，并支持对监控的ASIN进行自定义，设定后将仅统计所设置ASIN的转化数据。下方的广告部分可进行广告事件的自定义。默认为按广告类型(DSP,SP,SB,SD)分别统计，也可选择自定义集合，最多定义5个不同集合。

点击修改图标可以选择广告事件所包含的广告活动，注意单一广告事件只能包含同一广告类型下的广告活动。

 

4.6.4 模型数据

该模型基于亚马逊的归因机制，对不同广告类型限定了不同的触达条件，不符合触达条件的用户不会计入数据维度中。DSP类型的广告以曝光作为触达条件，SP，SD，SB类型的广告以点击作为触达条件。

广告重合度分析模型基于广告投放和用户行为数据,在具体分析时,不同业务可根据实际关注重点,利用模型提供的丰富配置项定制分析方案。如:

• 可选择关注用户在不同广告间的曝光重合或点击重合,前者可检视总体触达范围,后者可聚焦高意向人群
• 可调整纳入分析的广告数量,既可以宏观比较不同广告类型（SP,DSP等）,也可以聚焦分析特定广告类型下的策略组合(Video，Display等)
• 可切换不同的转化目标(总体转化、新客转化等),考察广告组合在不同转化场景下的效果差异
• 可选择不同的时间窗口,以短期、长期视角评估组合效果的稳定性

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	集合	Group	Overlap Ads collection.
	广告账号	Ads Account
指标	集合人数（用户）	Group UV
	广告花费	Total Cost
	新客销售额	Total NTB Product Sales
	新客购买量	Total NTB Purchase
	新客购买人数（用户）	Total NTB Purchase UV
	销售额	Total Product Sales
	购买量	Total Purchase
	购买人数（用户）	Total Purchase UV
	客单价	Total ATV	Total Product Sales/Total Purchase UV
	购买成本	Total CPP	Total Cost/Total Purchase
	购买成本（用户）	Total CPP UV	Total Cost/Total Purchase UV
	新客购买成本	Total NTB CPP	Total Cost/Total NTB Purchase
	新客购买成本（用户）	Total NTB CPP UV	Total Cost/Total NTB Purchase UV
	新客转化率（用户）	Total NTB PR UV	Total NTB Purchase UV/Reach UV
	新客Total ROAS	Total NTB ROAS	Total NTB Product Sales/Total Cost
	转化率（用户）	Total PR UV	Total Purchase UV/Reach UV
	Total ROAS	Total ROAS	Total Product Sales/Total Cost

 

4.7 Geographic Analysis/地域分布分析

该模型仅适用于包含DSP广告数据的AMC Instance

4.7.1 模型介绍

地域分布分析模型主要用于分析不同地域的用户在广告触达、广告效果等方面的差异表现。通过对比不同国家地区等地域维度的关键数据指标,该模型可以帮助发现广告在地域间的渗透差距,评估区域投放策略的合理性,挖掘区域增长潜力,并据此优化预算分配、出价调整等区域性的投放策略。该模型支持选择不同的国家,灵活调整指标组合,可满足不同业务分析场景下的个性化分析需求。

通过本模型可以分析以下业务问题：

• 整体而言,各地域的广告关注度、购买转化情况如何?地域分布是否与目标市场匹配?
• 不同地域的用户对品牌广告的反应差异如何?各地域的广告ROAS表现如何?
• 在某几个特定地区内，用户在一年四季中呈现怎样的行为趋势？

 

4.7.2 模型解读

该模型主要由四个部分组成，上方的数据卡片代表了当前所查看的广告数据以及各数据的总览，地域分布图展示了所选数据在地域上的分布情况，条形图是各地区用户在广告数据表现上的具体排名，趋势图中是时间维度上的广告数据表现。这些模块都可以进行交互和筛选，结合这些模块可以对任意地区，时间，数据进行分析。

在模型顶部菜单中，预定义模型为固定亚马逊用户，DSP广告类型（允许自由选择Instance中关联的DSP广告主）以及店铺下所有ASIN。时间范围选择器可以选择分月数据，但固定为一年的数据周期。除此之外，可以选择的还包括查看的国家/地区，以及切换总数据或分月数据。

在亚马逊站点购物的顾客可能来自全世界范围内，模型默认选择顾客最多的国家/地区，使用切换国家和地区选项则可以看到来自主站点以外国家/地区的顾客。

上方的数据卡片默认展示常用的5个指标数据，点击卡片可以切换当前地域分布图，条形图和趋势图所观察的广告数据，点击编辑按钮后展开侧边栏，可以拖拽更多的数据指标到卡片中。筛选条件支持最多三个数据卡片中的广告数据的范围筛选，点击这个筛选会影响地域分布图中的地区，不符合当前筛选的地区会被置灰，该设置主要用于排除一些数据量过小或过大的地区。

