今天我们讲一篇非常贴近广告日常优化的AMC Use case：
How to query sponsored ads keywords
中文可以理解为：
如何在AMC里查询Sponsored Ads的关键词、搜索词、匹配方式和归因转化。
做Sponsored Products和Sponsored Brands时，大家每天都会看关键词。
但在AMC里，关键词不仅可以看流量，还可以和搜索词、转化、购买前搜索路径结合起来看。
这篇Use case就是教我们怎么把关键词分析做得更深。
Introduction
官方说明中，关键词定向是很多Sponsored Ads广告主都会使用的重要投放方式。
这里有两个概念要先分清楚：
-
Search terms：消费者在Amazon搜索框里输入的搜索词； -
Keywords：广告主在广告活动中出价购买的关键词。
关键词、搜索词和对应的匹配方式，在AMC里可以用于Sponsored Brands和Sponsored Products分析。
吴老师解读：
广告后台也能看搜索词报告。
但AMC的价值在于，它可以把搜索词和更长的购买路径连接起来。
你不只是看“哪个词成交”，还可以看用户在成交前到底经历了哪些搜索变化。
它和DSP品牌搜索有什么区别？
官方特别提醒：
Sponsored Ads关键词和搜索词，不等于DSP ad-attributed branded searches。
Sponsored Ads关键词和搜索词，是和流量事件相关的，用于Sponsored Brands和Sponsored Products的定向。
DSP归因品牌搜索是转化事件，用来理解广告如何影响品牌搜索。
吴老师解读：
这两个概念不要混。
Sponsored Ads关键词分析，重点是：
用户搜了什么、广告主投了什么、匹配方式是什么、有没有产生曝光点击和转化。
DSP品牌搜索分析，重点是：
广告是否影响了用户后续品牌搜索行为。
数据可用性要注意什么？
官方说明中，Sponsored Brands流量事件中的搜索词和关键词，从2022年12月2日开始可以在sponsored_ads_traffic中查询。
Sponsored Products关键词和搜索词，以及Sponsored Brands、Sponsored Products归因事件中的关键词和搜索词，则受实例创建时间和回填周期影响。
官方提到，一般可查询实例创建日期附近，或者过去约12.5个月内的数据，具体要看实例情况。
吴老师解读：
关键词分析不要默认“所有历史都有”。
如果你查不到很早之前的数据，不一定是SQL错了，可能是数据回填范围本身有限。
查询一：关键词和搜索词流量
第一段查询使用的是：
sponsored_ads_traffic
它会输出：
targeting，也就是广告主投放的关键词； customer_search_term，也就是消费者真实搜索词； match_type，匹配方式； campaign； ad_product_type； impressions； clicks。
官方通过match_type IN ('PHRASE','BROAD','EXACT')识别关键词定向流量。
吴老师解读：
这里的核心是把“你投的词”和“用户搜的词”放到同一张表里。
很多时候，我们以为自己投的是一个词，但真正触发广告的搜索词可能非常宽。
这就是关键词优化最基础的一步。
关键词流量结果怎么看？
官方示例会展示keyword、customer_search_term、match_type、campaign、ad_product_type、impressions和clicks。
比如：
广告主投放的是coffee maker，用户搜索的是buy coffee maker。
或者广告主投放的是coffee machines，用户搜索的是coffee machine。
吴老师解读：
这张表适合做三件事：
-
找高曝光低点击的词； -
找搜索词和关键词不匹配的情况； -
判断Broad、Phrase、Exact哪种匹配方式更有效。
如果Broad带来的搜索词很杂，就要考虑否词或收窄匹配。
查询二：按关键词和搜索词看归因转化
第二段查询使用归因事件表：
amazon_attributed_events_by_traffic_time
它会按关键词和搜索词汇总：
total_detail_page_view； total_purchases。
吴老师解读：
第一段查询看的是流量，回答的是“这个词有没有把人带进来”；第二段查询看的是归因转化，回答的是“被这个词触达的人，后来有没有继续看商品、有没有购买”。
这里的keyword仍然是广告主投放的词，customer_search_term仍然是消费者实际输入的词。AMC把它们保留在同一个归因维度里，再把后续的详情页浏览和购买汇总出来。于是我们就能看见一条更完整的链路：我投了什么词 -> 用户实际搜了什么 -> 这批流量后来带来了多少详情页浏览和购买。
