广告转化率翻三倍？AMC人群效果竟恐怖如斯？
353
想系统掌握亚马逊广告的投放逻辑与底层闭环？
上篇文章讲了AMC人群的基本逻辑，今天我带着测试出的数据和结论来跟大家好好讲讲AMC；
其实严谨点来说标题中的转化率翻3倍这样的描述是不准确的，因为在我创建的几十条AMC人群测试组中也会出现一些转化率翻10倍，甚至最高有翻32倍的转化率表现，但这样的数据有点超出了我的认知，而且应该也不具有普适性，但无论怎么说测试的AMC人群的转化率表现提高2倍3倍的情况比比皆是；
在我看到AMC的测试结果之后，我的第一反应是：艹！艹！艹！
这里请大家原谅我的粗口，因为我的最初想法是AMC人群的效果应该会比较好，但没想到竟然有这么好！完全超出我的预期，先不多说，我贴一部分数据给大家看看：
AMC人群转化率67%，总转化率只有39.7%
AMC人群转化率94%，总转化率只有47.5%
数据更离谱，转化率162%！说明AMC人群中有大量的客户点了一次并且在广告归因期内买了好几单
大家可以完全可以自己手动算算，上面是AMC人群特定渠道的数据，下面的All Shopper是包含了上面AMC人群的总数据。（可以看到我的人群溢价给的很高，是因为我在测试的过程中偶尔会遇到溢价给的少了没流量，但是溢价给的很高之后似乎也并不会花那么多钱，有点奇怪，背后的逻辑我还在研究中。）
我完全能想象大家看完这个数据是什么表情，因为我在第一眼看到这个数据时的表情和大家是一样的，那种感觉就像是烧火棍遇到了原子弹，完全是被碾压的数据表现。
有了AMC人群的赋能，很多因为ACoS太高而关掉的广告感觉还能再抢救一下，不，应该是直接从ICU拉到了夜总会。
这个功能真的太重要了，所以今天我就来跟大家好好分析总结一下AMC人群该怎么用。
目录：
一、AMC人群的类型及背后逻辑
二、创建AMC人群的注意事项
三、一些比较成熟的AMC玩法
四、AMC案例分析
五、广告未来趋势的分析
一、AMC人群的类型及背后逻辑
AMC能创建两类人群：相似人群和基于规则的人群
相似人群：根据我们选定的条件(例如已购买)，再选择特定的ASIN，选定的人群即已购买过这些特定ASIN的人群，然后亚马逊会分析这些购买过我们产品的人群有哪些共同的特点/人群标签，找到人群标签的规律后再将再去找一波全新的和这些人群相似的新人群，此时我们广告投放的AMC人群对象就是这些拓出来的新人群；
举个例子就是假设买过我产品的客户是A，亚马逊会分析这个客户A有哪些特点，例如如30-40岁、男性、喜欢电子产品、有房有车等等，最终会有一个较为清晰的人群画像出来，亚马逊再去市场上找符合这个人群画像的其他新客户们，这些新客户们就是我们要投广告的AMC人群。
图片来源：Xmars
基于规则的人群：我们选定条件筛选出来人群直接作为我们要投广告的AMC人群
举个例子假设我选定了详情页浏览，我们就会直接给这些浏览过详情页的人群投广告；
如果我要促使那些加购人群尽快完成下单，那就需要选定“已加购未购买人群”，具体设置为选定加购人群，同时要排除掉已经购买过的人群，如下图：
图片来源：Xmars
二、创建AMC人群的注意事项
1. 相似人群的相似度选择
相似人群的相似度有五个等级，从最相似到最广泛，相似度依次降低，但是覆盖的人群量级会逐渐增大
最相似效果最好，但是人群量级最小，可如果这个量级最小的人群体量就已经能够满足需要，我们就没必要去用其他相似度更差的人群了，至于广泛和最广泛这两个人群，我更是从来没想过要用，因为投AMC人群广告的目的就是为了寻找更精准的人群以此来提升广告转化，人群如果都不精准，效果不能得到保证，量级再大那又有啥用呢？
2. 人群数据时间段的选择
AMC也可以选择特定时间段内的人群，关于时间段相似人群和基于规则的人群要分开讨论：
相似人群
相似人群的目的是为了找到最准确最符合你的需求的人群标签以此来拓新客，
如何能让亚马逊帮你找到最准确的人群标签呢，那就需要给亚马逊大量的数据，此时选择的时间段越长越好，针对老品我都是直接选择过去一年的数据，或许更长时间的数据效果更好，但我认为过去一年的数据已经足够了，有机会大家也可以试试更长的时间段；
新品没有那么多的历史购买数据，那就有多长时间就选多长，如果数据量实在太少，那就建议先不要创建AMC人群，等到产品从推广期进入到稳定期之后再应用产生的历史数据作为AMC的人群基础, 根据个人经验一般100W左右的人群量级是够用的；
