AMC 研究報告 · 教學 deck

Amazon Marketing Cloud

AMC 研究報告

AMC 研究與廣告自動化

2

章 CHAPTERS

11

驗證 VERIFICATIONS

T0–T3

證據分層

2026-06 · v3

AMC 能做什麼、不能做什麼

AMC 為聚合型隱私資料環境（privacy clean room），用於廣告成效的觀察性分析與假設驗證。可分析「曝光廣告後的後續行為」，但無法判定「購買是否由廣告造成」；後者須以 holdout（保留對照組）增量實驗驗證。

01 AMC 基礎 — 用途 / 表 / 對齊
02 數據驗證 — AMC↔後台 · SQP · 9 實驗（驗證 01–11）
03 應用案例 ★ — 童襪復購行為（應用 1）
04 AMC Audiences — 能力與限制
05 數據驗證 Schema — 能力階梯 × PPC

06 未來該做的數據驗證（依優先序）
07 KW 追蹤 · DataForSEO
08 方法論與限制
09 產品分析 — 標準指標集 & BS 真數據

AMC × Sponsored Ads · 教學 deck

02

01

Chapter 01

AMC 基礎

AMC 用途

AMC 是聚合型隱私資料環境（privacy clean room），只能用 SQL 查詢；有兩種用法：

Report · 測量分析

進一步分析 SP / SB / SD 流量與轉化數據。

Audience · 受眾建立

打包受眾，回推 SP / SB / DSP 投放。

03

AI Agent × AMC

過去

工程師逐題撰寫 SQL，單次分析成本高，AMC 多為偶發性專案。

現在

AI 代理＋ SP-API／AMC 憑證打通到位：用自然語言描述問題，代理自動生成 SQL → 執行查詢 → 解讀 → 自我修正。

結論新增一個 AMC 問題的邊際成本趨近於零；AMC 由偶發性專案轉為常態化、可高頻深入的分析能力（本專案十餘個實驗即如此產出）。

04

AMC 表格

按功能分四類常用骨幹：

流量

sponsored_ads_traffic（SP/SB/SD 曝光·點擊·花費）
dsp_impressions / dsp_clicks（DSP，未流入則為空）

廣告歸因轉換

amazon_attributed_events_by_traffic_time
…_by_conversion_time

轉換事件

conversions_for_audiences（曝光宇宙）
conversions_all 付費

零售 · 受眾鏡像

amazon_retail_purchases 付費
*_for_audiences — 各表鏡像，建受眾用

05

三張核心表

兩張是純事件統計，第三張才用時間歸因把它們串起來。

表	性質	內容
sponsored_ads_traffic	純統計	原始流量事件（曝光／點擊），含 user_id、版位、關鍵字、花費、時間。
conversions_for_audiences	純統計	原始轉換事件（瀏覽商品頁／加購／購買），含 user_id、ASIN、event_subtype、時間。
amazon_attributed_events_*	歸因（串接）	Amazon 用 14 天 last-touch 把上面兩者串起來：這筆轉換歸給哪個點擊／關鍵字。

關鍵 流量事件天生帶版位、轉換事件天生沒有——曝光/點擊能逐 ToS/RoS/PP 拆;轉換的版位是歸因表用 last-touch 事後指派的,所以拆不乾淨(詳見驗證 3)。

展開主要欄位三表的關鍵欄位（schema 參考）

表	主要欄位
sponsored_ads_traffic	creative_asin（推廣品，僅 SP/SD）· placement_type · customer_search_term · user_id · impressions · clicks · spend（÷1e8＝USD） · event_dt_utc
conversions_for_audiences	user_id · tracked_item（ASIN）· event_subtype（detailPageView／addToCart／shoppingCart／order）· event_dt_utc
amazon_attributed_events_*	user_id · ad_product_type（NULL＝DSP）· product_sales（僅推廣品）／total_product_sales（含 halo 外溢） · new_to_brand · 各指標 _clicks／_views