地域分布图中，会用颜色深浅代表当前观察的数据指标的大小，颜色越深的区域代表数据指标表现越好。

鼠标悬浮在地图中某个区域时会显示当前区域的具体数据，此时点击该地区会高亮该地点，并进入特定地区的分析模式，数据卡片，条形图和趋势图的数据都会切换为该选中地区的数据，最多支持同时选择5个地区。拖动地图右下方的图例也可以快速排除一些数据量过大或过小的地区。

右侧的条形图展示了当前筛选条件下各地区的具体排名，拖动右侧的滚动条可以展示更多地区。

如果不熟悉当前地图的地区，可以在右侧点击条形图，该地区会在地图中被高亮出来。用这个方法同样可以快速在地图中定位出表现最好和最差的地区。

趋势图中展示了一年十二个月中所选地区的数据表现趋势，如果未在分布图或条形图中选择任何地区，会展示当前国家/地区整体的数据，如选择了具体地区则可以看到特定地区的趋势，整体数据也会保留，方便进行对比分析。

如果在顶部菜单中选择了分月的时间节点，下方的数据卡片，地域分布图和条形图数据都会改为该月数据，在趋势图中会标出当前选择的具体月份，数据卡片中会展示上个月的对比数据。

 

4.7.3 模型定制

该模型的自定义模型条件提供了广告主/广告活动筛选的功能，并支持对监控的ASIN进行自定义，设定后将仅统计所设置ASIN的转化数据。

 

4.7.4 模型数据

地域分布分析模型主要基于用户的地理位置信息,通过与广告曝光、点击、转化等行为数据进行关联,统计不同地域范围内的各类广告指标。但由于地理位置数据的复杂性,在解读区域数据时需要注意以下两点:

• 区域内数据的代表性。受区域内样本量、统计周期等因素影响,特定区域的指标表现可能存在较大波动。因此在解读区域数据时,需充分考虑该区域样本的代表性,以免得出偏颇的结论，也可利用筛选功能排除一些样本量较小的地区再进行分析。
• 区域差异的成因复杂。地域间的广告效果差异,既可能源于不同地域用户的偏好特征差异,也可能受到区域市场环境、投放策略等因素的影响。在对比解读地域差异时,需审慎评估各类因素的影响,以更全面地指导优化策略的制定。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	州/地区	State	State or province of country
	广告主	Advertiser
	市场	Marketplace	Country
	时间节点	Time Node	Month
指标	广告花费	Total Cost
	曝光量	Impressions
	点击量	Click-throughs
	品牌搜索量	Branded Search
	广告触达人数（用户）	Reach UV
	点击人数（用户）	Click-throughs UV
	品牌搜索人数（用户）	Branded Search UV
	加购量	Total ATC
	加购人数（用户）	Total ATC UV
	详情页浏览量	Total DPV
	详情页浏览人数（用户）	Total DPV UV
	新客销售额	Total NTB Product Sales
	新客购买量	Total NTB Purchase
	新客购买人数（用户）	Total NTB Purchase UV
	销售额	Total Product Sales
	购买量	Total Purchase
	购买人数（用户）	Total Purchase UV
	点击率	CTR	Click-throughs/Impressions
	点击率（用户）	CTR UV	Click-throughs UV/Reach UV
	点击成本	eCPC	Total Cost/Click-throughs
	点击成本（用户）	eCPC UV	Total Cost/Click-throughs UV
	品牌搜索率	Branded Search Rate	Branded Search/Impressions
	品牌搜索率（用户）	Branded Search Rate UV	Branded Search UV/Reach UV
	品牌搜索成本	CPBS	Total Cost/Branded Search
	品牌搜索成本（用户）	CPBS UV	Total Cost/Branded Search UV
	千次曝光成本	eCPM	Total Cost/Impressions*1000
	加购率	Total ATCR	Total ATC/Impressions
	加购率（用户）	Total ATCR UV	Total ATC UV/Reach UV
	客单价	Total ATV	Total Product Sales/Total Purchase UV
	加购成本	Total CPATC	Total Cost/Total ATC
	加购成本（用户）	Total CPATC UV	Total Cost/Total ATC UV
	详情页浏览成本	Total CPDPV	Total Cost/Total DPV
	详情页浏览成本（用户）	Total CPDPV UV	Total Cost/Total DPV UV
	购买成本	Total CPP	Total Cost/Total Purchase
	购买成本（用户）	Total CPP UV	Total Cost/Total Purchase UV
	详情页浏览率	Total DPVR	Total DPV/Impressions
	详情页浏览率（用户）	Total DPVR UV	Total DPV UV/Reach UV
	新客购买成本	Total NTB CPP	Total Cost/Total NTB Purchase
	新客购买成本（用户）	Total NTB CPP UV	Total Cost/Total NTB Purchase UV
	新客转化率	Total NTB PR	Total NTB Purchase/Impressions
	新客转化率（用户）	Total NTB PR UV	Total NTB Purchase UV/Reach UV
	新客Total ROAS	Total NTB ROAS	Total NTB Product Sales/Total Cost
	转化率	Total PR	Total Purchase/Impressions
	转化率（用户）	Total PR UV	Total Purchase UV/Reach UV
	Total ROAS	Total ROAS	Total Product Sales/Total Cost

