通过竞品广告报告搭建词库

运营中必要的插件经过了极致的数据处理，已经十分全面精准。而对于追求推品成功率的单干卖家和部分精品公司，竞品广告报告也是提高推品成功率的不二之选。

本文架构：

1. 竞品广告报告的选择方法
2. 竞品广告报告处理的底层逻辑
3. 竞品广告报告的处理与实操
4. 插件与相关网站的使用场景

一、竞品广告报告的选择

1. 首先，为什么不用商机探测器计算转化率？因为商机探测器计算出的转化率是过去360天内，这个关键词下所有产品的平均转化率。
2. 我做的类目不是很红海的类目，因此，多数产品，我会选择2个与自己产品在外观、功能、属性、价格区间、目标人群最相似、且在bsr上的竞品买广告报告；再选择1个与自己产品最相似，且在nr上的竞品买广告报告。如果认为nr1的水平大概不如自己，我会选择3个与自己产品最相似、且在bsr上的竞品买广告报告。
3. 如果是红海，建议买4-5份。为什么选3-5个竞品：数据量越大，偏差越小3-5个竞品是多数人在广告报告价格接受范围内，可参考性较强的数量。下文提到的竞品广告报告，默认和自己后台下载的search term搜索词报告长得一样。

二、竞品广告报告处理的底层逻辑

很多时候，人们在思考的时候相信直觉，相信自己的经验并做出判断。但很多时候，这些经验可能是错误的。因此，我会给出直接并有说服力的论证，证明用竞品广告报告的有效性，与处理数据的有效性；而不仅仅停留在“显而易见，我认为”、“通过直觉，我觉得”、“通过以往经验，我相信”。

1. 首先，论证为什么选择竞品的搜索词报告对自己有用、有指导意义，但头部非标的广告报告对非标的借鉴意义有限。

引入一个概率统计/机器学习的概念，叫做“泛化误差（Generalization Error）”。泛化误差测量“一个模型对先前未知数据的预测准确程度“，具体的公式为：这里，P指被预测数据的真实分布，p̂指已有数据（训练数据）的分布，L是损失函数，用来衡量预测值与真实值的不一样程度，f指这个模型。

在亚马逊运营中运用泛化误差的概念，现在我们需要找到一个模型，通过已有数据，去预测我自己产品的cvr和acos。我们需要让p̂（已有数据的分布）尽量接近P（被预测数据的分布），才可以让泛化误差越小，即让预测的准确程度越高。这就是为什么我们需要挑所处阶段、流量结构、外观、功能、属性、价格区间、目标人群最相似的竞品作为数据进行我们的预测——因为最相似产品的数据（已有数据分布p̂），和我们产品的数据（被预测数据的分布P）最接近，所以可以降低泛化误差，因此可以提高预测的准确度。

2. 论证为什么新品榜的竞品搜索词报告有充足的借鉴意义，且季节性产品的借鉴意义有限。

引入一个统计学概念，叫做“时间序列分析（time series analysis）”，意思是“将原来的销售分解为几部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出销售预测。”建立公式：

Yt指在预测的时期t的转化率，Tt为通过历史数据预测的时期t的趋势，St为通过历史数据预测的时期t的季节性/周期，ϵt为不稳定因素。

挨个分解来看。ϵt是无法干涉/预测的因素，所以只能抛开不看。由于新品的趋势Ttnew比老品的Ttold更能反映当下的趋势，整体的Ytnew会比整体的Ytold更精准，即新品搜索词报告展现的转化率，在其他条件保持不变的情况下，比老品更可以反映自己即将上架的品的转化率。

通过时间序列分析的公式，我们还可以看到影响预测值Yt的因素还有St，即季节性/周期性。当产品是非季节性产品时，这一项是0；如果是季节性产品，这一项不为0，导致预测转化率Yt的波动会非常大。因此，竞品的搜索词报告对自己即将上架的产品是否有足够借鉴意义，和该品是否具有周期性高度相关。

3. 论证为什么bs的竞品搜索词报告有充足的借鉴意义。

引入一个统计学定理，叫做“大数定理（Law of Large Numbers）“。该定理意味着“随着样本大小的增加，样本均值将收敛于总体均值。”套到亚马逊的竞品搜索词报告上，建立公式：

同样，拿转化率cvr举例。在这里，μ^指自己在一个搜索词下的预期转化率，Yi指每一个竞品在这个搜索词下的转化率，n是竞品/竞品搜索词报告数量。通过公式，我们可以得出，随着n（竞品搜索词报告）数量的增加，μ^可以成为真实总体转化率μ的更准确估计。但，由于新品榜的产品数量有限，所以选择去bs榜单获得更多数据，即增加n的值，从而更准确的预估自己的转化率。