06

廣告歸因：記帳規則，不是因果

歸因＝「一筆轉換，算哪個廣告的功勞？」買家下單前碰過多個廣告，需要一套規則決定 credit——它是記帳，不是事實。

兩個旋鈕

① 歸因窗：接觸後多久內的轉換才算
② 模型：多個接觸點，credit 怎麼分

Amazon 預設

14 天 · last-touch（credit 全給最後一次互動）；SP/SB 看點擊、SD/DSP 連曝光也算。

last-touch 偏誤

過獎「收尾」版位（商品頁／再行銷）、虧待「開場」（搜尋）→ credit ≠ 貢獻。

紅線 歸因 ≠ 增量：它只說「轉換路徑上有沒有廣告」，不說「沒廣告這筆會不會發生」。觀察式歸因系統性高估 ad-driven 銷售 ~3×（Gordon 2019）；要證因果，只有 holdout。這條貫穿整份報告。

展開深入三種轉換數 · 時間軸 · 外部證據

三種「轉換數」	是什麼
原始事件 conversions_*	這個人有沒有做這動作（沒套歸因）
廣告歸因 attributed	這筆被算給廣告（套窗＋模型，小很多）
後台 ROAS/ACoS	上面歸因的彙總

時間軸：by_traffic_time（掛點擊日）vs by_conversion_time（掛轉換日）；14 天窗 → 要等成熟才看數。模型不只 last-touch：first-touch／linear／position／data-driven，AMC 可自訂。外部證據（觀察法系統性高估 ad sales）：Lewis-Rao QJE 2015、Blake-Nosko-Tadelis ECMA 2015、Gordon MktgSci 2019（≈3×）。

07

歸因 8 層：從直覺到底層

由淺入深層層加深——前段是直覺，越往下越是陷阱;第 7 層是整份報告的紅線。點任一層展開細節。

層 0 · 直覺歸因＝「一筆轉換算哪個廣告的功勞?」——記帳規則,不是事實

買家下單前通常碰過好幾個廣告接觸點,所以需要一套規則決定 credit 記給誰。歸因就是那套規則——它是一個「記帳規則」,不是事實。

層 1 · 兩個旋鈕歸因窗(多久內算)× 歸因模型(多接觸怎麼分 credit)

任何歸因都由兩件事定義:

歸因窗(window):接觸之後多久內的轉換才算數。
歸因模型(model):有多個接觸點時,credit 怎麼分。

把兩個旋鈕轉到不同位置,同一批購買就算出不同的「廣告功勞」。

層 2 · Amazon 預設14 天 · last-touch · SP 看點擊(SD/DSP 連曝光也算)

窗 = 14 天(SP 後台可選 7d／14d;AMC attributed 表用 14 天)→ 看數要等成熟,近幾天轉換還在累積。
模型 = last-touch:credit 全給轉換前最後一次互動。
SP／SB:只看點擊(沒點不算)。
SD／DSP:還看曝光(view-through,看到沒點也算)→ 更容易「灌水」。

層 3 · 三種轉換數原始事件 / 廣告歸因 / 後台彙總——口徑不同,別混

同一筆購買,三個地方是三個不同的數:

原始事件(conversions 表):沒套歸因,最大。
廣告歸因(attributed 表):套窗＋模型,小很多。
後台 ROAS:再彙總。

→ 漏斗卡(原始事件口徑)不能拿歸因表去拆。

層 4 · 時間軸掛點擊日 vs 掛轉換日;14 天窗要等成熟

掛點擊日(by_traffic_time) vs 掛轉換日(by_conversion_time):問不同問題用不同軸。
14 天窗 → 近幾天轉換還在累積,太早看會低估。
口徑不同 → SQP 24 小時窗與 AMC 14 天窗不相容,轉換層無法互相反推(見驗證 02)。

層 5 · last-touch 偏誤過獎收尾、虧待開場 → 版位飄、總量守恆

credit 全給「最後一次互動」,造成:

過獎收尾型版位(商品頁 PP、再行銷)——坐在旅程末端。
虧待開場型版位(搜尋、品類)——製造認知卻非最後一點。

後果:逐版位 credit 會飄(ToS 多分 +17%),但總量守恆(訂單 856 vs 後台 855)。

層 6 · 模型不只一種first / linear / position / data-driven——但都只是記帳

last-touch 之外還有:

first-touch:全給開場。
linear:均分。
position-based:頭尾加重。
data-driven:模型估(AMC 可自訂)。

→ 換模型只是換一套記帳規則,沒有一個是「真相」。

層 7 · 紅線：歸因 ≠ 增量只說「路徑上有廣告」,不說「沒廣告會不會發生」

歸因只回答「路徑上有沒有這個廣告」,不回答「沒有它這筆會不會照樣發生」(增量):

