投了广告之后，那些"自然单"里发生了什么- 大数跨境

首页

投了广告之后，那些"自然单"里发生了什么

从宇宙大爆炸到PPC

2026-07-28

阿波罗的 SKills：

亚马逊新规 listing 优化 Skills：

[送 Skills]75 字符标题新规后，AI 一键生成 Listing 优化

广告全自动数据复盘 Skills 适合周月黑五会员日新品广告分析

[送 PD 复盘 Skills]Prime Day 战况数据复盘：下一轮广告该怎么投？

AI 算法的 Listing 关联流量 skills

Alexa Listing 就绪度检查助手

Rufus 被 Alexa 取代：Amazon AI Shopping 的应用与深度解读

A9 算法逻辑下 Listings 转化能力评估 Skills

[万字解读] A9 算法最新专利：从搜索到流量操作系统的亚马逊算法之路

分享不易，内容 + 代码+Skills 生成耗时数小时整理和编写，感谢转发 + 点赞 + 收藏支持小编！

一次用 AMC 数据追踪广告对自然订单影响的实验，以及我们看到的一些出乎意料的东西

数据来源：真实家居品牌 2026 年 5 月完整 AMC 分析数据

分析工具：Amazon Marketing Cloud（AMC）Analytics Workflow + Amazon Retail Purchases（ARP）

开篇：一个每次复盘都会出现的问题

每次做广告复盘，都会被问到同一个问题："我们的自然单，跟广告有关系吗？"

这个问题背后通常藏着几层不同的担忧。

有些人问的是：如果我们把广告预算砍掉一半，自然单会不会跟着掉？这是一个关于风险和依赖度的问题。

有些人问的是：我的竞争对手也在同样的词上打广告，如果我停，他们抢占了那些词的广告位，我的自然排名会不会受影响？这是一个关于竞争博弈的问题。

还有些人问的是：我们已经在这个品类里有了比较强的自然排名，还需要这么高的广告投入吗？这是一个关于预算优化的问题。

这三个问题，在表面上都可以用一个截图来回答——打开亚马逊 Console，广告销售 57.8%，自然销售 42.2%，截图发过去，但这没有回答问题。

这只是告诉了对方：过去一个月里，有 57.8% 的销售额来自"点击了广告、7 天内购买"的用户，有 42.2% 来自没有满足这个条件的用户。

它完全没有告诉你：那 42.2% 的"自然买家"，在买之前有没有看过你的广告？他们和广告之间到底有没有过任何形式的接触？如果停止投广告，这些"自然单"还会不会发生？

这两组问题之间的差距，不是一个小差距。它直接关系到你对广告效果的评估是否准确，以及你的预算决策是否建立在完整的信息上。

这篇文章记录的，是我们试图用 AMC 数据回答这些问题的过程。用的是一个真实家居品牌的 5 月数据，月销售额 $7.63M，覆盖 Sponsored Products、Sponsored Brands 和 Sponsored Display 三种广告类型。

我们没有得出一个简洁的结论。但我们看到了一些出乎意料的东西，也找到了一些在这之前从没认真追问过的问题。

第一部分：Console 数据的天然盲区，以及为什么它无法回答这个问题

要理解为什么需要 AMC，首先需要理解 Console 数据在这个问题上的局限是什么。

亚马逊 Console 的广告归因逻辑，说起来很简单：

用户点击了你的 Sponsored Products 广告，然后在 7 天之内购买了你的商品——这笔订单归入广告销售。Sponsored Brands 和 Sponsored Display 的归因窗口是 14 天。没有满足这个条件的购买，全部归入自然销售。

这套逻辑是按照"点击"这一个动作来定义广告效果的。点击是可以明确记录的、有时间戳的、一对一的行为。有点击，有购买，有时间窗口的对应——从数据链路上看，这套归因是相对干净的。

但问题在于：用户和广告之间的接触，不只有点击这一种形式。想象这样一个场景。

一个用户搜索了「[品类词 A-核心]」，搜索结果页的第一行是三条广告位，你的品牌在其中一条。他扫了一眼，没有点击，往下滚动，点击了第五条自然结果，看了看评论，觉得这个品牌还不错，但价格比他预期的高一点，关掉了页面。

三天后他再次搜索「[品类词 A-场景]」，又看到了你的广告出现在搜索结果页顶部，这次是 Sponsored Display 的图片广告。他还是没有点击，继续浏览，把另一个品牌的产品加入了购物车，但没有结账。

又过了四天，他直接搜索了「品牌 X [品类词 A]」——你的品牌名——点击了自然结果，购买了。

Console 的记录：自然销售。

这笔订单里，你的广告出现了两次，品牌名被他主动搜索了。这个人在做购买决策的过程中，三次与你的品牌发生了接触——两次广告展示，一次主动品牌搜索。但 Console 看到的只是最后那次点击自然结果，然后是购买，整个被归类为"自然单"。