不仅是cvr，acos、cpc、ctr等数值，都可以通过增加样本数量（竞品搜索词报告数量）去提高预测数值的准确度。

4. 论证为什么取每个搜索词的平均cvr，是代表自己在这个搜索词下最有可能的cvr。

说实话，取平均值，是所有不完美的方法中最有效的一个；最有效的方法是不存在的。我们可以使用排除法去论证这个观点。但是，此方法仅适用于非季节性产品（降低趋势带来的影响），和被买搜索词报告的竞品在各个维度上与自己的产品极为相似（降低数据噪音，noise）的情况。

1）时间序列分析——ARIMA（自回归整合滑动平均模型）、Exponential Smoothing（ETS，指数平滑法）、Exponential Moving Average（EMA，指数移动平均线）

ARIMA自回归整合滑动平均模型的公式为：

Exponential Smoothing（ETS，指数平滑法）的公式为：

Exponential Moving Average（EMA，指数移动平均线）的公式为：

细心的读者可能会发现，两个公式都出现了一个字母：t。t意味着单个的时间点。但是，我们可以买到的搜索词报告涵盖着近两个月的整体数据，而非像第一天、第二天…或第一周、第二周…的时间点的数据，所以任何时间序列分析的模型都行不通。原因很简单，因为咱们只有一个t，即过去两个月。

2） 接下来，我们用简单移动平均线——Simple Moving Average（SMA）去证明“取每个搜索词的平均cvr，是预测自己在这个搜索词下比较可能的cvr“。

依旧拿cvr举例。假设我们买了3个竞品的搜索词报告。针对每一个客户搜索词，3个搜索词报告中单独每一天的cvr分别为Y1,t, Y2,t, Y3,t， t是1,2,…,60，代表近2个月的60天。例如，当t=3时，Y1,3是第一个竞品在第3天的cvr。

这三个竞品在过去2个月的SMA可以被计算为： 

这三个竞品的整体SMA可以被计算为：

 

代入，我们可以得到：

 由于Y1,i，Y2,i，和Y3,i与三个竞品在这个搜索词下的平均转化率μ1, μ2, 和 μ3相等，代入上面的公式，可以得出：

 

结果表明，综合的简单移动平均值 (SMA) 的期望值是竞品转化率的平均值。因此，即使这三个竞品的转化率不同，且我们没有像第一周第二周/第一天第二天一样单独时间点的独立数据，使用过去两个月内三个竞品的SMA，仍然可以为自己的cvr提供较为准确的预估。

但是这个方法也有很大的问题，即每个竞品广告报告的搜索词的点击量、展示量基数都是不一样的。例如，同一个搜索词，竞品1有5个点击，出了1单，cvr20%；竞品2有300个点击，出了30单，cvr10%，很明显，不太能说预期cvr是15%。这里涉及到加权（weighted）的概念。因此，最好用以下的方法3。

3） 加权平均模型（Weighted Average Model）

这个公式很好理解： 

在这个案例中，xi代表第i个竞品在指定客户搜索词下的转化率，wi代表第i个竞品在这个客户搜索词下的量/权重。通过加权平均，就可以解决上文“竞品1有5个点击，出了1单；竞品2有300个点击，出了30单；不能说预期cvr是15%”的问题了。

说人话就是，拿一个客户搜索词下的cvr举例，所有竞品搜索词报告中这个搜索词下cvr的根据量的加权平均数，是预测自己在这个客户搜索词下的cvr的较为准确的预估。原因比较简单——其他方法有很大的限制条件，用不了；或类似方法不如加权平均法更精准。

同理，新品榜竞品的cpc，可以为咱们新品期的cpc提供较准确的预估。老品同理。

这一章节提供了理论证明，证明了新品榜与bsr的竞品搜索词报告对自己即将上架的品有较大的借鉴意义（除了季节性产品），及通过取这些竞品的加权平均值预测自己的数据是目前不完美方案中稍好的解决方案。