過度歸因會認領「本來就會買」的人——品牌詞、再行銷、PP 防禦最嚴重。
我們數據:近半購買者根本沒點 BS 廣告。
外部證據:Lewis-Rao(QJE 2015)、Blake-Nosko-Tadelis(ECMA 2015)、Gordon(Mktg Sci 2019,觀察法高估約 3×)。

→ 要量因果只有 holdout 實驗。

層 8 · 實務看規模/診斷/找浪費 ✅;拿歸因決定砍通路 ✕

✅ 可用:

看流量規模、漏斗診斷、找浪費搜尋詞、同口徑相對比較。

✕ 不可用:

拿歸因 ROAS／ACoS 決定「砍哪個通路或版位」(那是增量問題,需 holdout)。
判斷品牌詞／PP 防禦／再行銷值不值得(歸因嚴重高估)。

08

AMC × 廣告後台數據

AMC 就是細分廣告後台數據。

對齊結果

曝光 · 點擊 · 花費 · 訂單都對得上（差 ~2–4%；訂單推廣品近乎一致）。

驗證強度

四項驗證各自成立：同窗版位、逐 29 ASIN、異窗版位、訂單。

結論數據可互相對帳；~3% 穩定偏移推測為 AMC 較嚴的無效流量過濾。

09

AMC 與 SQP 的關係

SQP＝Brand Analytics 的「搜尋詞成效」報表（同一搜尋詞下，自然＋付費的曝光統計）。

版位範圍不同

AMC 曝光＝搜索結果＋商品詳情頁；SQP 只有搜索結果。

搜索數據細分

AMC＝廣告（含推薦版位）；SQP＝搜索漏斗（自然＋搜索廣告，不含推薦版位）。

結論 SQP − AMC 切出的搜索數據 ≈ 搜索自然流量（看廣告對自然的帶動）；僅曝光／點擊層可反推（單週飄、需多週平均），轉換層因定義不相容不可行。

10

用 SQP 反推自然：流量層可減、轉換層不行

能不能反推，看「付費那一份」能不能從總量乾淨切出來；能切的也只在多週平均下可信。

流量層 ✓ 可反推（需多週）

曝光 · 點擊

純事件、同窗互斥 → SQP − 付費 = 自然，原理成立；但單週飄、需多週平均（見驗證 2）。

轉換層 ✕ 反推不出

DPV · 加購 · 購買

三者各有死因（缺欄／不歸因／定義不相容），減不出可信的自然。

但未經廣告曝光的購買可改用 FSI（付費 conversions_all）直接讀（exposure_type 分未曝光／曝光，非反推）。

為什麼流量是純事件統計，同窗互斥、可相減；轉換要靠歸因，而 AMC（14 天／點擊錨）與 SQP（24 小時／搜尋錨）定義不相容——細節見「數據驗證」章。FSI 只到轉換側，自然「流量」仍只能靠 SQP。

11

02

Chapter 02

數據驗證

驗證 1：AMC 是否能與廣告後台數據對齊？

四項驗證各自獨立成立。
版位：ToS 搜尋頂部／RoS 搜尋其餘／PP 商品頁；Δ＝AMC 比後台的差%。

① 同窗 · 版位05-02→06-01 · ToS/RoS/PP · 曝光·點擊·花費−2~−4%

版位	指標	後台	AMC	Δ
ToS	曝光	22,002	21,345	−3.0%
ToS	點擊	1,557	1,517	−2.6%
ToS	花費	$2,382	$2,325	−2.4%
RoS	曝光	666,134	645,720	−3.1%
RoS	點擊	7,760	7,511	−3.2%
RoS	花費	$7,670	$7,420	−3.3%
PP	曝光	2,853,794	2,742,352	−3.9%
PP	點擊	3,985	3,828	−3.9%
PP	花費	$3,155	$3,030	−4.0%

