本文深入解析一个极具价值的 AMC 应用场景：ASIN purchase overlap for upselling（基于 ASIN 购买重叠的追加销售）。其核心逻辑在于：
识别被广告触达后，经常被同一批消费者共同购买的两组 ASIN，从而精准挖掘加购与关联推荐机会。
许多卖家往往凭经验判断商品搭配，缺乏数据支撑。本方案旨在通过实际购买行为数据，绘制出一张科学的“商品搭配地图”，为复购和关联营销提供决策依据。
核心解决的问题
该模型首先选定一个主商品（lead_asin），分析购买过该主商品的用户中，有多少人同时购买了另一个商品（overlap_asin）。简而言之，即回答：“买了 A 的人，还经常买什么？”
这并非单纯的商品销量排行，而是聚焦于广告触达后、归因窗口内的购买行为。因此，它特别适用于指导后续的再营销策略、搭配推荐以及加购活动的方向制定。
适用业务场景
该用例主要适用于以下三类场景：
- 主商品成交后，希望进一步推广互补商品；
- 验证套装、捆绑销售或详情页关联推荐是否具备真实的购买基础；
- 针对已购买主商品的人群进行精准再营销，避免盲目全量推送。
需注意，该工具揭示的是“哪些商品被同一批人高频购买”，而非证明因果关系。它是发现机会的起点，最终决策仍需结合利润、库存、价格及商品逻辑进行综合判断。
模板配置建议
官方模板支持自定义时间范围及 Campaign ID 筛选。若旨在摸清整体购买搭配规律，建议初期不限定 Campaign；若需评估特定推广活动的效果，则可限定具体 Campaign ID。
最佳实践建议：首次运行采用较完整的时间范围以获取全局视角，随后针对重点 Campaign 进行二次拆分分析。此举既能掌握全盘商品搭配情况，又能避免将短期活动的偶然波动误判为长期规律。
关键指标解读
结果报告中需重点关注以下四个字段：
lead_asin：作为观察基准的主商品 ASIN；overlap_asin：与主商品产生共同购买的关联 ASIN；dist_lead_and_overlap_asin_purchased_user_count：同时购买两件商品的去重用户数；user_overlap_percentage：购买主商品的用户中，同时购买关联商品的比例。
例如，若购买 A 的用户中有 59% 也购买了 B，表明两者存在较强的购买关联，值得深入调研。但这仅是初步信号，尚未构成立即加大投入的最终结论。
避免单一指标误区
这是该用例最易被误读之处。若某组合重叠率极高，但主商品购买总人数仅为个位数，则高比例可能源于小样本波动。科学评估需同时考量：
dist_lead_asin_purchased_user_count：主商品的去重购买用户总量；- 共同购买用户的绝对数量；
- 重叠比例的稳定性；
- 组合是否符合实际使用场景及利润结构。
核心原则是：比例反映关联强度，绝对人数决定机会规模。唯有两项指标均表现优异，才值得纳入测试名单。
落地执行策略
发现高重叠组合后，应建立有序的触达机制，而非盲目全量推广：
- 将“已购 A 但未购 B"的用户纳入 B 商品的再营销人群；
- 在 A 商品详情页、品牌店或广告素材中测试 B 商品的搭配展示；
- 针对高重叠且高毛利的组合，测试套装、优惠券或多件折扣活动；
- 对于低重叠但高客单的商品，先以小预算验证，避免因客单价高而强行推广。
异常排查指南
若结果数据稀少或无明显组合，切勿急于断定“无交叉购买”，应优先排查以下因素：
- AMC 实例内是否具备充足的广告触达与购买数据；
- 选取的时间范围是否过短；
- Campaign 筛选条件是否过于狭窄；
- 商品本身是否属于截然不同的需求场景；
- 结果是否受 AMC 聚合隐私阈值影响导致数据压缩。
实操步骤建议
建议按以下顺序推进落地：
- 运行全量商品搭配分析，筛选出高人数、高比例的组合；
- 结合品类常识，剔除“偶然同购”的无效组合；
- 精选 3 至 5 组进行再营销或搭配素材测试；
- 重点观察 B 商品的购买量、销售额及利润表现，而非仅关注点击率；
- 验证有效后，将成功的搭配关系固化至详情页、品牌店及长期广告结构中。
总结
ASIN purchase overlap for upselling 的核心价值，不在于自动决定售卖内容，而是利用真实购买数据指明方向：在主商品成交后，哪一件商品最值得优先测试加购。
正确的使用方法遵循三步走：先看绝对人数确定规模，再看重叠比例确认强度，最后结合商品逻辑与利润进行验证。
进阶实操课程
从数据分析到广告执行，真正的难点在于将表格中的购买关系转化为可落地的广告动作。
为此，我们推出了Codex+ 亚马逊 AMC 王牌技能组合线下实操课，旨在帮助卖家将官方 Use case 拆解为可执行的分析框架，利用 AMC 和 Codex 深度洞察消费者行为、优化商品组合并提升广告转化路径。