 

4.8 Multi-touch Attribution/多触点归因模型分析

4.8.1 模型介绍

多触点归因模型分析聚焦探究用户转化路径中不同广告触点的贡献度差异。通过采用不同的归因逻辑(如首次接触、最终接触、线性加权等)分配转化贡献,该模型可以帮助全面评估各类广告触点在促进转化中的作用,找出对转化影响最关键的触点组合,进而优化触点策略与预算分配,实现整体营销效率的提升。本模型内置多种主流归因模型,且支持灵活调整各类关键参数,可满足不同归因分析场景下的分析需求。

通过本模型可以分析以下业务问题：

• 除了亚马逊的基本归因模型之外，还有哪些归因模型可以帮助了解广告对转化的影响？
• 如何通过多触点归因（MTA）模型优化你的广告预算？
• 采取其他模型优化的广告预算会有怎样的预期结果？

 

4.8.2 模型解读

该模型主要由三个部分组成，第一部分为模型选择菜单，可以选择多达7个不同的归因模型。根据模型的选择结果，第二部分展示了根据所选归因模型，各广告事件的归因结果，并对比了亚马逊的默认归因。第三部分则更进一步，根据上一步的归因结果提供了预算优化的建议和结果预测。

在模型顶部菜单中，预定义模型为固定亚马逊用户，所有亚马逊广告类型以及店铺下所有ASIN，可以选择时间范围包含每个月的数据。除此之外，允许切换模型所归因的转化目标，购买或新客购买。

在归因模型选择模块,用户可从预置的主流归因模型库中选择一个归因模型,每个模型代表了一种特定的归因逻辑。不同归因逻辑对转化路径中各个触点的权重赋值不同,代表了不同的价值判断视角,多模型并存有助于更加客观全面地评估归因问题。

MTA共提供7个归因模型可以选择，具体如下，其中基于建模的两个模型是更推荐使用的。

归因模型	类型	说明
马尔科夫链	基于建模	通过多广告触点链路，计算从一个触点转移到另一个触点的概率，并根据移除某个触点后对转化率的影响程度，判断该触点对于转化的贡献。
夏普里值		基于合作博弈论，计算每个广告触点对于转化的边际贡献来衡量广告对转化的贡献。
最终触达	基于规则	将转化归因于用户最后一次接触的广告。
首次触达		将转化归因于用户首次接触的广告。
线性		将转化均等地归因于转化过程中接触的每个广告。
时间衰减		给接近转化时的广告触达更多的归因，反映了触达的时效性。
基于位置		特别重视首次和最终的广告触达，同时也考虑中间的触达。

基于所选的归因模型,归因结果概览模块将直观呈现各类广告触点的归因贡献分析结果。通过柱状图,用户可以一目了然地看到在当前归因逻辑下,每类触点的贡献占比及其与其他触点的差异。柱状图中左侧的柱代表亚马逊官方的归因结果，右侧的柱为所选归因模型的归因结果，通过对比结果，可以发现在亚马逊广告报表中数据表现一般的广告事件的潜在价值。点击下载按钮可以下载图表数据表格。

对于马尔科夫链的归因模型，额外提供了一个可交互的图表，图表中代表了一个用户在购买或未购买前可能经历的所有转化路径，每个圈代表一个广告事件触点，经过这个触点的用户代表已被这个广告事件触达。

通过点击不同的广告触点，会移除这个广告事件相关的转化路径，通过右侧的窗口可以看出移除了这个广告事件后整体的转化率的变化，从而计算出移除效应并进行广告事件归因。

在洞察各类触点的价值贡献后,用户可以进一步利用归因驱动的预算优化模块,查看优化的预算分配结果。这里会对比当前亚马逊广告账户在各个广告类型上的历史花费占比（所选时间范围内），并给出推荐的预算占比。

点击第二个标签页后是针对推荐的预算占比的结果预估，基于当前的优化预算分配方案,系统将量化模拟优化后的预期回报提升空间。包括各个广告类型的归因结果预测和总归因结果预测，如果柱子在坐标轴上方，代表预测归因结果上涨，反之则预测归因结果下降。由于广告最终的归因和表现受各方面因素影响，这里的预估结果仅供参考。点击下载按钮可以下载图表数据表格。