後台＝SP 報表(spCampaigns × 版位)；AMC＝sponsored_ads_traffic 同窗。三版位 × 三指標一致 −2~−4%。OTHER 桶因兩端版位分類口徑不同未列入。

② 同窗 · 逐 ASIN05-02→06-01 · 29 支 ASIN(imp≥1k) · 曝光·點擊中位 ~0%

ASIN	後台 imp	AMC imp	Δ	後台 clk	AMC clk	Δ
ASIN-01	1,702,195	1,673,098	−1.7%	5,608	5,464	−2.6%
ASIN-02	449,193	435,745	−3.0%	1,019	995	−2.4%
ASIN-03	322,713	312,963	−3.0%	1,740	1,678	−3.6%
ASIN-04	194,464	189,677	−2.5%	443	440	−0.7%
ASIN-05	188,300	184,855	−1.8%	1,019	987	−3.1%
ASIN-06	142,215	141,658	−0.4%	1,243	1,224	−1.5%
ASIN-07	130,419	124,967	−4.2%	511	500	−2.2%
ASIN-08	83,954	82,411	−1.8%	109	100	−8.3%
ASIN-09	61,762	60,956	−1.3%	461	460	−0.2%
ASIN-10	47,443	46,479	−2.0%	425	411	−3.3%
ASIN-11	33,396	32,588	−2.4%	49	43	−12.2%
ASIN-12	32,917	32,761	−0.5%	166	164	−1.2%

n=29(後台 imp≥1k)｜Δ曝光中位 −0.5%、聚合 −1.8%｜Δ點擊中位 0.0%、聚合 −2.3%。僅列前 12 大；微量 ASIN 點擊小樣本波動大(如 ASIN-11)。ASIN 已匿名化。

③ 異窗 · 版位04-01→05-01(與①不重疊) · ToS/RoS/PP · 曝光·點擊·花費−2~−4%

版位	指標	後台	AMC	Δ
ToS	曝光	37,157	35,624	−4.1%
ToS	點擊	2,627	2,519	−4.1%
ToS	花費	$4,023	$3,860	−4.1%
RoS	曝光	833,058	814,949	−2.2%
RoS	點擊	9,429	9,211	−2.3%
RoS	花費	$8,964	$8,758	−2.3%
PP	曝光	2,366,168	2,285,176	−3.4%
PP	點擊	4,987	4,869	−2.4%
PP	花費	$3,878	$3,785	−2.4%

獨立窗口(4 月)再驗一次,排除單一時段巧合。三版位 × 三指標同樣 −2~−4%,方向一致。

④ 訂單 · 總量05-02→06-01 · 推廣品／含 halo · 僅總量（版位歸屬較模糊）+0.1% ／ −2.9%

口徑	後台	AMC	Δ
推廣品購買（同 SKU）	855	856	+0.1%
含 halo 購買（全 SKU）	2,898	2,814	−2.9%

後台＝SP 報表 purchasesSameSku14d／purchases14d；AMC＝amazon_attributed_events purchases／total_purchases，同 14 天窗、ToS+RoS+PP。逐版位較噪（如 ToS 推廣品 +17%）——轉換的版位歸屬比流量模糊、版位間互相挪移，加總才守恆，故僅列總量。

結論 四項驗證證明，曝光／點擊／訂單／花費跟廣告後台的數據幾乎完全一致。

12

驗證 2：能用 SQP 反推自然搜索流量嗎？

公式 自然 = SQP − AMC 搜索切片。以 toddler socks 跨 26 週（半年，2025-12 ~ 2026-05，全程 API）檢驗 → 反推只在「付費輕」期間勉強成立，重投期直接失效。