时间段选择也不一定都是越长越好。当我们对产品改款，升级迭代，Listing的内容风格发生了大的改动，以及调整价格幅度太大时，总之就是产品变化前后购买我们产品的可能不是同一拨人了，受众的人群标签预计会发生大的变化时，我们就不再适合选择之前那些老旧的历史数据，就得老老实实的从零开始积累；
对于我们卖家的影响就是以后产品在上架之前就要十分明确自己的产品定位，确定好受众，后续只能小改，如果要大改还不如直接新上一条链接；
基于规则的人群
基于规则的人群由于都是我们已经触达过的人群，我们无论对这些人做什么广告动作，理论上来说都算作是再营销，都是让为了这些人尽快下单，那如果客户已经下单了或者已经远超出正常的时间都还没下单（或许已经买了其他竞品），这些都不是我们想要的人群，所以在创建这些再营销人群时一个是要排除掉已购买人群，另一个就是选择一个合适的时间长度，什么叫合适的时间长度,可以结合Xmars提供的转化时间分析报告来判断。
比如上图的产品95%顾客都会在30天内购买，那我们的时间段天数就不宜超过过去30天，如果再花大量的成本去触达那5%的边缘客户，那钱就花在刀把上了。
所有的再营销广告都有一个共通的问题：需要足够大的首次触达过的人群基数。你都没有首次触达过客户，哪来的人群给你“再”营销呢？
所以我们在设置基于规则的AMC人群时，不能把所有预算都集中在AMC人群上，这样子会导致流量开口没有打开，流量越来越少，预算都花不出去，那些未触达过的潜在购买人群就会被挡在外面，至少要和常规的非AMC广告或者和相似人群的AMC人群搭配使用才行；
或者有一个简单的办法，我们广告还是正常给Bid，但是给基于规则的AMC人群额外的溢价，这样拉新人群和再营销人群的数据就都有了。
三、 一些比较成熟的AMC人群玩法
目前测出来一些结果不错的AMC人群：
相似人群——已加购人群
相似人群——已购买过人群
相似人群——订购省人群
相似人群可以和任何SP广告相结合，不用担心流量入口越来越小，用低Bid+高人群溢价的方式可以确保流量全部都投给AMC人群；
已购买人群转化效果极好，很容易达到比之前翻倍的转化率提升；
订购省人群是一种条件更为苛刻的购买，如果为了提高订购省的人群基数，可以结合此人群+订购省折扣，并同时监测订购省订单数量以确保策略有效性；
已加购人群虽然不能直接和购买划等号，但如果产品类目购物决策周期短（根据AMC报告来确定），可以近似的算作购买人群，即使没有发生购买至少也是高购买意向客户，而且人群量级比购买量级更大,已加购人群一般会包含已购买人群，当已购买人群量级无法满足需求时可以尝试此人群
基于规则的人群——DPV浏览再营销
基于规则的人群——ATC加购再营销
基于规则的人群——Purchased复购
同样是再营销/复购，SD广告用VCPM形式去投人群数据会失真，且由于广告机制其中会包含大量的自然订单，导致ACoS看起来不正常的低，但是SP广告基于点击付费，引流的成本更真实，但缺点是SP广告不能像SD广告那样跟着人群移动，只有当客户再一次来搜关键词的时候才能触发；
投再营销人群时需要排除掉购买人群，否则客户都已经下单了还给他投什么广告啊，这一点也是SP-AMC能做到，但SD做不到，SD的浏览再营销无法排除掉已购买人群。
四、AMC人群案例分析
案例分析1：核心大词AMC人群效果对比测试(基于规则的人群)
结论：
AMC人群确实有效，对比非AMC人群数据转化率更高；
使用基于规则的AMC人群时，需要在大流量池中切小人群， "ASIN""已加购未购买" 两个条件的交集已经是一个小人群，核心大词+Exact算是小流量池，小流量池+小人群跑不出多少数据。就不如核心大词+Broad这个大流量池出单效果好（懒得画韦恩图了，大家明白意思就行）；
另一个角度：消费者都已经加购了，这部分人群对整个类目的产品有已经一定认知，需求相对会比较明确，也基本不会再去搜索核心大词这种需求比较宽泛的核心大词，反倒是会搜那些核心词拓展出来的长尾词;
基于规则的AMC人群都是已经被我们产品触达过的人群，那些未触达过的潜在购买用户会被排除在外，所以即使AMC人群效果更好也不能把广告全部换成AMC人群，AMC人群只适合做额外补充，不能完全替换之前的常规广告.