最下方的表格是对上方所有图表数据的总结，可以直接看到具体数据。

 

4.8.3 模型定制

该模型的自定义模型条件提供了按广告账号筛选的功能，并支持亚马逊购买数据洞察。下方的广告部分可进行广告分组的自定义。默认为按广告类型(DSP,SP,SB,SD)分别统计，也可选择自定义待归因事件，最多定义10个不同分组。

点击修改图标可以选择广告分组所包含的广告活动，注意单一广告分组只能包含同一广告类型下的广告活动。

在定义了广告分组后，在下方的归因模块可以设置归因事件，包括事件类型（曝光/点击）和回溯周期

• 归因事件决定模型判断一个广告分组对于转化产生影响的标准，当选定曝光时，分组的广告只要在转化发生之前有曝光即认为对转化有影响，进而计算归因。当选定点击时，分组的广告需要在转化发生之前有点击才认为对转化有影响，仅有曝光无点击不会计算归因。
• 回溯周期决定了选定的事件类型在转化发生前最长的有效影响时间，比如归因事件选择曝光，回溯周期选择14天，那么一个用户产生购买之前14天的广告分组曝光事件会计算归因，而超过购买前14天的广告事件则认为对购买没有影响，不计算归因。
• 当选择保持一致时，所有的广告事件都会采取同一种归因方式
• 当选择自定义时，可以为每个广告事件设置不同的归因方式

用户可以根据广告事件的性质来选择交互类型和回溯周期，偏向上层引流的广告事件更适合以曝光为交互类型和更长的回溯周期，偏向下层转化的广告事件则更适合以点击为交互类型和更短的回溯周期。

此外，该模型也支持对监控的ASIN进行自定义， 设定后将仅统计所设置ASIN的转化归因结果。

 

4.8.4 模型数据

多触点归因分析模型综合运用了广告触达、用户转化等多源数据,通过串联分析用户接触广告和产生转化行为的时序特征,量化不同广告接触对最终转化的贡献度。为了保证归因分析结果的可靠性,在归因数据的解读过程中,需要关注以下几点:

• 归因时间窗口的设置。归因时间窗口设置会显著影响归因分析结果。窗口设置过短,可能会遗漏一些较早期的关键接触点的贡献;而窗口设置过长,则可能掺入过多噪音数据。因此需要基于产品的购买决策周期、历史数据的规律等,审慎评估归因时间窗口的合理区间。
• 曝光/点击的处理。在归因分析时,需要思考如何计算用户被某类广告触达的方式。一般可以选择保持一致的曝光或点击的触达方式，也可以选择根据不同的广告类型的特点，为不同广告设置不同的触达交互方式。
• 线下接触的遗漏。当前归因分析方法主要捕捉线上可直接观测到的广告接触点,而对于线下场景的品牌接触(如用户看到了某个品牌的线下广告后再回到线上搜索购买),往往难以纳入归因体系。因此在解读归因结果时需要认识到其局限性,审慎评估线下因素的潜在影响。
• 外部因素的波动影响。营销环境中往往存在诸多不可控因素,例如竞品活动、节假日季节性等,都可能扰动归因分析结果。因此在对比分析不同时期的归因结果时,需要考察这些外部因素是否发生显著变化,适当对营销环境做一定控制。
• 归因模型应用的评估优化。归因分析的目的是优化营销决策,提升ROAS。预算优化的数据基于用户设置的归因逻辑和模型给出，因此在归因分析后,还需要测试真实的广告评估归因预算优化带来的实际效果提升,并以此为基础不断调优归因逻辑和分析参数,确保归因分析持续产生价值。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	待归因事件	Event	Impression or click that attributon model
	广告账号	Ads Account	The account used for managing and executing advertising campaigns.
	归因模型	Model	The algorithm or method used to attribute conversions or other desired outcomes to specific events or touchpoints.
	目标	Goal	The primary objective or result that an advertising campaign aims to achieve.
	归因	Attribution	The process of assigning credit to different marketing touchpoints for their role in achieving the campaign goals.
指标	购买量	Total Purchase	The total number of purchases made as a result of the advertising campaign.
	新客购买量	Total NTB Purchase	The total number of purchases made by new-to-brand (NTB) customers, indicating first-time buyers influenced by the campaign.
	实际花费	Actual Cost	The total expenditure on the advertising campaign.
	建议预算	Suggest Budget	The recommended budget allocation for future advertising efforts, based on past performance and future goals.
	预估效果变化	Forecast Result Change	The predicted change in campaign performance metrics as a result of proposed adjustments or ongoing trends.