这不是 Console 在说谎，它用的是它能追踪到的数据链路。点击是它的最小可追踪单元，而这个用户的两次广告接触都没有点击，Console 就是看不到。

真正的问题是：当你用 Console 数据来回答"广告影响了多少自然单"的时候，你用的是一个从设计上就无法追踪这个问题的工具。

不是数据分析师的问题，也不是广告优化师的问题，是工具本身的设计边界。

AMC（Amazon Marketing Cloud）能做到 Console 做不到的事，在于它保存的是用户级别的广告接触历史。每一个有广告曝光记录的用户，AMC 都知道：他在什么时间，搜索了什么词，看到了哪种类型的广告（Sponsored Products、Sponsored Brands 还是 Sponsored Display），有没有点击。这些记录可以追溯到购买日前 90 天。

这让你第一次有机会，回溯一个"自然买家"在购买之前的完整广告接触历史。

第二部分：实验设计——我们在追问什么

分析的起点，是用 AMC 的数据表来定义"Console 自然买家"：在 5 月份有购买行为，且购买前 7 天内没有任何广告点击记录的用户。

定义这个群体，用到的是两张 AMC 表：

amazon_retail_purchases（ARP）：记录所有零售购买数据，每一行是一笔商品级别的购买记录，包含购买用户 ID、购买日期、商品 ASIN、购买数量、单价等字段。我们从这里拿到 5 月有购买行为的所有用户，以及每个用户的订单数量和销售额。

sponsored_ads_traffic：记录所有广告曝光和点击事件，每一行是一条广告事件记录，包含用户 ID、事件日期、广告类型（SP/SB/SD）、搜索词（当广告由关键词定向触发时）、曝光次数和点击次数。我们从这里找出在 7 天窗口内（4 月 24 日至 5 月 31 日）有过广告点击记录的用户，然后从购买用户里剔除这批人。

剩下的，就是 Console 口径的自然买家。按这个标准，这个品牌 5 月共有 60,867 名自然买家，贡献了 $3,221,019 的销售额，占当月品牌总销售的 42.2%。

接下来要做的，是把这 60,867 个用户 ID 带入 AMC 的其他数据，看他们在购买之前的广告接触历史。

我们设计了一个七层分级框架，按照广告接触程度从高到低排列：

A 层（浏览归因确认层）：在 AMC 的 conversions 表中有购买归因记录。AMC 的 conversions 表记录的是 AMC 认定的广告归因购买，包括点击归因和浏览归因（view-through）——那些没有点击广告但在 AMC 的浏览归因窗口内完成购买的人，也会出现在这张表里。
B 层：有过广告点击，但点击发生在购买前 8-14 天（Console SB/SD 归因窗口之外，AMC 28 天窗口之内）
C 层：有过广告点击，但点击发生在购买前 15-28 天（AMC 28 天窗口之内）
D 层：有 20 次以上广告曝光，但无点击，也无 AMC conversions 归因
E 层：有 5-19 次广告曝光，无点击，无归因
F 层：有 1-4 次广告曝光，无点击，无归因
G 层：购买前 90 天内，在 AMC 的 sponsored_ads_traffic 表中没有任何广告记录

这个分层的逻辑，是想把一个粗糙的"自然买家"群体，拆解成几个有不同广告接触程度的子群体，看看他们各自的规模、客单价、和广告接触历史有什么差异。

第三部分：60,867 名"自然买家"的真实画像

结果让我们停顿了一下。这 60,867 名自然买家，在购买前合计接收了 1,952,147 次广告曝光，总点击数为零。

近两百万次广告展示，没有一次点击。这批人选择了一个统一的行为模式：看到广告，不点击，但最终购买。

更具体地看各层的分布：

B 层和 C 层的结果是零——完全空的。这个结果本身就是一个值得单独讲的发现。

B 层和 C 层的定义是：在购买前 8-28 天内有过广告点击，但在最近 7 天内没有再次点击。理论上，这些人应该存在——他们是那些"很久以前点过一次广告，然后拖了两三周才买"的用户。

但实测结果是：这两层完全是空的。在 5 月购买的用户里，没有一个人满足"只在 8-28 天前点击过广告、7 天内没有再次点击"的条件。

这说明了一件非常有意思的事：对于这个品牌的买家，一旦进入了点击广告的行为，他们几乎都会在 7 天之内再次点击。换句话说，购买决策一旦启动，周期非常短。不存在大量"点了一次广告、然后想了三周、最后买了"的用户。