案例分析2：相似人群(最相似)——已购买人群测试
结论：常规广告结合相似人群——已购买人群 是可行的，但不可避免会损失掉非AMC人群的单量，所以AMC人群最好的使用方式是在基础数据投入产出可接受的前提下，额外给AMC人群溢价，通过AMC的低出单成本平衡整体的投入产出；
目前尝试了比较好的用法包括:
Low Bid+AMC-购买相似人群：遇到AMC人群时溢价变成一个正常的自动组（比非AMC人群自动组效果更好（就是常规的普通自动组）），没有遇到AMC人群时自动变为低价捡漏组，这样的好处是自动组始终处于低ACoS的状态，同时兼具正常自动组跑泛流量的需求，但是不能完全替代常规自动组，否则会有订单的损失（未在购买人群标签里的一些潜在客户）
所有常规广告+AMC-购买相似人群：所有常规广告Bid正常给，然后额外对AMC购买相似人群进行额外溢价，不影响常规广告功能外，还能让AMC人群均衡整体出单成本，优化ACoS
如果预算远远不够覆盖全天，那就可以极端点：常规广告Bid降低到跑不出去数据，再额外给AMC人群溢价，溢价比例需要确保AMC人群实际出价能达到常规水平Bid水平，此时你的所有广告就都会只投给AMC人群。
五、AMC广告未来趋势的变化
目前AMC功能由于信息差还属于红利期，但好用有效的东西大家迟早也会用上，流量竞争会变得更激烈，由于转化很高，大家能接受的CPC也会变高，虽然大家都主要会给自己的“专属”流量增加CPC，但这样做的卖家多了之后，客观上会推高整个平台的流量成本，我已经能想象以后5刀、10刀的CPC满天飞了。
AMC这东西就跟核武器一样，大家都有和大家都没有都是一样的，结果一样都是卷。
以上，祝大家变得更强。
既然都看到这里了，给大家来个彩蛋吧——B2B广告位置溢价
亚马逊也更新了B2B广告位置溢价，这个玩法跟以前常规的 placement位置溢价差不多，都是结合基础Bid+位置溢价之间的配合来控制广告最终出现的位置，只不过这个B端位置比较特殊，只有用B2B企业购的买家账户才能看到的专属的广告位，所以如果产品有较强的B端属性，这个功能就可以用起来，使用方法和AMC人群溢价差不多，区别就是一个是针对人群，一个是针对位置的，这里我也懒得贴数据了，直接给结论：
1. 具有B2B属性的产品广告中的B端位置转化率基本都要高于C端位置，ACoS如果表现不突出也只是因为CPC太高的缘故，出现的个别B端转化更低的情况不确定是否是偶然（但也只是略低，至少是差不多持平的）；
2. 通过B端出单占比可以看出C端依旧有大量订单，这部分不能放弃，所以最好的方式是不断通过降低Bid的方式优化C端ACoS，通过增加位置溢价方式增加B端出单；
3. 可能是由于B端专属广告位置少的原因，导致我们实际要给的溢价会很高才会有足够的数据，虽然B端广告位和AMC效果类似，经常能让转化翻个2-3倍，但是溢价比例不能无限加高，否则即使B端转化高也覆盖不了高CPC的影响，反而会导致ACoS变得更差（因为真有可能以一个极高的CPC发生点击，别问我怎么知道的...）。
最后提一点：可能会有人问，位置溢价、B端位置溢价、AMC人群溢价，这三个溢价功能我能不能结合起来用？ 当然没问题，但是这三个溢价可是相乘的关系，组合出价之前至少得先把最终的实际出价算清楚了，如果连最普通的位置溢价都用的不熟，那就强烈建议先不要尝试组合出价。
上篇文章讲了AMC人群的基本逻辑，今天我带着测试出的数据和结论来跟大家好好讲讲AMC；
其实严谨点来说标题中的转化率翻3倍这样的描述是不准确的，因为在我创建的几十条AMC人群测试组中也会出现一些转化率翻10倍，甚至最高有翻32倍的转化率表现，但这样的数据有点超出了我的认知，而且应该也不具有普适性，但无论怎么说测试的AMC人群的转化率表现提高2倍3倍的情况比比皆是；
在我看到AMC的测试结果之后，我的第一反应是：艹！艹！艹！
这里请大家原谅我的粗口，因为我的最初想法是AMC人群的效果应该会比较好，但没想到竟然有这么好！完全超出我的预期，先不多说，我贴一部分数据给大家看看：
