亚马逊PPC广告之从入门到转行4-数据分析与优化
10153对于广告的表现，大家最关心的应该就是Acos(广告花费与广告销售额的比值)，广告行为可以看成一种对产品的投资，Acos越小，代表着广告投资的回报率越大。 那今天的文章就以此作为开头。先跟大家分享一个我曾经遇到过的一个案例：
如果面对这个问题你的第一反应是降价的话，那么我相信看完这篇文章应该能多少改变你的想法。
我们先看下广告优化前的表现：
其实22.65%这个Acos对某些卖家来说并不算高，但由于站点，产品等因素，我认为Acos还能进一步降低，那么该如何操作呢？这是我的优化动作：将竞价从0.45€提升到了0.8€。
以下是广告优化前后的表现：
我们再来看看调整价格前后的表现：
通过上图可以看出，在提高竞价以后销量（柱形）有了很明显的增长，Acos（折线）在调整初期有所波动，但最终朝着较低的趋势发展。
是不是很神奇？我并没有像大家所想的那样降低竞价，反而提高了价格，但最终结果不仅销售额增加了，而且Acos还降低了6.5个百分点。那些第一反应是降价的朋友一定想问, Why? 为什么在产品自动组的Acos过高的情况下，提升竞价反而会降低Acos？
在回答这个问题之前我先给出一个理论，这个理论是我提出的，就暂且叫它“Lawrence-Theory”吧（捂脸）
就这案例而言，在我分析过广告报表数据之后发现问题并不是因为广告的转化率低导致的，而是由于广告的流量太分散（出现了很多个关键词），但就每个关键词而言，他们的曝光和点击还远远不够，所以我增加了竞价，让每个关键词都得到了充分的曝光和点击，最终的结果就是销售额增加的同时Acos也下降了。
通过这个案例我想说的是：在优化广告之前我们需要先搞清楚是什么原因导致了广告目前的问题，为了不被Acos这种表面的数据结果所迷惑，我们需要对广告的数据进行分析，这也就是今天的主题：广告的数据分析与优化
一、数据的收集与整理
图中每个报表都有各自的使用场景，在分析优化广告时最常用的是Search Term报表。
广告的数据可以每天查看，但优化频率不可太频繁，通常选择1-2周优化一次。原因有三：
每次调整过广告后机器学习机制都需要一段时间来重新适应新的竞价；
一周内每天的情况可能各不相同，可能周末会比周内流量要大，转化率也不一样。
广告数据具有滞后性，在客户点击广告之后的一段时间之内购买了产品，都会算到广告销售中。SP广告为7天，品牌推广和展示广告为14天。
二、数据分析步骤
1.数据分析的前提是需要有足够多的数据
数据量越小，展现的结果偶然性就越大，与真实情况的误差就越大；数据量越大，表现出的情况就越接近真实情况。例如，某一个关键词只有一次点击、一次转化，这就能说明这个关键词的转化率就是100%吗？当然不能，因为数据量太小，所以这个结果的偶然性就很大。
2.通过自动组检测Listing
观察不相关词占的比例，若基本上都是不相关的词或不相关的Asin，Listing极有可能存在很大问题（标题&后台Search Term这三点的影响最大）.可根据展现出来的不相关词的共同特点来猜测问题所在，并验证。但是自动组的数据没有问题并代表Listing一定没问题，我们的Listing不仅需要给亚马逊系统看（帮助亚马逊正确识别我们的产品，正确的抓取关键词并正确的分配流量给我们），还需要给我们的客户看（是否能展现出打动客户的卖点）。最终还是要以实际情况来对我们的Listing进行优化。Listing的质量决定所进入产品页面的流量的转化率，这也是想做好广告的前提，转化率过低的产品，它的广告你就是让贝索斯亲自来优化都好不到哪去。
3.判断曝光比例是否均匀