total_dpv指广告归因的详情页浏览量。它不是曝光，也不等于点击；它更接近“用户被广告触达后，进一步去看了商品详情”的信号。total_purchases则是广告归因购买量，代表这组关键词和搜索词最终带来的购买结果。
举个例子：假设你投放的关键词是coffee maker，实际搜索词是buy coffee maker。如果它在查询一里点击不少，而在查询二里total_dpv也高、total_purchases也高，说明这个搜索词不只是能引流，购买意图也比较明确，可以优先保留并观察竞价空间。
反过来，如果一个搜索词曝光、点击都很高，但详情页浏览和购买都很少，常见原因有三类：搜索意图偏泛，商品卖点与搜索需求不匹配，或者价格、评价、主图等详情页承接不够有竞争力。它不一定立刻就该否掉，但至少不应再只看点击数据去盲目加价。
实际分析时，吴老师建议把查询一和查询二放在一起看：
-
曝光高、点击低：先看主图、价格、广告位和搜索词相关性； -
点击高、详情页浏览低：重点检查点击后的商品承接，以及搜索词是否被过宽匹配； -
详情页浏览高、购买低：说明用户愿意了解，但临门一脚没有完成，要回到价格、优惠、评价、变体和库存排查； -
购买高：再结合匹配方式和Campaign，判断是继续放量、单独建组，还是把这类搜索词沉淀为更精细的投放策略。
所以，查询二不是单独看“订单有多少”，而是帮助我们把关键词优化从“哪个词有点击”，推进到“哪个真实搜索需求更值得持续投入”。
查询三：首个搜索词和归因搜索词
第三段查询非常有意思。
它会把用户购买前的“首个搜索词”和“归因搜索词”配对。
官方解释中，归因搜索词可以帮助我们知道用户购买前最后被归因的搜索词。
但它不能告诉我们用户更早之前是怎么搜索的。
所以这个查询会向前看一段时间，把first search term和attributed search term放到一起。
默认lookback window是30天，可以通过UPDATE位置调整。
吴老师解读：
这个查询非常适合看用户搜索意图的升级。
比如用户一开始搜的是泛词：
coffee maker
后来购买前搜的是品牌词：
kitchen smart coffee maker
这说明泛词可能承担了前置种草作用，而品牌词承担了最后收口作用。
首搜词和归因词结果怎么用？
官方示例中提到：
当用户第一次搜索和归因搜索都是coffee时，购买量只有220。
但如果用户先搜coffee，后来搜buy kitchen smart coffee，购买量达到1256。
这说明搜索词从泛词走向更具体、更品牌化时，购买可能明显增加。
吴老师解读：
这就是关键词策略最有价值的地方。
泛词不一定最后成交，但它可能负责把用户带进漏斗。
品牌词不一定负责拉新，但它可能负责最后转化。
如果只看最后归因，容易低估泛词的价值。
如果只看曝光点击，又容易高估泛词的价值。
AMC可以帮我们把这两者放在一条路径里看。
这个Use case在运营中怎么用？
第一，用来优化关键词匹配方式。
看Broad、Phrase、Exact分别带来了什么搜索词和转化。
第二，用来发现否词机会。
如果某些搜索词曝光多、点击多，但转化差，就要重点评估。
第三，用来区分泛词和品牌词角色。
泛词可能是前置触达，品牌词可能是最后收口。
第四，用来做关键词路径分析。
看用户从第一次搜索到最终购买前搜索，词义是否发生变化。
实操建议
吴老师建议大家使用这篇Use case时，按这个顺序：
-
先跑关键词和搜索词流量查询； -
再跑关键词和搜索词归因转化查询； -
把高曝光词、高点击词、高购买词分开看； -
最后跑首搜词和归因词查询； -
判断哪些词负责拉新，哪些词负责转化。
不要只用广告后台最后一列订单数做关键词优化。
关键词背后的用户搜索路径，才是AMC能补充给我们的部分。
最后总结
How to query sponsored ads keywords，是一篇非常适合关键词优化的AMC Use case。
它帮我们把关键词分析分成三层：
-
关键词和搜索词流量； -
关键词和搜索词归因转化； -
首个搜索词和归因搜索词路径。
也欢迎大家收藏专题“吴老师讲AMC”，后面我们会继续用更容易理解的方式，把AMC中的Use case拆开讲清楚。
Codex+亚马逊AMC线下实操课
今天这篇Use case已经非常接近广告优化实战了。
真正的关键词优化，不只是调竞价和否词，而是要理解用户搜索意图怎么变化。
如果你能把Codex和AMC结合起来，就可以把官方关键词Use case变成自己的关键词路径分析工具。
吴老师也准备了 Codex+亚马逊AMC王牌技能组合线下实操课，会围绕“用上帝视角洞察消费者购物全路径”来展开，带大家系统学习如何把Codex和AMC结合起来，用数据看懂广告、看懂消费者、看懂转化路径。