这也意味着：AMC 相比 Console 多出来的那部分归因，不是来自延长点击窗口带来的增量，而是完全来自浏览归因（view-through）——那些从来没有点击过广告，却因为有广告曝光记录而被 AMC 的 conversions 表纳入归因的买家。

最让人意外的数字在最后一行：真正与广告零接触的买家，只有 4,319 人，占自然买家的 7.1%。

剩下的 92.9%，在购买前都有不同程度的广告接触历史。

89% 的自然买家（54,147 人），在 AMC 的 conversions 表里有浏览归因记录——他们平均被 Sponsored Products 广告展示了 36.46 次，从来没有点击过一次，然后通过自然路径购买了。

在 AMC 的视角里，这 54,147 人的购买不是"与广告无关"的。AMC conversions 表把他们归入了广告归因。但因为他们没有点击，Console 把他们全部归为了自然单。

这是同一批订单，两个系统的归因结果完全相反。

在继续之前，有一点必须反复强调：这些数字证明的，是相关性，不是因果。

AMC 记录了这些人在购买前看到了广告，但它无法证明：如果没有这些广告曝光，这些人就不会购买。

也许他们本来就要买，广告只是碰巧出现在了他们搜索相关词的结果页上。也许他们的购买决策完全是由产品本身的质量、评价、价格决定的，广告的存在与否根本无关紧要。

这个因果关系只有一种方式可以验证：停止对一部分用户的广告投放，然后对比这批用户和对照组的购买率变化。这是 Holdout 实验的基本逻辑，是学术研究里检验广告效果因果性的标准方法，也是亚马逊 AMC 官方支持的分析功能之一。

但设计和运行一次 Holdout 实验需要时间（通常 90 天以上），需要放弃一部分用户的广告触达，也需要有统计显著性的样本量。大多数品牌没有做过这种实验，所以我们面对的所有广告效果数据，包括 Console 的 ROAS 和 AMC 的浏览归因，本质上都是相关性证据。

所以接下来所有的分析，都在这个前提下理解。

回到那 4,319 名零接触买家，他们是这次分析里最让人停下来想的群体，平均客单价 $98.25。

这是所有分层里最高的客单价——是 A 层浏览归因买家（$49.70）的近 2 倍，是整个自然买家群体平均水平的大约 1.8 倍。

他们在 90 天内完全没有看到过任何广告，却主动找到了这个品牌的产品，而且买得比任何人都贵。

这批人是谁？

AMC 没有办法告诉你他们来自哪里——因为他们不在广告系统的任何记录里。他们可能是老顾客的重复购买（直接搜索品牌词），可能是通过外部渠道（朋友推荐、Pinterest、博主种草）找来的新客，也可能是在亚马逊平台上通过高评分排名和品牌故事页面自然发现这个品牌的用户。

无论哪种来源，他们代表的是一种不需要广告提醒就能产生购买行为，而且愿意支付更高价格的用户群体。这是品牌资产的一个具体的、可量化的信号。

它的规模（4,319 人，7.1%）和它的客单价溢价（$98.25 vs $49.70）告诉你：这个品牌有一定的自然吸引力，有一批不依赖广告触达的忠诚客。这批人的规模越大，客单价越高，品牌的护城河就越深，对广告的系统性依赖就越小。

第四部分：广告出现在了哪些词的搜索结果旁边？

知道了"自然买家在购买前大量接触过广告"之后，下一个自然产生的问题是：他们是在搜索什么词的时候看到了我们的广告？

这个问题，在 AMC 里有一个非常有价值、但也有明确边界的答案。

有价值，是因为 AMC 的 sponsored_ads_traffic 表记录了每一条广告曝光事件对应的搜索词——当广告是由关键词定向触发时（Sponsored Products 和 Sponsored Brands 的关键词定向），customer_search_term 字段会记录用户实际输入的搜索词。

有边界，是因为这里记录的是"触发广告展示的词"，不是"用户的自然搜索词"。用户输入了某个词，你的广告出现在了搜索结果页——这个词就会被记录在 customer_search_term 里。但用户点击了哪条自然结果、在哪个词上完成了最终的购买决策——这些，AMC 追踪不到，因为它属于亚马逊零售系统的数据，不属于广告系统。

带着这个理解，我们把 60,867 名自然买家的用户 ID 关联到 sponsored_ads_traffic 表，提取他们在购买前的广告曝光词记录，按触达人数排序：

这张表的读法是：10,516 名最终以自然单完成购买的用户，在他们的购买旅程中，曾经在搜索「[品类词 A-核心]」这个词的时候，看到过这个品牌的广告出现在搜索结果页上——但没有点击。