三、竞品广告报告的处理与实操

1. 首先，运用自问自答法，列出我所需的是什么。

a.“关于词本身，我需要知道什么？”出单多的customer search term（客户搜索词，下文简称cst）；提前否定哪些词；竞品打了哪些词；词根和属性词有哪些；每个词的cvr、acos及cpc；

b. “关于竞品，我需要知道什么？” 拉升时间节点；除广告外所有操作（见第三部分）；

c.“我的词库还需要什么？”强中弱相关性；ABA。

d.接下来，我会讲解如何整理关键词的orders及占比、cvr、acos、cpc、词根与属性词、强中弱相关性、ABA，及需要提前否定的词根。

2. 需要解决的问题：

a.一个cst在一份excel竞品广告报告中可能会多次出现，例如两个广泛、一个词组、一个精准、自动紧密，可能会跑出同一个cst。如何将每个cst对应的spend、clicks、orders、sales对应起来并求和？

b.求和后，如何求每个词平均的acos和cpc？

c.如何确定哪个词根需提前否定？

3. 针对2. a) 的Excel Pivot Table解决方案：

a.可以利用Pivot Table，求和每一个cst对应的所有clicks总点击量、spend总花费、total orders总单量，及total sales总销售额。例如，有一个cst是white machine washable sheet sets，在sheet sets词组、washable sheet set广泛，white sheet sets广泛及auto紧密中都跑出来了这个词，可以自动求出四个广告组的总点击量、总花费、总单量，及总销售额。不仅如此，不像普通的SUMIF函数需要手动输入cst，Pivot Table可以自动求和每一个cst的数值总和。接下来是详细操作步骤。

b.打开竞品广告报告，在Home主页，点击Editing->Sort & Filter->Filter，使第一行每一个方框里的右侧都出现一个倒三角。c.全选广告报告。

d.打开Home键右侧的Insert面板，选择最左侧的PivotTable。e.新建的excel sheet左侧会出现一个长方形的方块，右侧会出现包括Filters、Columns、Rows和Values等方块的面板，如下图所示。f.点击右侧面板里上方的Customer Search Term，这时Customer Search Term会出现在Rows的方块中；而后，点击右侧面板里上方的7 Day Total Orders (#), 7 Day Total Sales ($), Spend, 和Clicks。这时，面板的四个方块应该是如下所示的。g.这个excel表格，就解决了上文第2点第a条的问题。大家可以看到现在的excel表格自动求和了每一个cst对应的所有clicks总点击量、spend总花费、total orders总单量，及total sales总销售额。

h.然后，cpc可以用sum of spend列/sum of clicks列得出，acos可以用sum of spend列/sum of sales列得出。Problem solved :)

4. 接下来，是强中弱相关性。

打开西柚，搜索表现好的cst，放进反查关键词，判断前10自然位的产品是否和自己的产品相关。前10自然位产品中，若9个及以上和自己的产品近似，则为强相关；若5-8个近似，则为中相关；若2-7个近似，则为弱相关。

5. 新品如何选词打？

根据相关性、流量大小（ABA）、cvr进行cst的分类。选择强相关词，表现好的中相关词也可考虑；选择高流量大词；选择高cvr词。然后，依据每个词的词根及属性词，决定打广泛、词组还是精准。

6. 分享一个只包含词根和属性词的一部分词库，这个表格我用了正好10分钟完成关键词的整理、归类、打标签。
7. 如何确定哪个词根需提前否定？

a.我会总结出3-5个竞品加起来出了0单的cst，放入excel表格，统计所有cst中每个词的词频。

b.和自己产品不相关的词可以尝试做否定；例如，我的产品是聚酯纤维，可以否定organic（organic在此情况中大多描述的是organic cotton材质，有机棉花）。

c.词频从上到下排序，可以得出最常见但不出单的词。可以尝试去西柚或前台搜索大词+这个词；例如，我看到3个竞品广告报告中，有一个出现频率很高但不出单的词是washable；我去前台/西柚搜washable+大词。如果相关性很弱，可以尝试做否定。

四、插件与相关网站的技巧

1.我用西柚查ABA及ABA近一年的趋势、判断关键词的强中弱相关（反查关键词->自然排名第1-第10）、广告放映机查看自己小时级的广告位（关键词分析->广告放映机）、流量得分与关键词、及广告分析部分判断竞品拉升销量的节奏。

2.我用sif的拓词功能补充自己的词库、用反查广告组功能分析很多细节（例如投放效果、投放词、匹配方式），用sif插件的运营时光机分析拉升销量及提高排名的操作手段，很好用且很精准。

3.我还用极目反查cpc及类目的特征，用来在前期判断一个市场可否进入，选品的时候极有帮助；还会查竞品的cvr并与自己的cvr做对比，判断listing或广告是否需要进一步优化、是否出了很严重的问题；搜集并总结CPR、CPA和目标排位建议，整理到词库中，辅助判断第一第二第三阶段该投放那个词。