AMC人群转化率67%，总转化率只有39.7%
AMC人群转化率94%，总转化率只有47.5%
数据更离谱，转化率162%！说明AMC人群中有大量的客户点了一次并且在广告归因期内买了好几单
大家可以完全可以自己手动算算，上面是AMC人群特定渠道的数据，下面的All Shopper是包含了上面AMC人群的总数据。（可以看到我的人群溢价给的很高，是因为我在测试的过程中偶尔会遇到溢价给的少了没流量，但是溢价给的很高之后似乎也并不会花那么多钱，有点奇怪，背后的逻辑我还在研究中。）
我完全能想象大家看完这个数据是什么表情，因为我在第一眼看到这个数据时的表情和大家是一样的，那种感觉就像是烧火棍遇到了原子弹，完全是被碾压的数据表现。
有了AMC人群的赋能，很多因为ACoS太高而关掉的广告感觉还能再抢救一下，不，应该是直接从ICU拉到了夜总会。
这个功能真的太重要了，所以今天我就来跟大家好好分析总结一下AMC人群该怎么用。
目录：
一、AMC人群的类型及背后逻辑
二、创建AMC人群的注意事项
三、一些比较成熟的AMC玩法
四、AMC案例分析
五、广告未来趋势的分析
一、AMC人群的类型及背后逻辑
AMC能创建两类人群：相似人群和基于规则的人群
相似人群：根据我们选定的条件(例如已购买)，再选择特定的ASIN，选定的人群即已购买过这些特定ASIN的人群，然后亚马逊会分析这些购买过我们产品的人群有哪些共同的特点/人群标签，找到人群标签的规律后再将再去找一波全新的和这些人群相似的新人群，此时我们广告投放的AMC人群对象就是这些拓出来的新人群；
举个例子就是假设买过我产品的客户是A，亚马逊会分析这个客户A有哪些特点，例如如30-40岁、男性、喜欢电子产品、有房有车等等，最终会有一个较为清晰的人群画像出来，亚马逊再去市场上找符合这个人群画像的其他新客户们，这些新客户们就是我们要投广告的AMC人群。
图片来源：Xmars
基于规则的人群：我们选定条件筛选出来人群直接作为我们要投广告的AMC人群
举个例子假设我选定了详情页浏览，我们就会直接给这些浏览过详情页的人群投广告；
如果我要促使那些加购人群尽快完成下单，那就需要选定“已加购未购买人群”，具体设置为选定加购人群，同时要排除掉已经购买过的人群，如下图：
图片来源：Xmars
二、创建AMC人群的注意事项
1. 相似人群的相似度选择
相似人群的相似度有五个等级，从最相似到最广泛，相似度依次降低，但是覆盖的人群量级会逐渐增大
最相似效果最好，但是人群量级最小，可如果这个量级最小的人群体量就已经能够满足需要，我们就没必要去用其他相似度更差的人群了，至于广泛和最广泛这两个人群，我更是从来没想过要用，因为投AMC人群广告的目的就是为了寻找更精准的人群以此来提升广告转化，人群如果都不精准，效果不能得到保证，量级再大那又有啥用呢？
2. 人群数据时间段的选择
AMC也可以选择特定时间段内的人群，关于时间段相似人群和基于规则的人群要分开讨论：
相似人群
相似人群的目的是为了找到最准确最符合你的需求的人群标签以此来拓新客，
如何能让亚马逊帮你找到最准确的人群标签呢，那就需要给亚马逊大量的数据，此时选择的时间段越长越好，针对老品我都是直接选择过去一年的数据，或许更长时间的数据效果更好，但我认为过去一年的数据已经足够了，有机会大家也可以试试更长的时间段；
新品没有那么多的历史购买数据，那就有多长时间就选多长，如果数据量实在太少，那就建议先不要创建AMC人群，等到产品从推广期进入到稳定期之后再应用产生的历史数据作为AMC的人群基础, 根据个人经验一般100W左右的人群量级是够用的；
时间段选择也不一定都是越长越好。当我们对产品改款，升级迭代，Listing的内容风格发生了大的改动，以及调整价格幅度太大时，总之就是产品变化前后购买我们产品的可能不是同一拨人了，受众的人群标签预计会发生大的变化时，我们就不再适合选择之前那些老旧的历史数据，就得老老实实的从零开始积累；