有几个值得关注的细节：

品类词覆盖面最广。「[品类词 A-核心]」覆盖了 10,516 名自然买家，是品牌词「品牌 X [品类词 A-精]」覆盖人数（3,989 人）的 2.6 倍。这说明品牌的广告在品类搜索场景里的视觉存在，比在品牌搜索场景里覆盖了更多的自然买家。

品牌词覆盖的自然买家，客单价可能更高。出现在品牌词搜索场景里的广告，触达的是已经知道品牌名、主动搜索的用户——这批人的购买意图更明确，购买价值可能更高（虽然从这张表里无法直接拿到每个词对应的客单价数据）。

「[品类词 A-泛]」（泛词）覆盖了 8,466 人。这个词的搜索意图是最模糊的，用户可能在搜索任何类型的同类家居产品，不一定有明确的品牌偏好。广告在这个词上的曝光，属于认知触达的早期阶段。

这张词表，真正有战略价值的地方，是它提出了一个需要结合外部数据才能回答的问题：这些词，这个品牌的自然搜索排名是怎样的？

「[品类词 A-核心]」上有 10,516 名自然买家在搜索时看到了广告。这个词上，这个品牌的自然排名是第几位？

如果自然排名在第 1-3 位——意味着这个词上，品牌已经有了强大的自然可见性。用户搜索这个词，既能在顶部看到广告，又能在自然结果里找到品牌。广告和自然形成了双重覆盖。这个词上的广告，是在锦上添花，还是在支付一笔本来不需要付的保险费？

如果自然排名在第 8-10 位甚至更低——意味着如果没有广告，用户在搜索这个词时可能根本看不到这个品牌。广告是在这个词上建立可见性的唯一途径。暂停广告，等于这个词上的流量全部流失。

AMC 本身不提供自然搜索排名数据。但你可以用 Brand Analytics 的 Search Query Performance（SQP）功能补全这一维度：SQP 里有每个词的品牌自然点击份额（organic click share），这是衡量自然可见性最直接的指标。

把 AMC 的"哪些词覆盖了最多自然买家"（广告维度），和 SQP 的"哪些词品牌的自然点击份额高"（自然维度）放在同一张表里对照，你会得到一个在此之前很难构建的关键词双维度地图：

① 辅助验证期（右上象限）：自然排名强、广告覆盖自然买家也多。这些词上，广告和自然在同一个搜索场景里双重覆盖。可以测试小幅降低这些词的竞价，观察自然单数量是否稳定，来判断广告对这些词的自然销售是否有实质性贡献。
② 广告主力期（右下象限）：自然排名弱、广告覆盖自然买家多。广告是这些词上唯一的可见性来源。不能轻易削减，但应该思考如何改善自然排名（Review 积累、Listing 优化、A+ 内容），把这些词从"广告主力期"转化为"辅助验证期"。
③ 待开发期（左下象限）：自然排名弱、广告覆盖也少。这些词目前缺乏存在感，但可能是增长机会。
④ 自然驱动期（左上象限）：自然排名强、广告覆盖少。这些词自然力量已经足够，广告预算可以向其他象限倾斜。

这个矩阵没有办法完全在 AMC 里一键生成，但 AMC 提供的数据构成了它的一半输入。

第五部分：有没有"过度广告"的嫌疑？

这是整篇文章里立场最直接、也最可能引起不舒服的一部分。

广告行业里有一个默认假设，很少被公开挑战：曝光越多越好，触达越广越好，ROAS 越高越应该加预算。

这次的数据，让我们对这个假设产生了一些具体的、有数字支撑的疑问。

疑问一：超过甜点区间的大量曝光，是在触达谁？

我们把这个品牌 5 月所有接触过广告的用户（约 1,600 万），按曝光次数分成 8 个桶，看每个桶里最终购买的转化率（CVR）：

第一眼看到这组数字，直觉反应往往是：曝光越多，转化率越高，所以要尽量让每个用户多看广告，至少要触达到 100 次。

这个解读是错的，而且是一个会导致错误预算决策的经典错误。

它犯的是选择偏差（Selection Bias）的错误。

高频次曝光区间里的用户，之所以积累了那么多曝光次数，不是因为广告系统主动对他们投放了更多，而是因为他们主动发起了更多次的相关搜索。

一个在一个月里被曝光了 100 次以上的用户，意味着他在这一个月里，在亚马逊上搜索了几十次「[品类词 A-核心]」、「[品类词 A-场景]」、「品牌 X [品类词 A]」这样的词。每次搜索都触发了广告曝光，于是曝光次数累积到了 100+。