同一个广告组中，广告在进行过一段时间的运行后，流量会逐渐向表现好的的关键词集中，个别表现好的词会“逐渐吸走”大部分曝光的机会，导致其他的词曝光太少从而无法得到有用的数据。面对这样的情况我的解决办法有三：
1)一个广告组不要添加过多的关键词（5-10个比较合适）；
2)可以视情况将不同的关键词分成两个广告组;
3)增价竞价，待关键词曝光足够多（怎么也得3000+吧）以后再对广告进行优化
4. 从CTR的维度来分析数据
CTR能极大的影响广告的质量分（对同一个广告位进行竞拍时，质量分越大的广告组所需要的竞价越小），所以我们需要先对CTR进行分析优化，优化CTR需要曝光量足够大，此时的CTR才更接近真实情况。我的个人习惯是曝光量小于3000的不进行优化（需要根据自己产品以及所在站点的实际情况来定），曝光量大于这个值时，若CTR低于平均水平，视情况决定是否否定，考虑的点有：关键词的相关性、是否出单、Acos高低等。
5.从CR的维度来分析数据
CR不仅会影响广告质量分，还会影响到Listing的质量分，影响自然排名，影响亚马逊是否会给产品分配更多流量等等。分析CR需要以足够多的点击量作为基础并结合Acos进行分析：
1）高点击，无转化的关键词可以否定；
2）高点击低转化的次需要分析是词的问题还是Listing的问题，如果问题无法解决，可以降价；
3）高转化的词可以考虑放进精准组单独提高出价以增加出单。
这里对广告数据的分析顺序进行下小结：曝光量→点击量→成交量→Acos
曝光量是一切数据的基础，只有足够多的曝光，我们才能得到足够多的点击，有了足够多的点击，我们才能得到足够多的成交，只有足够多的成交后，Acos才接近真实水平。且才能以此作为根据对广告进行优化。为什么呢，因为从曝光到成交经过了好几个步骤，每经过一个步骤，流量就会进行大量损耗，这个情况跟营销漏斗理论是相似的。
上图是我的一个朋友发给我的，据说是来源于亚马逊的内部数据。从图中可以看出从开始的搜索曝光到最后的购买成交，流量损耗达99.44%，在这样一个情况下，如果一开始的曝光量得不到保障，那流量到不了最后一步购买就已经损耗没了，所以曝光量才是一切数据的基础。
三、如何控制Acos:
上图展示了Acos最终是由关键词的竞价（每次点击费用是由竞价控制的）、转化率以及产品销售价所控制的。故降低Acos的方法就有以下三种：
1.降低竞价
由于降低竞价会相应减少广告曝光，所以这个不是首选之策。
2.提高转化率
优化Listing, 否定无效流量，这些都能提高广告的转化率，由于提高转化率没有任何负面影响，所以这才是上策！
3.调整销售价
通常产品销售价与转化率呈负相关，所以价格的调整需视情况而定，最终目的是让转化率与销售价的乘积整体进行提高。
关于这个公式其实有很多玩法，大家可以研究下，在我以后的文章中也可能会讲到。
以下是一些个人的想法：
广告的作用不仅仅只有促进销售而已，仅据我现在所掌握的广告用法就有七八种（流量闭环、测主图、测Listing、推自然排名、测热销款、了解产品实际应用场景等等），目的不同，衡量的指标当然也就不同，所以Acos并不是衡量广告表现好坏的唯一指标，还需视广告目的来定，只要最终目的达到了，就是成功的广告。
广告的表现的好坏也需要结合所处时期来判断。例如，产品广告刚开启三天，你就因为它Acos过高或者是没有出单就认定广告表现不好，这也不符合客观规律。一个广告真正变得成熟（稳定出单）往往需要1-2个月的时间，再怎么说Amazon的Maschine Learning和AI机制也需要点时间了解产品和优化流量的分配吧。
总结：优化广告需要根据不同问题而采取不同的措施，不可受教条所束缚。正如电视剧《亮剑》中的一句台词：良将用兵若良医用药，病万变，药亦万变。优化广告亦是如此。只要大家了解了广告的这些底层逻辑之后，我相信大家以后对广告的“药方”也能信手拈来。
