~~~以下皆為原創內容，如需轉載需授權~~~
對於廣告的表現，大家最關心的應該就是Acos（廣告花費與廣告銷售額的比值），廣告行為可以看成一種對產品的投資，Acos越小，代表著廣告投資的回報率越大。 那今天的文章就以此作為開頭。先跟大家分享一個我曾經遇到過的一個案例：
如果面對這個問題你的第一反應是降價的話，那麼我相信看完這篇文章應該能多少改變你的想法。
我們先看下廣告最佳化前的表現：
其實22。65%這個Acos對某些賣家來說並不算高，但由於站點，產品等因素，我認為Acos還能進一步降低，那麼該如何操作呢？這是我的最佳化動作：
將競價從0.45€提升到了0.8€。
以下是廣告最佳化前後的表現：
我們再來看看調整價格前後的表現：
透過上圖可以看出，在提高競價以後曝光量（柱形）有了很明顯的增長，Acos（折線）在調整初期有所波動，但最終朝著較低的趨勢發展。
是不是很神奇？我並沒有像大家所想的那樣降低競價，反而提高了價格，但最終結果不僅銷售額增加了，而且Acos還降低了6。5個百分點。那些第一反應是降價的朋友一定想問， Why？ 為什麼在產品自動組的Acos過高的情況下，提升競價反而會降低Acos？
在回答這個問題之前我先跟大家分享一個最佳化廣告時的原則。
透過現象看本質
就這案例而言，在我分析過廣告報表資料之後發現問題並不是因為廣告的轉化率低導致的，而是由於廣告的流量太分散（出現了很多個關鍵詞），但就每個關鍵詞而言，他們的曝光和點選還遠遠不夠，所以我增加了競價，讓每個關鍵詞都得到了充分的曝光和點選，最終的結果就是銷售額增加的同時Acos也下降了。
透過這個案例我想說的是：在最佳化廣告之前我們需要先搞清楚是什麼原因導致了廣告目前的問題，為了不被Acos這種表面的資料結果所迷惑，我們需要對廣告的資料進行分析，這也就是今天的主題：
廣告的資料分析與最佳化
一、資料的收集與整理
圖中每個報表都有各自的使用場景，在分析最佳化廣告時最常用的是Search Term報表。
廣告的資料可以每天檢視，但
最佳化頻率不可太頻繁
，通常選擇1-2周最佳化一次。原因有三：
每次調整過廣告後機器學習機制都需要一段時間來重新適應新的競價；
一週內每天的情況可能各不相同，可能週末會比周內流量要大，轉化率也不一樣。
廣告資料具有滯後性，在客戶點選廣告之後的一段時間之內購買了產品，都會算到廣告銷售中。SP廣告為7天，品牌推廣和展示廣告為14天。
二、資料分析步驟
1.資料分析的前提是需要有足夠多的資料
資料量越小，展現的結果偶然性就越大，與真實情況的誤差就越大；資料量越大，表現出的情況就越接近真實情況。例如，某一個關鍵詞只有一次點選、一次轉化，這就能說明這個關鍵詞的轉化率就是100%嗎？當然不能，因為資料量太小，所以這個結果的偶然性就很大。
2.透過自動組檢測Listing
觀察不相關詞佔的比例，若基本上都是不相關的詞或不相關的Asin，Listing極有可能存在很大問題（標題&後臺Search Term這三點的影響最大）。可根據展現出來的不相關詞的共同特點來猜測問題所在，並驗證。但是自動組的資料沒有問題並代表Listing一定沒問題，我們的Listing不僅需要給亞馬遜系統看（幫助亞馬遜正確識別我們的產品，正確的抓取關鍵詞並正確的分配流量給我們），還需要給我們的客戶看（是否能展現出打動客戶的賣點）。最終還是要以實際情況來對我們的Listing進行最佳化。Listing的質量決定所進入產品頁面的流量的轉化率，這也是想做好廣告的前提，轉化率過低的產品，它的廣告你就是讓貝索斯親自來最佳化都好不到哪去。
3.判斷曝光比例是否均勻
同一個廣告組中，廣告在進行過一段時間的執行後，流量會逐漸向表現好的的關鍵詞集中，個別表現好的詞會“逐漸吸走”大部分曝光的機會，導致其他的詞曝光太少從而無法得到有用的資料。面對這樣的情況我的解決辦法有三：