 

4.9 Customer Lifetime Value/顾客生命周期分析

4.9.1 模型介绍

顾客生命周期分析模型聚焦于从长期视角评估单个客户贡献的总体价值。通过分析用户从首次接触品牌到流失的整体购买行为,该模型可以帮助评估单个用户对品牌创造的总价值(CLV), 一般来说，品牌希望客户提供的价值（CLV）远高于获取一个客户的成本（CAC）。

通过本模型可以分析以下业务问题：

• 当前品牌/产品的长期盈利水平如何？
• 如何衡量品牌/产品下不同时间周期的顾客的未来购买潜力？
• 需要多久时间才能从过去的顾客身上收回广告成本？

 

4.9.2 模型解读

该模型主要由两个部分组成，第一个部分展示了总体的顾客生命周期情况，第二个部分展示了分月度的顾客生命周期以及其他指标的情况，并提供了回收成本的定位器。

在预定义模型中，可以选择的只有时间范围，并且固定为一年的数据周期

总览部分包含所选时间内总体的指标卡片，和顾客在购买后每月的整体LTV，ROAS趋势图。

这里提供了获客成本的辅助线，如果某个时间内的蓝色柱状图高于这条线，代表每个用户平均贡献的销售额超过了平均的获客成本。

月度细分部分呈现了过去一年中，不同自然月进行购买的顾客，随时间推移在后续每个月的购买行为相关数据。其中距离现在最远的月份，数据越多，距离现在越近的月份，数据越少。根据最下方的平均值，我们可以对全年的趋势进行预估。

这里上方的卡片可以进行交互，点击选择展示的指标。获客成本的指标为固定值，不可选择，在表格左侧作为数据参考。热力图右上角的累计值开关可以决定模型每月的数据是否为累计值。

通过数据，以及热力图中卡片颜色的趋势，横向可以发现某些月份购买的顾客的表现要好/差于其他月份，纵向可以观察到在购买后的固定时间后，用户有固定的复购行为。

点击右上方的筛选项可以设置成本回收定位器，打开开关后会在热力图中标注出不同自然月的顾客在购买的第几个自然月后收回了广告成本，这里可以自定义品牌/产品的利润率计算实际的利润，进而获知实际广告成本回收的时间。

图表主要展现了在特定月份内发生购买行为的用户及其后续的购买行为。"获客月份" 列表示用户首次购买的月份。从横轴的 "首次购买" 到 "首次购买当月" 再到 "第2月"，"第3月" 等，展示了这些用户的持续购买行为。

• "首次购买" 指的是用户首次下单时的数据
• "首次购买当月" 反映了这些用户在首次下单的同一月份内的额外购买（因为有些用户可能在首月多次购买）。
• "第2月," "第3月" 等则展示了这些用户在之后各个月的购买数据。

4.9.3 模型定制

该模型的自定义模型条件提供了按广告账号/广告类型/广告活动筛选的功能，从而了解某个具体的广告类型/广告活动的数据情况，并且支持亚马逊购买数据洞察以扩充非广告触达流量数据。此外，也可以对顾客购买的具体ASIN进行定义，仅统计针对部分商品的购买行为数据。

由于CLV模型需要足够长时间的数据周期，自定义模型的时间范围需要选择大于180天的才可以创建。

 

4.9.4 模型数据

本模型数据的重要组成部分：LTV，在衡量广告营销效果方面，对比ROAS该指标有以下特点

• LTV关注客户的长期价值，而ROAS衡量特定广告活动的短期影响。这意味着CLTV能够为品牌提供一个随时间变化的更全面的视角。
• ROAS只考虑广告直接带来的收入和转化，而LTV同时考虑了广告直接带来的转化和非广告带来的转化，从而全面反映用户的整个购买历程。
• LTV考虑了客户的重复购买行为，以及围绕品牌光环购买其他产品的潜力，而ROAS只考虑初次销售产生的收入。
• LTV提供了一个更准确的盈利能力衡量指标，它考虑了获取客户的成本、保留客户的成本，以及像生产费用和运输费用等长期发生的固定成本。相比之下，ROAS没有考虑获客成本，可能导致盈利能力计算不准确。
• LTV可以支持更有针对性的广告策略，侧重于客户保留和忠诚度，从而随着时间的推移带来更高的利润。

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	首次购买	First Purchase
	获客月	Acquisition Month
	第X月	Xth Month
	广告账号	Ads Account
	利润率	Operating Margin
指标	广告花费	Total Cost
	购买人数（用户）	Purchase UV
	复购人数（用户）	Repeat Purchase UV
	销售额	Total Product Sales
	复购销售额	Repeat Sales
	客户生命周期价值	LTV	Total Sales/Purchase UV
	获客成本	CAC	Total Cost/Purchase UV
	ROAS	ROAS	Total Product Sales/Total Cost
	复购率	RPR	Repeat Purchase UV/Purchase UV

 