对于我们卖家的影响就是以后产品在上架之前就要十分明确自己的产品定位，确定好受众，后续只能小改，如果要大改还不如直接新上一条链接；
基于规则的人群
基于规则的人群由于都是我们已经触达过的人群，我们无论对这些人做什么广告动作，理论上来说都算作是再营销，都是让为了这些人尽快下单，那如果客户已经下单了或者已经远超出正常的时间都还没下单（或许已经买了其他竞品），这些都不是我们想要的人群，所以在创建这些再营销人群时一个是要排除掉已购买人群，另一个就是选择一个合适的时间长度，什么叫合适的时间长度,可以结合Xmars提供的转化时间分析报告来判断。
比如上图的产品95%顾客都会在30天内购买，那我们的时间段天数就不宜超过过去30天，如果再花大量的成本去触达那5%的边缘客户，那钱就花在刀把上了。
所有的再营销广告都有一个共通的问题：需要足够大的首次触达过的人群基数。你都没有首次触达过客户，哪来的人群给你“再”营销呢？
所以我们在设置基于规则的AMC人群时，不能把所有预算都集中在AMC人群上，这样子会导致流量开口没有打开，流量越来越少，预算都花不出去，那些未触达过的潜在购买人群就会被挡在外面，至少要和常规的非AMC广告或者和相似人群的AMC人群搭配使用才行；
或者有一个简单的办法，我们广告还是正常给Bid，但是给基于规则的AMC人群额外的溢价，这样拉新人群和再营销人群的数据就都有了。
三、 一些比较成熟的AMC人群玩法
目前测出来一些结果不错的AMC人群：
相似人群——已加购人群
相似人群——已购买过人群
相似人群——订购省人群
相似人群可以和任何SP广告相结合，不用担心流量入口越来越小，用低Bid+高人群溢价的方式可以确保流量全部都投给AMC人群；
已购买人群转化效果极好，很容易达到比之前翻倍的转化率提升；
订购省人群是一种条件更为苛刻的购买，如果为了提高订购省的人群基数，可以结合此人群+订购省折扣，并同时监测订购省订单数量以确保策略有效性；
已加购人群虽然不能直接和购买划等号，但如果产品类目购物决策周期短（根据AMC报告来确定），可以近似的算作购买人群，即使没有发生购买至少也是高购买意向客户，而且人群量级比购买量级更大,已加购人群一般会包含已购买人群，当已购买人群量级无法满足需求时可以尝试此人群
基于规则的人群——DPV浏览再营销
基于规则的人群——ATC加购再营销
基于规则的人群——Purchased复购
同样是再营销/复购，SD广告用VCPM形式去投人群数据会失真，且由于广告机制其中会包含大量的自然订单，导致ACoS看起来不正常的低，但是SP广告基于点击付费，引流的成本更真实，但缺点是SP广告不能像SD广告那样跟着人群移动，只有当客户再一次来搜关键词的时候才能触发；
投再营销人群时需要排除掉购买人群，否则客户都已经下单了还给他投什么广告啊，这一点也是SP-AMC能做到，但SD做不到，SD的浏览再营销无法排除掉已购买人群。
四、AMC人群案例分析
案例分析1：核心大词AMC人群效果对比测试(基于规则的人群)
结论：
AMC人群确实有效，对比非AMC人群数据转化率更高；
使用基于规则的AMC人群时，需要在大流量池中切小人群， "ASIN""已加购未购买" 两个条件的交集已经是一个小人群，核心大词+Exact算是小流量池，小流量池+小人群跑不出多少数据。就不如核心大词+Broad这个大流量池出单效果好（懒得画韦恩图了，大家明白意思就行）；
另一个角度：消费者都已经加购了，这部分人群对整个类目的产品有已经一定认知，需求相对会比较明确，也基本不会再去搜索核心大词这种需求比较宽泛的核心大词，反倒是会搜那些核心词拓展出来的长尾词;
基于规则的AMC人群都是已经被我们产品触达过的人群，那些未触达过的潜在购买用户会被排除在外，所以即使AMC人群效果更好也不能把广告全部换成AMC人群，AMC人群只适合做额外补充，不能完全替换之前的常规广告.