对于广告的表现，大家最关心的应该就是Acos(广告花费与广告销售额的比值)，广告行为可以看成一种对产品的投资，Acos越小，代表着广告投资的回报率越大。 那今天的文章就以此作为开头。先跟大家分享一个我曾经遇到过的一个案例：
如果面对这个问题你的第一反应是降价的话，那么我相信看完这篇文章应该能多少改变你的想法。
我们先看下广告优化前的表现：
其实22.65%这个Acos对某些卖家来说并不算高，但由于站点，产品等因素，我认为Acos还能进一步降低，那么该如何操作呢？这是我的优化动作：将竞价从0.45€提升到了0.8€。
以下是广告优化前后的表现：
我们再来看看调整价格前后的表现：
通过上图可以看出，在提高竞价以后销量（柱形）有了很明显的增长，Acos（折线）在调整初期有所波动，但最终朝着较低的趋势发展。
是不是很神奇？我并没有像大家所想的那样降低竞价，反而提高了价格，但最终结果不仅销售额增加了，而且Acos还降低了6.5个百分点。那些第一反应是降价的朋友一定想问, Why? 为什么在产品自动组的Acos过高的情况下，提升竞价反而会降低Acos？
在回答这个问题之前我先给出一个理论，这个理论是我提出的，就暂且叫它“Lawrence-Theory”吧（捂脸）
就这案例而言，在我分析过广告报表数据之后发现问题并不是因为广告的转化率低导致的，而是由于广告的流量太分散（出现了很多个关键词），但就每个关键词而言，他们的曝光和点击还远远不够，所以我增加了竞价，让每个关键词都得到了充分的曝光和点击，最终的结果就是销售额增加的同时Acos也下降了。
通过这个案例我想说的是：在优化广告之前我们需要先搞清楚是什么原因导致了广告目前的问题，为了不被Acos这种表面的数据结果所迷惑，我们需要对广告的数据进行分析，这也就是今天的主题：广告的数据分析与优化
一、数据的收集与整理
图中每个报表都有各自的使用场景，在分析优化广告时最常用的是Search Term报表。
广告的数据可以每天查看，但优化频率不可太频繁，通常选择1-2周优化一次。原因有三：
每次调整过广告后机器学习机制都需要一段时间来重新适应新的竞价；
一周内每天的情况可能各不相同，可能周末会比周内流量要大，转化率也不一样。
广告数据具有滞后性，在客户点击广告之后的一段时间之内购买了产品，都会算到广告销售中。SP广告为7天，品牌推广和展示广告为14天。
二、数据分析步骤
1.数据分析的前提是需要有足够多的数据
数据量越小，展现的结果偶然性就越大，与真实情况的误差就越大；数据量越大，表现出的情况就越接近真实情况。例如，某一个关键词只有一次点击、一次转化，这就能说明这个关键词的转化率就是100%吗？当然不能，因为数据量太小，所以这个结果的偶然性就很大。
2.通过自动组检测Listing
观察不相关词占的比例，若基本上都是不相关的词或不相关的Asin，Listing极有可能存在很大问题（标题&后台Search Term这三点的影响最大）.可根据展现出来的不相关词的共同特点来猜测问题所在，并验证。但是自动组的数据没有问题并代表Listing一定没问题，我们的Listing不仅需要给亚马逊系统看（帮助亚马逊正确识别我们的产品，正确的抓取关键词并正确的分配流量给我们），还需要给我们的客户看（是否能展现出打动客户的卖点）。最终还是要以实际情况来对我们的Listing进行优化。Listing的质量决定所进入产品页面的流量的转化率，这也是想做好广告的前提，转化率过低的产品，它的广告你就是让贝索斯亲自来优化都好不到哪去。
3.判断曝光比例是否均匀
同一个广告组中，广告在进行过一段时间的运行后，流量会逐渐向表现好的的关键词集中，个别表现好的词会“逐渐吸走”大部分曝光的机会，导致其他的词曝光太少从而无法得到有用的数据。面对这样的情况我的解决办法有三：