这种用户本身就是高购买意向的用户——他们在主动、反复地搜索同类产品，说明购买意图非常强烈。他们最终转化，是因为他们本来就要买，不是因为广告让他们有了购买的欲望。

广告没有创造购买意向，购买意向创造了高曝光次数。

把这个因果关系颠倒过来，是这组数据最常见的误读。更值得关注的问题，是那些积累了大量曝光但始终没有转化的用户。

如果 100+ 次曝光区间里的用户 CVR 是 17.3%，那意味着这个桶里有 82.7% 的用户——接触了 100 次以上广告——最终没有购买。

这些人是谁？他们可能是：在反复比较多个品牌、最终选择了竞争对手的用户；可能是刷到广告但并没有真实购买意图的用户；也可能是正在做产品研究、但购买时间点还没到的用户。

不管是哪种，一个共同点是：对他们继续投放广告，在大量曝光之后仍然没有转化，说明更多的曝光不太可能改变结果。

但广告系统默认不会区分"高意向的反复搜索用户"和"无意向的反复出现用户"——只要触发了搜索词，广告就会展示，就会计曝光，就会消耗预算。

有多大比例的广告预算，花在了那些不管展示多少次都不会购买的用户上？

这个问题，是频次数据里最值得追问的部分。

疑问二：那 4,319 名零接触高价值买家，下个月你还在对他们投广告吗？

这是个让人有点不舒服的问题。

前面说到，4,319 名零接触买家客单价 $98.25，是品牌里客单价最高的群体，而且他们不需要广告触达就完成了购买。

问题是：这是 5 月的分析。6 月、7 月，这批人会不会出现在你的广告受众里？

亚马逊的广告系统没有内置的"已购高价值客排除"机制。如果你的 SP 关键词竞价覆盖了某个核心品类词，那只要这 4,319 名零接触买家在下次需要购买之前搜索了这个词，你的广告就会出现在他们的搜索结果页上，他们就会被计一次曝光。

这批人的行为规律是"零接触也会买"。如果这个规律在下个月依然成立，那对他们的广告曝光，对他们的购买决策可能没有实质性影响——只是给他们的购买贴上了一层广告曝光记录，这笔预算的效用接近于零。

但在没有实验验证之前，我们无法确认这个推断。这正是 Holdout 实验的价值所在。

在 AMC 里，你可以把上个月的零接触买家导出为一个用户受众（Audience），然后在 DSP 广告的受众排除列表里加入这批人，观察接下来 90 天他们的购买率是否有变化。如果购买率没有下降，说明这批广告对他们的购买决策真的没有贡献，可以考虑把这部分预算转移到拉新。

疑问三：599,061 人在重复搜索同一个词——广告在触达一个意识积累期的人群

这是一个来自搜索词路径分析的发现，数据来自另一组 AMC 查询。

我们把有过广告点击记录的所有用户（约 170 万），用 AMC 的路径分析功能按他们的搜索词组合分类。结果出现了两种截然不同的行为模式：

共享路径：多人走了完全相同的搜索词路径，比如连续 2-3 次搜索同一个核心品类词「[品类词 A-核心]」，每次都触发广告曝光。这类路径涉及 599,061 名用户，最终广告归因转化：365 人，CVR 0.06%。

独特路径：每个人的搜索词组合都不一样，个性化的搜索序列反映了高度具体的购买意图。这类路径涉及 1,078,775 名用户，最终广告归因转化：226,219 人，CVR 21%。

这两个数字之间的差距是 350 倍。走重复泛词路径的 599,061 人，最终广告转化率只有 0.06%。

这不一定意味着这批人没有价值——他们可能处于购买决策的早期阶段，正在做品类比较，最终可能成为下个月的自然买家（不点击广告，直接搜索品牌购买）。这种"意识积累 → 延迟自然购买"的路径，是完全可能存在的。

但它确实提出了一个预算配置问题：你愿意为这 599,061 名短期内购买意向不明确的用户花费多少广告预算？你的广告在他们身上的展示，是在做有价值的品牌意识积累，还是在做低效的重复触达？

这个问题没有标准答案，答案取决于品牌所处的阶段——新品牌需要意识积累，成熟品牌可能更应该把预算集中在高意向用户上。但如果从来没有问过这个问题，那预算配置可能是被动的而不是主动的。

第六部分：广告点击买家的搜索词路径——谁是被广告直接引导购买的人？

前面几个部分都在看自然买家。现在换一个视角：看那些有过广告点击行为、并且最终完成了购买的用户。这批人是 74,355 名广告点击买家，贡献了 $4.37M 的 GMV（直接来自 ARP 数据）。

他们的搜索词路径，在 AMC 里可以直接追踪——因为有明确的点击记录，sponsored_ads_traffic 表里有每个用户按时间顺序排列的点击词记录。我们用"首次点击词 → 最后一次点击词"的方式构建路径摘要，然后关联 amazon_retail_purchases 数据，拿到每条路径对应的实际销售额。