案例分析2：相似人群(最相似)——已购买人群测试
结论：常规广告结合相似人群——已购买人群 是可行的，但不可避免会损失掉非AMC人群的单量，所以AMC人群最好的使用方式是在基础数据投入产出可接受的前提下，额外给AMC人群溢价，通过AMC的低出单成本平衡整体的投入产出；
目前尝试了比较好的用法包括:
Low Bid+AMC-购买相似人群：遇到AMC人群时溢价变成一个正常的自动组（比非AMC人群自动组效果更好（就是常规的普通自动组）），没有遇到AMC人群时自动变为低价捡漏组，这样的好处是自动组始终处于低ACoS的状态，同时兼具正常自动组跑泛流量的需求，但是不能完全替代常规自动组，否则会有订单的损失（未在购买人群标签里的一些潜在客户）
所有常规广告+AMC-购买相似人群：所有常规广告Bid正常给，然后额外对AMC购买相似人群进行额外溢价，不影响常规广告功能外，还能让AMC人群均衡整体出单成本，优化ACoS
如果预算远远不够覆盖全天，那就可以极端点：常规广告Bid降低到跑不出去数据，再额外给AMC人群溢价，溢价比例需要确保AMC人群实际出价能达到常规水平Bid水平，此时你的所有广告就都会只投给AMC人群。
五、AMC广告未来趋势的变化
目前AMC功能由于信息差还属于红利期，但好用有效的东西大家迟早也会用上，流量竞争会变得更激烈，由于转化很高，大家能接受的CPC也会变高，虽然大家都主要会给自己的“专属”流量增加CPC，但这样做的卖家多了之后，客观上会推高整个平台的流量成本，我已经能想象以后5刀、10刀的CPC满天飞了。
AMC这东西就跟核武器一样，大家都有和大家都没有都是一样的，结果一样都是卷。
以上，祝大家变得更强。
既然都看到这里了，给大家来个彩蛋吧——B2B广告位置溢价
亚马逊也更新了B2B广告位置溢价，这个玩法跟以前常规的 placement位置溢价差不多，都是结合基础Bid+位置溢价之间的配合来控制广告最终出现的位置，只不过这个B端位置比较特殊，只有用B2B企业购的买家账户才能看到的专属的广告位，所以如果产品有较强的B端属性，这个功能就可以用起来，使用方法和AMC人群溢价差不多，区别就是一个是针对人群，一个是针对位置的，这里我也懒得贴数据了，直接给结论：
1. 具有B2B属性的产品广告中的B端位置转化率基本都要高于C端位置，ACoS如果表现不突出也只是因为CPC太高的缘故，出现的个别B端转化更低的情况不确定是否是偶然（但也只是略低，至少是差不多持平的）；
2. 通过B端出单占比可以看出C端依旧有大量订单，这部分不能放弃，所以最好的方式是不断通过降低Bid的方式优化C端ACoS，通过增加位置溢价方式增加B端出单；
3. 可能是由于B端专属广告位置少的原因，导致我们实际要给的溢价会很高才会有足够的数据，虽然B端广告位和AMC效果类似，经常能让转化翻个2-3倍，但是溢价比例不能无限加高，否则即使B端转化高也覆盖不了高CPC的影响，反而会导致ACoS变得更差（因为真有可能以一个极高的CPC发生点击，别问我怎么知道的...）。
最后提一点：可能会有人问，位置溢价、B端位置溢价、AMC人群溢价，这三个溢价功能我能不能结合起来用？ 当然没问题，但是这三个溢价可是相乘的关系，组合出价之前至少得先把最终的实际出价算清楚了，如果连最普通的位置溢价都用的不熟，那就强烈建议先不要尝试组合出价。
热门活动 
福建
12-12 周五
热门报告 