4.10 Search Term Analysis/搜索词分析

4.10.1 模型介绍

搜索词分析模型通过多维度的分析用户在转化过程中进行的搜索行为，评估搜索不同内容用户的表现，深入地了解搜索内容与转化行为的关联，从而找到潜在的搜索词加入广告定向策略。

通过本模型可以分析以下业务问题：

• 购买品牌产品的用户会进行哪些搜索行为，在不同广告位上广告的展示情况和表现如何？
• 搜索某个特定内容的用户还会进行哪些其他内容的搜索？

 

4.10.2 模型解读

该模型主要由两个模块组成，第一个部分记录了搜索特定内容用户的流量数据与他们的转化行为数据，第二个部分展示了搜索词之间的关联关系，即有哪些词会常被同一个用户先后搜索。

在预定义模型中，可以选择时间范围，固定为一个月的数据周期，其次可以选择报告的搜索词类型，是关键词或是商品定向。模型默认的回溯周期，即搜索行为和转化行为之间的间隔默认为一天。

除此之外，这里还可以根据广告位进行筛选，查看搜索特定内容用户在不同广告位下触达的转化表现。

在默认指标的坐标轴上，越靠近右上角的气泡代表的搜索词表现越好，结合数据筛选器进行筛选后，可以更好的排除一些数据量较少的长尾词，找出核心的搜索词。

4.10.3 模型定制

对比亚马逊搜索词报告，AMC数据提供了精确到ASIN浏览/加购/出单的搜索词报告，也就是说，消费者是搜索了哪些词找到这个产品的，一连串的搜索行为都可以清晰查看，而不仅仅是点击过的某个关键词的广告。

例如，对于某个潜力ASIN，由于此前广告投放较少，未充分进行关键词的测试，导致初期无法确定合适的长尾词进行精确投放。借助AMC搜索词报告，可以直接看到购买过该ASIN的用户曾搜索过哪些词，从而快速精准的找到高潜力长尾词，大幅缩短测试周期。

4.10.4 模型数据

术语汇编

类型	术语（中文）	术语（英文）	描述
维度	搜索词	Search Term	Content entered by Amazon users in the search box
	投放类型	Targeting	Keywords, ASIN, or product categories targeted in ad settings
	定向匹配类型	Match type	Matching rules of targeting in ad settings
	广告位	Placement	Ad placements in different positions on Amazon
	关联搜索	Related Search	Search terms a user searches simultaneously
指标	曝光量	Impressions	Number of impression event.
	搜索人数（用户）	Search UV	Deduplicate number of searched user.
	关联搜索人数（用户）	Total Correlation UV	Number of users that searched both search terms.
	点击量	Click-throughs	Number of click event.
	点击人数（用户）	Click-throughs UV	Deduplicate number of click user.
	详情页浏览量	Total DPV	Number of add to detailed page view event.
	详情页浏览人数（用户）	Total DPV UV	Deduplicate number of DPV user.
	加购量	Total ATC	Number of add to cart event.
	加购人数（用户）	Total ATC UV	Deduplicate number of ATC user.
	购买量	Total Purchase
	购买人数（用户）	Total Purchase UV	Deduplicate number of purchase user.
	新客购买量	Total NTB Purchase
	新客购买人数（用户）	Total NTB Purchase UV
	销售额	Total Product Sales
	新客销售额	Total NTB Product Sales
	点击率	CTR	total_click/total_impression
	点击率（用户）	CTR UV	total_click_uv/impression_uv
	详情页浏览率	Total DPVR	total_dpv/total_impression
	详情页浏览率（用户）	Total DPVR UV	dpv_uv/impression_uv
	加购率	Total ATCR	total_atc/total_impression
	加购率（用户）	Total ATCR UV	atc_uv/impression_uv
	新客转化率	Total NTB PR	total_purchase_ntb/total_impression
	新客转化率（用户）	Total NTB PR UV	purchase_uv_ntb/impression_uv
	曝光转化率	Total PR	total_purchase/total_impression
	曝光转化率（用户）	Total PR UV	purchase_uv/impression_uv
	客单价	Total ATV	total_product_sales/purchase_uv

 

4.11 New-to-Brand Analysis/新客购买分析

4.11.1 模型介绍

新客购买分析模型聚焦于在指定时间范围内分析各商品（ASIN）的新客购买数量及占比，帮助卖家评估商品销售和广告带来新顾客的效果。通过该模型，您可以直观了解在整体销售中新顾客与老顾客所占比例，从而深入洞察品牌获客效率和顾客复购行为。模型支持按时间范围、广告活动、ASIN等条件筛选或定制分析。

业务分析场景示例：

• 总体上有多少独立购买顾客是新客？多少是老客？两类顾客各自的购买贡献有多大？

• 不同产品的新客购买占比分别是多少，整体呈现怎样的趋势？

• 不同广告类型或广告活动的新客占比有何差异？哪些广告带来的新客数量最大？

通过以上问题，卖家可以评估自身广告投放的拉新能力以及各商品对新客的吸引程度，为广告策略和选品优化提供数据支撑。

 

