每周一学｜站内广告与DSP重叠分析

本文解析AMC（Amazon Marketing Cloud）中的核心模型：Sponsored ads and DSP overlap，即赞助广告与DSP触达重叠分析。

该模型属于高级数据分析工具，支持对两种至四种广告产品（SP、SB、SD、DSP）的重叠情况进行深度剖析，直观展示不同曝光组合下的触达人数及购买转化表现。

传统运营中，卖家往往单独查看各渠道数据。而此模型能打破数据孤岛，还原同一用户群体接触多渠道广告的路径，揭示不同组合背后的真实转化效果。

核心价值：模型解决什么痛点？

官方定义指出，该模型通过对比用户接触DSP、SP、SD、SB及其组合后的归因购买表现，评估多渠道协同投放的效能。需注意，此处“接触”均指广告曝光。

在实际运营层面，通过将用户按“触达渠道组合”分组，重点解决以下三个问题：

实操前提：数据准备与注意事项

在使用该模型前，需确保满足以下基础条件：

1. 数据一致性：DSP与赞助广告数据需位于同一AMC实例，且各渠道在同一时期推广相同商品，至少保持一周的同期投放。

2. 归因窗口：若采用官方默认的14天归因窗口，需在查询期结束后等待至少14个完整日再运行查询，以确保转化数据完整录入。

3. 分组口径：需明确区分“双渠道重叠”与“多渠道重叠”。例如，“DSP+SP”组不应包含同时接触了SB的用户。若自行计算交集，务必核对去重逻辑，避免重复统计导致占比失真。

在确认数据无误后，建议重点关注以下五项核心指标：触达人数、去重购买者、购买者比例、品牌新客购买者、ROAS（广告投资回报率）。

分析建议：比例需结合规模考量。若某组合比例极高但基数过小，需积累更多数据验证。对比销售与ROAS时，需确保各组统计的商品范围一致（如是否包含品牌光环商品）。若共同触达组表现优异，应检查DSP与搜索广告的卖点一致性，并通过受控测试扩大覆盖。切记：组合花费与销售归属于整个组，不可全归于单一渠道。

案例复盘：美国站户外高客单价体育用品

以下为某美国站户外高客单价体育用品品牌的AMC分析案例：

报告显示，总触达用户为478,274人，去重购买者171人。其中，DSP+SP共同触达组的数据表现尤为突出：

基于此数据，运营策略应优先审视DSP与SP的协同效应：分析这部分用户对应的DSP活动及推广商品，优化搜索广告承接页以匹配用户兴趣。随后，可通过测试扩大该双渠道组合的覆盖范围，并持续监控品牌新客获取、总购买量及整体ROAS。

需理性看待“19.27倍”这一差异，它反映的是当前样本下的比例关系。能否通过增加DSP投放实现线性增长，仍需通过A/B测试进一步验证。

进阶建议：搭配品牌光环与路径分析

用户在广告引导下可能存在跨ASIN购买行为（如点击A_ASIN广告，最终购买B_ASIN）。若仅关注直接成交ASIN，易遗漏此类转化价值。

因此，建议将重叠分析与品牌光环分析（Brand Halo）结合使用：先识别高转化广告组合，再追溯这些用户最终购买的品牌内所有商品。

若需进一步细化，可结合转化路径分析，厘清用户接触渠道的先后顺序。通过多维数据交叉验证，逐步构建更精准的渠道组合策略与商品承接方案。