1)一个广告组不要添加过多的关键词（5-10个比较合适）；
2)可以视情况将不同的关键词分成两个广告组;
3)增价竞价，待关键词曝光足够多（怎么也得3000+吧）以后再对广告进行优化
4. 从CTR的维度来分析数据
CTR能极大的影响广告的质量分（对同一个广告位进行竞拍时，质量分越大的广告组所需要的竞价越小），所以我们需要先对CTR进行分析优化，优化CTR需要曝光量足够大，此时的CTR才更接近真实情况。我的个人习惯是曝光量小于3000的不进行优化（需要根据自己产品以及所在站点的实际情况来定），曝光量大于这个值时，若CTR低于平均水平，视情况决定是否否定，考虑的点有：关键词的相关性、是否出单、Acos高低等。
5.从CR的维度来分析数据
CR不仅会影响广告质量分，还会影响到Listing的质量分，影响自然排名，影响亚马逊是否会给产品分配更多流量等等。分析CR需要以足够多的点击量作为基础并结合Acos进行分析：
1）高点击，无转化的关键词可以否定；
2）高点击低转化的次需要分析是词的问题还是Listing的问题，如果问题无法解决，可以降价；
3）高转化的词可以考虑放进精准组单独提高出价以增加出单。
这里对广告数据的分析顺序进行下小结：曝光量→点击量→成交量→Acos
曝光量是一切数据的基础，只有足够多的曝光，我们才能得到足够多的点击，有了足够多的点击，我们才能得到足够多的成交，只有足够多的成交后，Acos才接近真实水平。且才能以此作为根据对广告进行优化。为什么呢，因为从曝光到成交经过了好几个步骤，每经过一个步骤，流量就会进行大量损耗，这个情况跟营销漏斗理论是相似的。
上图是我的一个朋友发给我的，据说是来源于亚马逊的内部数据。从图中可以看出从开始的搜索曝光到最后的购买成交，流量损耗达99.44%，在这样一个情况下，如果一开始的曝光量得不到保障，那流量到不了最后一步购买就已经损耗没了，所以曝光量才是一切数据的基础。
三、如何控制Acos:
上图展示了Acos最终是由关键词的竞价（每次点击费用是由竞价控制的）、转化率以及产品销售价所控制的。故降低Acos的方法就有以下三种：
1.降低竞价
由于降低竞价会相应减少广告曝光，所以这个不是首选之策。
2.提高转化率
优化Listing, 否定无效流量，这些都能提高广告的转化率，由于提高转化率没有任何负面影响，所以这才是上策！
3.调整销售价
通常产品销售价与转化率呈负相关，所以价格的调整需视情况而定，最终目的是让转化率与销售价的乘积整体进行提高。
关于这个公式其实有很多玩法，大家可以研究下，在我以后的文章中也可能会讲到。
以下是一些个人的想法：
广告的作用不仅仅只有促进销售而已，仅据我现在所掌握的广告用法就有七八种（流量闭环、测主图、测Listing、推自然排名、测热销款、了解产品实际应用场景等等），目的不同，衡量的指标当然也就不同，所以Acos并不是衡量广告表现好坏的唯一指标，还需视广告目的来定，只要最终目的达到了，就是成功的广告。
广告的表现的好坏也需要结合所处时期来判断。例如，产品广告刚开启三天，你就因为它Acos过高或者是没有出单就认定广告表现不好，这也不符合客观规律。一个广告真正变得成熟（稳定出单）往往需要1-2个月的时间，再怎么说Amazon的Maschine Learning和AI机制也需要点时间了解产品和优化流量的分配吧。
总结：优化广告需要根据不同问题而采取不同的措施，不可受教条所束缚。正如电视剧《亮剑》中的一句台词：良将用兵若良医用药，病万变，药亦万变。优化广告亦是如此。只要大家了解了广告的这些底层逻辑之后，我相信大家以后对广告的“药方”也能信手拈来。
热门活动 
其他
04-09 周四
热门报告 