4.11.2 模型解读

本模型的报告页面包括“ASIN转化”和“广告归因”两个模块（页签）。顶部提供关键指标卡片，对选定时间范围内的总体表现进行概览：包括总购买人数、总订单量、总购买件数和总销售额，并分别给出其中新客部分的数值和占比，以及老客部分的数值。这些指标定义详见下文“模型数据”部分的指标表。

ASIN转化页面：该视图侧重于不同商品的购买转化表现，展示各ASIN所吸引的新客和老客情况。页面上部的指标卡片显示总体数据，下方支持“比例”和“趋势”两种图表视图切换（见下图示例）。在“比例”视图下，系统会生成各ASIN的指标值排行 (条形图)，按所选指标对ASIN排序，默认展示前50名ASIN，其余ASIN汇总为“其他”；同时配有一个环形图（饼图）展示该指标在前10名ASIN之间的占比构成。通过比例视图，可以直观了解主要产品对新客获取或销售的贡献占比。

在“趋势”视图下，系统会将所选指标按时间维度（按月）展示走势 (折线图或柱状图)，帮助您了解新客和老客随时间的变化趋势。例如，您可以观察某商品新客购买人数随着月份的增长或下降趋势。

上述比例视图中，您还可以通过页面上的下拉菜单切换查看不同数据类型的占比情况，包括新客、老客或总计。例如，选择“新客”则环形图会突出各ASIN的新客销售占比；选择“老客”则展示各ASIN的老客销售占比。若未对特定ASIN进行筛选，环形图默认展示当前所选指标下排名前十的ASIN数值占比，以及“其他”汇总占比；

如果筛选了单个ASIN，则环形图将该ASIN的新客与老客值进行对比。

需要注意，当新顾客首次购买时可能会在一个订单中选购多个不同ASIN，因此各ASIN的新客占比数据会存在重叠，一个顾客可能同时算入多个ASIN的新客统计中。因此饼图中各ASIN的新客份额总和可能超过100%，总“购买人数”在饼图中可能大于实际购买人数。这属于正常现象，数据仅供参考，切勿将不同ASIN的份额视为相互独立的比例来机械相加解读。

此外，在ASIN转化页面下方通常还会有一个按ASIN列出的明细表格，涵盖各ASIN的新客/老客相关指标（例如购买人数、购买量、销售额等）。如果您已授权绑定了SP-API，那么该表格中会显示每个ASIN对应的商品图片和标题，方便您识别商品。

广告归因页面：该视图专注于广告层面的新客转化分析，仅统计与广告直接相关的转化数据。与ASIN转化类似，顶部同样提供总体指标卡片供概览，但数据范围限定为通过广告活动获得的转化。下方图表部分支持按“广告类型”或“广告活动”查看：您可以通过切换维度来分析不同广告渠道（如SP、SB、SD、DSP）或具体广告活动的新客贡献度和转化效果。在“比例”视图下，系统以条形图和饼图呈现各广告类型/活动所带来的新客或老客占比情况；

在“趋势”视图下，则展示广告转化随时间的趋势变化。

需要说明的是，ASIN转化页面的数据源包含了所有转化（既包括亚马逊广告归因内的转化，也包括未在归因窗口内但曾接触广告的转化，以及完全自然的转化）。这意味着ASIN转化视图提供的是新客和老客的总体表现，能够综合反映广告直接和间接带来的购买效果；而广告归因页面则仅包含依据亚马逊广告归因规则所记入的转化（如SP广告点击7天内、SD/SB广告点击或曝光14天内的转化）。如果您希望单独分析广告直接带来的新客转化效果，可以着重查看广告归因页面的数据。两种视图结合使用，有助于您区分广告带来的直接转化和自然转化，在制定营销策略时做到心中有数。

典型分析与应用建议：

• 提升拉新投放：对于新客占比高的商品（ASIN），说明该产品对首次购买客户具有强吸引力，您可以考虑增加对此商品的广告投入以获取更多新顾客。例如，如果ASIN A贡献了全店35%的新客销售，而ASIN B仅占5%，则可以优先加大对ASIN A的推广投入，以加速新客获取。

• 优化广告策略：关注新客占比高的广告活动或广告类型。这类活动在拓展新客户方面表现出色，建议在预算分配时予以倾斜。例如，“广告活动M带来的订单中有80%来自新客，而活动N只有40%，”那么M在获取新客方面更有效，应在旺季营销时重点投入。同时，定期比较不同广告的NTB表现，停掉那些新客占比较低且表现不佳的投放，将资源投入更有效的渠道。