这个分析揭示了两种截然不同的广告引导购买模式：

模式一：单词路径（精准意图 → 一触即购）

这类买家在整个购买旅程中只点击了一个搜索词对应的广告，然后直接购买。

这类买家的特点是：购买意图高度清晰，决策周期短，一次搜索一次点击就完成了购买。广告对他们的作用，是"帮助他们在高意向时刻找到了品牌"。

模式二：双词决策链路径（品类探索 → 细分锁定）

这类买家的搜索旅程有两个阶段：先点击了一个宽泛的品类词，然后点击了一个更细分的描述词或品牌词，最终购买。

几个显著的规律值得注意。

规律一：双词路径买家的均价系统性高于单词路径买家。

单词路径的均价分布是 $36-69。双词决策链路径的均价是 $67-121。最高的一条路径——「[品类词 B-核心] → [品类词 B-细分]」——均价 $120.63，是单词路径中同类别词（[品类词 B-核心]，$61.28）均价的将近 2 倍。

为什么？一个合理的解释是：做了多步搜索、探索了不同细分词的买家，比只搜索一次就购买的买家，对产品有了更深入的比较。他们知道自己要的是什么规格、什么功能、什么材质。这种购买决策的深度，往往对应更高的购买意愿和更高的客单价。

规律二：从品类词 → 品牌词的路径，代表品牌认知的完成。

如果一个用户先搜索了「[品类词 A-核心]」（品类词），然后搜索了「品牌 X [品类词 A-精]」（品牌词），这条路径说明：他从一个对品类有需求的用户，变成了一个对具体品牌有明确偏好的用户。广告在这条路径上出现了两次，分别对应了决策的两个阶段。

这对关键词策略的含义是：品类词是入口，品牌词是锁定。两者在广告策略上承担的角色不同，评估指标也应该不同。

规律三：双词路径的总 GMV 远小于单词路径，不是因为每人贡献少，而是因为人数少。

走「[品类词 A-核心]」单词路径的买家有 1,077 人，GMV $62,265。走任何一条双词路径的买家都不超过 30 人，GMV 都在 $2,000 以下。

这很正常——多步决策路径天然筛选了更高意图的少数用户，单步直购路径覆盖的是更大众的即时意图群体。

对广告竞价策略的含义：单词路径负责量（更多人、更多转化），双词决策链路径负责质（更高客单价）。两类用户的价值不同，理论上应该有不同的竞价层级。但在当前的 SP 竞价系统里，很难精准区分"正在走第一步的用户"和"已经走到第二步的用户"——路径分析的结论，可以用来指导 SD 和 DSP 的再营销受众分层。

第七部分：我们用了哪些 AMC 数据表，以及它们各自能提供什么

为了让这次分析方法论对有 AMC 访问权限的人更有参考价值，这里专门整理一下这次分析用到的数据表、字段、以及它们之间的关联逻辑。

核心数据表

① amazon_retail_purchases（ARP，亚马逊零售购买数据）

这张表是所有分析的购买侧基础。每一行是一条商品级别的购买记录，不是订单级别。

主要用到的字段：

user_id：购买用户的匿名 ID，是跨表关联的主键
purchase_date_utc：购买发生的日期（UTC 时间）
purchase_id：订单 ID，用于 COUNT DISTINCT 计算订单数
purchase_units_sold：购买数量
unit_price：商品单价

注意：ARP 表没有直接的"销售额"字段，需要用 purchase_units_sold × unit_price 计算每行的销售额，然后 GROUP BY user_id 汇总。

在这次分析里，我们用 ARP 表定义了三个人群：

1. 全体 5 月买家（按 purchase_date_utc 过滤）

2. 广告点击买家的实际 GMV（把 sponsored_ads_traffic 点击用户 INNER JOIN 到 ARP）

3. Console 自然买家的销售额（把排除了点击用户后的 ARP 用户汇总）

② sponsored_ads_traffic（广告流量数据）

这张表是所有广告侧分析的基础。每一行是一条广告事件记录，对应一个用户在一个时间点的广告接触。

主要用到的字段：

user_id：广告接触用户的匿名 ID，与 ARP 的 user_id 可以直接关联
event_dt_utc：广告事件发生日期
ad_product_type：广告类型，取值为 sponsored_products、sponsored_brands、sponsored_display
impressions：该行对应的广告曝光次数
clicks：该行对应的广告点击次数（0 或 1）
customer_search_term：触发广告展示的搜索词（仅关键词定向有值；商品定向和自动投放通常为空）
spend：该条广告事件对应的花费