1）一個廣告組不要新增過多的關鍵詞（5-10個比較合適）；
2）可以視情況將不同的關鍵詞分成兩個廣告組；
3）增價競價，待關鍵詞曝光足夠多（怎麼也得3000+吧）以後再對廣告進行最佳化
4. 從CTR的維度來分析資料
CTR能極大的影響廣告的質量分（對同一個廣告位進行競拍時，質量分越大的廣告組所需要的競價越小），所以我們需要先對CTR進行分析最佳化，最佳化CTR需要曝光量足夠大，此時的CTR才更接近真實情況。我的個人習慣是曝光量小於3000的不進行最佳化（需要根據自己產品以及所在站點的實際情況來定），曝光量大於這個值時，若CTR低於平均水平，視情況決定是否否定，考慮的點有：關鍵詞的相關性、是否出單、Acos高低等。
5.從CR的維度來分析資料
CR不僅會影響廣告質量分，還會影響到Listing的質量分，影響自然排名，影響亞馬遜是否會給產品分配更多流量等等。分析CR需要以足夠多的點選量作為基礎並結合Acos進行分析：
1）高點選，無轉化的關鍵詞可以否定；
2）高點選低轉化的詞需要分析是詞的問題還是Listing的問題，如果問題無法解決，可以降價；
3）高轉化的詞可以考慮放進精準組單獨提高出價以增加出單。
這裡對廣告資料的分析順序進行下小結
：曝光量→點選量→成交量→Acos
曝光量是一切資料的基礎
，只有足夠多的曝光，我們才能得到足夠多的點選，有了足夠多的點選，我們才能得到足夠多的成交，只有足夠多的成交後，Acos才接近真實水平。且才能以此作為根據對廣告進行最佳化。為什麼呢，因為從曝光到成交經過了好幾個步驟，每經過一個步驟，流量就會進行大量損耗，這個情況跟營銷漏斗理論是相似的。
營銷漏斗-Image Source： Wikimedia Commons
不同階段的流量損耗
上圖是我的一個朋友發給我的，據說是來源於亞馬遜的內部資料。從圖中可以看出從開始的搜尋曝光到最後的購買成交，流量損耗達99。44%，在這樣一個情況下，如果一開始的曝光量得不到保障，那流量到不了最後一步購買就已經損耗沒了，所以曝光量才是一切資料的基礎。
三、如何控制Acos:
Acos的影響因素
上圖展示了Acos最終是由關鍵詞的競價（每次點選費用是由競價控制的）、轉化率以及產品銷售價所控制的。故降低Acos的方法就有以下三種：
1.降低競價
由於降低競價會相應減少廣告曝光，所以這個不是首選之策。
2.提高轉化率
最佳化Listing， 否定無效流量，這些都能提高廣告的轉化率，由於提高轉化率沒有任何負面影響，所以這才是上策！
3.調整銷售價
通常產品銷售價的與轉化率呈反比增長，所以價格的調整需視情況而定，最終目的是讓轉化率與銷售價的乘積整體進行提高。
關於這個公式其實有很多玩法，大家可以研究下，在我以後的文章中也可能會講到。
以下是一些個人的想法：
廣告的作用不僅僅只有促進銷售而已，僅據我現在所掌握的廣告用法就有七八種（流量閉環、測主圖、測Listing、推自然排名、測熱銷款、瞭解產品實際應用場景等等），目的不同，衡量的指標當然也就不同，所以
Acos並不是衡量廣告表現好壞的唯一指標
，還需視廣告目的來定，只要最終目的達到了，就是成功的廣告。
廣告的表現的好壞也需要結合所處時期來判斷
。例如，產品廣告剛開啟三天，你就因為它Acos過高或者是沒有出單就認定廣告表現不好，這也不符合客觀規律。一個廣告真正變得成熟（穩定出單）往往需要1-2個月的時間，再怎麼說Amazon的Maschine Learning和AI機制也需要點時間瞭解產品和最佳化流量的分配吧。
總結：
最佳化廣告需要根據不同問題而採取不同的措施，不可受教條所束縛。正如電視劇《亮劍》中的一句臺詞：
良將用兵若良醫用藥，病萬變，藥亦萬變。
最佳化廣告亦是如此。只要大家瞭解了廣告的這些底層邏輯之後，我相信大家以後對廣告的“藥方”也能信手拈來。
更多亞馬遜廣告內容請關注我的專欄：
