案例分析！如何用AMC预判品牌投入带来的销售额？

案例一

客户遇到的挑战：

1、卖家在亚马逊广告上的业务增长迅猛，但是品牌溢价空间不大，容易陷入价格战；

2、认可展示型推广广告和视频广告能长久建立用户认知，但对效果存在疑虑；

3、客户自己的SA广告投放团队遇到了瓶颈，期待新的广告策略和工具带来增量。

| AMC提供可信的广告效果归因分析报告

通过AMC的模型数据，能清楚看到：

1、在展示型推广广告和流媒体视频广告的共同推动下，DPVR（商品详情页转化率）对比只用展示型推广广告提高了37% ，对比只用流媒体视频广告提高了101%。在Purchase Rate（购买率维度）上，对比只用展示型推广广告提高了11%，对比只用流媒体视频广告提高了54%。

2、客户被站内搜索广告和展示型推广广告同时触达后，对比仅被搜索广告触达，购买率接近2倍增长，而对比仅被展示型推广广告触达，购买率接近4倍增长。这也说明，展示型推广广告与SP广告之间存在协同作用，且展示型推广广告对于SP的转化有促进作用。

| 利用AMC提供的小时级广告数据，持续调整广告策略

通过AMC报告分时段数据发现，在9:00AM到12:00PM这段时间的前后，CPC是较低的，ROAS是比较高的，而在该时间段内这两个数值都不是特别理想。同时我们用关键词搜索份额（Share of Voice）工具可以看到，该时段是竞争对手大量集中投放的高峰时段。

于是我们做了如下的策略调整：

1、避开竞品投放高峰时期，加大在上午8:00前以及下午12:00之后的投放；

2、在销售和转化率俱佳的傍晚时分，通过系统里的关键词加速功能，也就是加大对好的广告位的抢夺，以及更加激进的投放策略进行投放，达到用户心智占领和提升市场份额的作用。

案例二

客户遇到的困难：

|如何通过AMC预判品牌投入带来的销售额？

我们知道在亚马逊广告用户界面中，通过归因周期，可以清晰得知客户在和DSP广告交互后两周内进行的购买行为，但无法了解客户首次购买后是否进行了复购，以及相关表现。

为了解决这个问题，我们通过一系列自定义查询以及数据建模，生成了用户的LTV（LifeTime Value）用户价值模型。例如Prime用户的购买力就比非Prime用户的购买力强，因此Prime用户的LTV就会更高。

接下来，当我们计算出了LTV数据之后，结合这个公式来预估GMV：

总预估GMV = 新客平均客单（AOV）+ 新客全生命周期客单 （ LTV ）+ 重购客户平均客单（ AOV ） - 流失客户平均客单（ AOV ）

简单来说，就是新客的价值+新客的全生命周期的价值+老客的价值-流失客户的价值。通过获新和留存的数据模型来预估GMV。

我们把这个模型应用在一个品牌上，去衡量通过品牌投入，这种NTB（New To Brand）的广告活动到底能为品牌在将来12个月里带来多少GMV。

我们知道DSP广告是基于流量漏斗模型的，在每个模型里，我们可以定义一系列的数据指标去衡量广告投放的有效性。我们把搜索、曝光、点击、加购等单独列出来，对于每一个投放的广告活动，都能清晰获得其重复购买用户和NTB（品牌带来的新客户）数据。

然后我们结合过去12个月平均订单金额和客户留存率，通过不同流量、不同渠道、不同触点的NTB客户进行加总计算，就能有效预估品牌广告投放带来的新客户所带来的GMV。

更重要的是，我们可以细化到广告策略的层级，站在整个品牌及生意的维度，从整体广告策略的搭建、店铺生意表现、全渠道广告表现以及市场大盘数据来全面分析，去确定什么样的媒体和工具更有效、能获得良好的ROI，以优化未来的品牌增长。

AMC通过马尔科夫、首次归因、线性归因、自定义归因等模型对购物行为、转化路径、广告交互、用户价值、品牌词搜索、人群地域、广告分时等维度进行分析，清晰展现整个用户转化路径上不同广告的触达顺序和表现，量化每个触点，每个广告活动的贡献价值。

品牌卖家结合数据可自定义建模计算广告触点权重，通过“移除效应”研究不同变量对广告活动影响，找到最佳触点权重分配和广告组合方式来进行预算分配，实现广告活动效果的最大化。