重要限制：customer_search_term 只对关键词定向的广告有值。Sponsored Products 的自动投放、商品定向投放，以及所有 Sponsored Display 的受众定向投放，这个字段都是空的或空字符串。所以当你在分析"广告出现在了哪些词旁边"的时候，实际上你只能看到关键词定向的那部分——商品定向和受众定向触发的广告曝光，是无法追踪到具体词的。

在这次分析里，这张表被用于：

1. 定义"7 天内有广告点击"的用户（用于筛选自然买家）

2. 计算各用户的广告曝光次数和点击次数（用于漏斗分级）

3. 提取自然买家的广告曝光词（Query 1）

4. 重建广告点击买家的搜索词路径（Query 3）

③ conversions（AMC 归因转化数据）

这张表是 AMC 的归因核心——它记录的是 AMC 认定的广告归因购买事件，包括点击归因和浏览归因（view-through）。

主要用到的字段：

user_id：转化用户 ID
event_dt_utc：转化（购买）发生的日期
total_purchases：该行记录的购买数量（大于 0 即有购买）

关键理解：conversions 表里出现的用户，是 AMC 认定"此购买与广告接触相关"的用户。包括：

点击了广告、28 天内购买的用户（点击归因）
没有点击广告、但在广告曝光后的归因窗口内购买的用户（浏览归因，View-through）

判断某个"Console 自然买家"是否属于 AMC 的浏览归因，就是看这个 user_id 是否出现在 conversions 表里：出现了 = A 层浏览归因；没出现 = 继续按曝光次数分到 D/E/F/G 层。

④ amazon_attributed_events_by_traffic_time（广告归因行为事件）

这张表记录的是广告归因的行为事件——在广告曝光/点击之后，用户在归因窗口内发生的行为（详情页浏览、加购、购买等）。

主要用到的字段：

user_id：用户 ID
traffic_event_date_utc：事件日期（注意：日期字段名是 traffic_event_date_utc，不是 event_date_utc）
detail_page_view：详情页浏览次数（注意：字段名是单数 detail_page_view，不是复数）
add_to_cart：加购次数（注意：字段名是单数 add_to_cart，不是复数）
total_purchases：归因购买次数

这张表在本次分析的漏斗分级里用于区分 B/C/D 层：

有 detail_page_view > 0：说明用户广告曝光后有过产品详情页浏览行为
有 add_to_cart > 0：说明用户广告曝光后有过加购行为

所有表的连接键都是 user_id。这是 AMC 里用户级别分析的核心——它把购买行为（ARP）、广告接触（sponsored_ads_traffic）、AMC 归因（conversions）连成了一条用户旅程的记录。

一个需要特别注意的 AMC SQL 限制

在 AMC 里写 SQL 时，有几个与标准 SQL 不同的限制，在实际操作中容易踩坑：

1. 最终 SELECT 不能加 ORDER BY。AMC 不支持在最终输出的 SELECT 里使用排序，需要在下游工具（Excel、Python）里排序，或者用 ROW_NUMBER() 做变通。

2. amazon_attributed_events_by_traffic_time 的字段名是单数：detail_page_view（不是 detail_page_views）、add_to_cart（不是 add_to_carts），日期字段是 traffic_event_date_utc（不是 event_date_utc）。

3. 不支持相关子查询。如果 SQL 里用了 WHERE x = (SELECT MAX(x) FROM same_table WHERE user_id = outer.user_id) 这种写法，会报 Unsupported row expression type RexCorrelVariable 的错误，需要改用 ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY ...) 的方式。

4. customer_search_term 在 Auto 投放和商品定向里是空字符串，不是 NULL。所以过滤时需要同时写 WHERE customer_search_term IS NOT NULL AND customer_search_term != ''，只用 IS NOT NULL 不够。

第八部分：一个可以自己做的分析框架

这次分析的方法论，本身就是一套可以复用的框架。如果你有 AMC 访问权限，以下是四步操作路径：

Step 1：定位你的自然买家，看他们的真实画像

在 AMC 里运行 SQL：从 ARP 拿到当月所有购买用户，从 sponsored_ads_traffic 拿到 7 天内有广告点击的用户，用 LEFT JOIN + WHERE IS NULL 的方式排除掉点击用户，剩下的就是 Console 自然买家。

关注三个指标：

自然买家的人数规模和销售额占比
自然买家的平均客单价（与广告归因买家对比）
自然买家里真正 90 天零广告接触的人数（G 层）和他们的客单价

如果 G 层零接触买家客单价显著高于广告归因买家，说明有真实的品牌自然吸引力。反之，说明品牌在目前阶段高度依赖广告带动所有层级的购买。

Step 2：提取广告曝光词地图，识别广告与自然排名的叠加词

把自然买家的 user_id 关联到 sponsored_ads_traffic，按 customer_search_term 汇总曝光次数和触达买家人数，排序取前 20 个词。