• 促进顾客忠诚：分析老客购买占比较高的商品或广告活动。这通常说明该商品复购率高、顾客忠诚度强。针对这类商品，您可以考虑推出订阅、会员折扣或老顾客专享活动来进一步提升复购。例如，如果ASIN C有70%的销售来自老顾客，那么它非常适合通过忠诚计划或捆绑销售来深度经营这批忠实客户。对于老客占比高的广告活动，可以加大此类再营销/定向广告的投入，巩固现有客户群体的长期价值。

• 改善低复购产品策略：对于销量高但老客占比很低的商品，说明很多顾客购买一次后没有再次购买。可能原因是商品是一次性需求或客户忠诚度不强。这种情况下，您可以考虑优化产品品质或客服体验，或通过email营销、再营销广告等手段提醒顾客回购，提升老客户占比。同时，这类商品或许更适合用于拉新（首次购买折扣等），但需搭配其他策略提高复购率。

 

4.11.3 模型定制

新客购买分析模型支持用户根据自身需求定制分析条件，从而生成个性化的模型报告。您可以通过点击“定义模型条件”进入自定义设置页面，并按需调整以下参数：

• 时间范围：可选择自定义的起始日期和结束日期范围，最长支持近13个月（约390天）的数据区间。默认情况下，预置模型拉取的是上个月起往前一年的数据；在自定义模型中，您可以缩小或扩大时间范围（不超过一年），以分析特定周期的表现。例如，您可以选择最近3个月的数据以关注当季的拉新效果。请注意，AMC仅存储最近1年的数据，因此时间范围超过1年将无法获取更久之前的数据。

• 数据范围：可以选择是否包含亚马逊购物洞察(FSI)数据。默认选项为“仅含广告触达用户的数据”，即仅统计在购买前28天内曾被您的广告曝光过的用户产生的购买转化。如果勾选包含FSI数据（亚马逊付费功能），则报告将同时覆盖所有该时间段内的品牌购买数据，包括未经过任何广告触达的纯自然转化。这在以下场景特别有用：当您的品牌有大量自然流量转化（非广告直接带来的销售）或购买决策周期较长（超出广告归因窗口）时，启用FSI数据可以捕捉到这些未被广告直接归因的转化。

• 监控商品：可选择分析特定的商品集合。在模型条件中，默认设置为“所有商品”。您可以通过输入ASIN来自定义商品范围，只统计这些商品的相关数据。例如，选定几款核心商品比较其新客占比。

设置好以上条件后，您可以保存为新的自定义模型。模型执行会有一定延迟：AMC需要根据您设定的条件查询数据，可能耗时数分钟到数小时不等（通常不超过24小时，即状态从“查询中”到“已完成”）。查询完成后，您即可在“我的模型”列表中打开该模型，查看与预置模型相同格式的可视化报告，只不过数据是基于您自定义的条件。自定义模型创建后无法直接修改条件，但您可以在查看结果的基础上点击“另存为新模型”复制一份并调整参数，进行进一步分析。

4.11.4 模型数据

新客与老客定义：模型依据亚马逊标准的“New-to-Brand”规则判断新老顾客身份，即以每笔购买发生时向前回溯365天作为窗口。如果该顾客在过去365天内没有购买过您品牌的任何ASIN，则此次购买计为“新客”贡献；反之，如果顾客在过去一年内买过您品牌商品，此次属于再次购买，则归为“老客”。值得一提的是，判断新老客是基于品牌维度，与具体购买哪个ASIN无关。例如，某用户去年买过您品牌的ASIN X，今年又来购买了ASIN Y，那么即使ASIN Y是这位用户首次购买，该用户也被视为老客，其购买计入老客数据中。另外，同一用户在模型统计期内既可能是新客又成为老客：例如一位顾客第一次购买品牌产品时被统计为新客，此后在统计期内该顾客再次购买则作为老客统计。因此，新客人数与老客人数之和可能大于总购买人数（因重复购买的老客也曾是新客），这是正常现象，在解读数据时应考虑这种重复计数的情况。

指标口径说明：新客购买分析模型按子ASIN维度统计数据。目前报告不提供父ASIN层级聚合，原因是涉及独立购买人数的指标无法简单汇总：不同ASIN的购买人数相加往往会超过该父ASIN的唯一购买人数（因为同一顾客可能购买多个子ASIN）。因此模型以子ASIN作为最细粒度，相关指标的总计会在全选所有ASIN时给出品牌总体值。

需要注意，模型中的ASIN指的是实际被购买的商品，而非广告所推广的商品。例如，如果您投放广告推广ASIN A，但顾客点击后购买了ASIN B，那么该转化将在本模型中计入ASIN B的业绩中。这样可以更准确地衡量每个ASIN真正带来的新客和销售情况。

术语汇编