然后去 Brand Analytics 的 Search Query Performance 查这 20 个词的：

你的品牌的有机点击份额（Organic Click Share）
你的品牌的搜索展示份额（Brand Search Impression Share）

对照生成第四部分里的四象限矩阵，识别哪些词处于"辅助验证期"（可以测试降竞价）、哪些处于"广告主力期"（不能动）。

Step 3：拉频次分布，找你的品牌的甜点区间

从 sponsored_ads_traffic 按用户汇总曝光次数，然后关联当月购买记录，看不同曝光次数桶的用户最终购买率。

找到你品牌的 CVR 明显上升并趋于稳定的起点——这是你的甜点区间。甜点区间之后，考虑在 DSP 广告里设置频次上限（Frequency Cap），避免对已经形成意见的用户做无效重复触达。

Step 4：搜索词路径分析，识别高价值决策链

从 sponsored_ads_traffic 找出当月有购买且有广告点击记录的用户，按 event_dt_utc 排序，提取每个用户的首次点击词（rnk_asc = 1）和最后一次点击词（rnk_desc = 1），用 CONCAT 拼成路径摘要，然后关联 ARP 拿到实际销售额。

找出高 GMV 的双词决策链路径，这些路径的买家均价通常高出单词路径 40-110%。可以用这批路径用户的共同特征（首触词 × 末触词组合）来构建 DSP 再营销受众，对他们提高竞价，因为他们的客单价支撑更高的获客成本。

Step 5（进阶）：设计 Holdout 实验，验证因果

以上四步都是相关性分析。要真正回答"广告影响了多少自然单"，唯一的方法是 Holdout 实验。

做法：把某一批用户（比如上个月的零接触高价值买家）在 AMC Audience Workflow 里导出为受众，然后在 DSP 投放里把这批人加入受众排除列表。观察 90 天后，这批被排除用户的复购率与对照组相比是否有显著差异。

如果差异不显著，说明广告对这批人的购买影响非常有限——可以继续扩大排除规模，把节省下来的预算用于拉新。

结尾：不是结论，是更好的问题

做完这次分析，我们没有得出"广告对自然单的影响是 X%"这样的结论。

因为这个数字不存在，或者说，它没有一个可以在不做实验的情况下准确计算出来的答案。

我们看到的是：一个月 $7.63M 的品牌里，42% 的"自然单"中，89% 的买家此前接触过广告曝光，只有 7% 的买家是真正 90 天内零广告接触；有 26,644 名用户接受了 100 次以上广告展示，我们不知道其中有多少人本来就不打算购买；有 14 名买家走了「[品类词 B-核心] → [品类词 B-细分]」这条双词决策路径，均价 $120.63，是同类单词路径均价的 2 倍。

这些数字，不告诉你"广告要打多少"，但它们提出了一些更好的问题：

在自然排名已经很强的关键词上，广告是在帮助你，还是在重复支付一笔已经不必要的可见性费用？

对那 4,319 名不需要任何广告提醒就会主动购买的忠诚客，你下个月是否还在对他们投放广告？

在曝光次数超过 50 次的用户群里，有多大比例的人已经不打算购买——他们还在每次搜索的时候消耗你的预算吗？

你的搜索词策略里，有没有识别出那些"自然排名已经很强、但广告覆盖了大量自然买家"的词，并且为这些词设计过竞价优化测试？

找到这些问题的答案，比知道广告 ROAS 是多少更有价值。

ROAS 告诉你花出去的广告费带来了多少直接归因的销售，但它不告诉你：这些钱里有多少是在产生真实的增量价值，有多少是在触达那些不管你投不投广告都会购买的人，有多少是在给已经丧失购买意图的用户做低效重复曝光。

AMC 是目前少有的能让你开始问出这些问题的工具。它不会直接给你答案，它给你的是追问的方向。

至于答案，需要实验、需要时间、需要愿意测试一些"如果广告减少了，会发生什么"的假设。

但从追问开始，是一个好的起点。

本文数据来源：真实家居品牌 2026 年 5 月 AMC 完整分析，数据已脱敏处理，单位为美元。

*分析使用的 AMC 表：`amazon_retail_purchases`（ARP）/ `sponsored_ads_traffic` / `conversions` / `amazon_attributed_events_by_traffic_time`*

*关键关联字段：`user_id`（跨表主键）/ `event_dt_utc`（时间过滤）/ `customer_search_term`（词层分析）/ `purchase_units_sold × unit_price`（GMV 计算）*

所有分析结论均为相关性推断，因果验证需要 Holdout 实验设计。

本周日举办 AI & Hanna Agent 交流沙龙：