曝光層 ⚠ 僅輕投期可算

14/26 週

可算的週也大起大落（8.9–60.3%，sd 15.4）；12 週重投期（旺季）付費曝光＞ SQP 總曝光，減法失效（被 floor 成負）。

點擊層 ⚠ 同樣依賴投放

20/26 週

可算的週 7.5–90.4%、sd 27.6（極不穩）；6 週重投期付費點擊＞ SQP，同樣失效。輕投近期才回到 84–90%。

轉換層 ✕ 三指標皆否

DPV · 加購 · 購買

DPV：SQP 無此欄；加購：AMC 全不歸因（=0）；購買：官方定義不相容（SQP 24h／搜尋 vs AMC 14 天／點擊）。

展開原始數據26 週 · SQP(SP-API) vs AMC 搜索切片(ToS+Other)　— = 付費>SQP 失效自然 = SQP − 付費

週	SQP imp	付費搜尋	自然 imp	SQP clk	付費	自然 clk
重投期（2025-12 ~ 2026-02）— 付費多次＞ SQP，減法失效
11-30	45,023	35,849	9,174 (20.4%)	615	473	142 (23.1%)
12-07	17,677	19,387	—	281	260	21 (7.5%)
12-14	14,585	18,004	—	185	144	41 (22.2%)
12-21	5,423	7,364	—	58	37	21 (36.2%)
12-28	7,115	15,495	—	69	91	—
01-04	7,147	16,935	—	100	135	—
01-11	5,724	15,545	—	81	107	—
01-18	5,649	13,296	—	75	105	—
01-25	5,916	11,556	—	62	75	—
02-01	7,545	11,824	—	118	107	11 (9.3%)
02-08	6,051	15,868	—	112	135	—
02-15	5,368	10,487	—	102	88	14 (13.7%)
02-22	5,634	7,060	—	153	95	58 (37.9%)
輕投期（2026-03 ~ 05）— 可算，但仍逐週飄
03-01	7,880	6,546	1,334 (16.9%)	174	90	84 (48.3%)
03-08	5,945	5,416	529 (8.9%)	151	89	62 (41.1%)
03-15	6,016	4,331	1,685 (28.0%)	111	55	56 (50.5%)
03-22	10,535	5,726	4,809 (45.6%)	136	63	73 (53.7%)
03-29	18,280	7,263	11,017 (60.3%)	241	108	133 (55.2%)
04-05	15,078	9,709	5,369 (35.6%)	241	108	133 (55.2%)
04-12	10,302	8,955	1,347 (13.1%)	354	92	262 (74.0%)
04-19	7,966	4,902	3,064 (38.5%)	496	68	428 (86.3%)
04-26	7,607	5,328	2,279 (30.0%)	405	61	344 (84.9%)
05-03	7,765	3,858	3,907 (50.3%)	314	42	272 (86.6%)
05-10	4,089	3,288	801 (19.6%)	245	40	205 (83.7%)
05-17	5,795	2,998	2,797 (48.3%)	280	27	253 (90.4%)
05-24	5,037	2,630	2,407 (47.8%)	208	26	182 (87.5%)

SQP＝SP-API Brand Analytics（單詞 toddler socks 的 asinImpressionCount／asinClickCount）；付費搜尋＝AMC ToS+Other（sponsored_ads_traffic）同窗。有效週（付費<SQP）：曝光 14/26 mean 33.1、sd 15.4；點擊 20/26 mean 52.4、sd 27.6。「Other on-Amazon」非純搜尋結果位，重投期（旺季 auto/broad 大投）灌大到超過該詞總搜尋曝光 → 兩源非同尺度、減法失效（12 週曝光、6 週點擊）。轉換層：keyword 可切的付費歸因加購全 0（SP 歸因稀疏）；conversion 表加購非 0，但無 keyword 維度。

購買為何不可反推SQP vs AMC 購買的官方歸因定義對照定義不相容

維度	SQP 購買	AMC 歸因購買
歸因錨點	搜尋查詢	廣告點擊
時間窗	24 小時（同日）	14 天 last-touch
涵蓋率	僅同日 ~1/5 轉換	點擊後 14 天全收
宇宙	搜該詞所有人（自然＋付費）	只點過廣告的人
版位	只有搜尋結果	跨版位（搜尋＋PP）

排 PP 只修「版位」一重；24h vs 14 天的時間窗與錨點不相容、無法用過濾修。實測 toddler socks 四週（排 PP 後）自然購買 0／+1／+3／+5、彙總 39%——數量級巧合，非有效自然值。來源：SQP 24h（Parker-Lambert）、SQP 僅搜尋來源（amalytix）、AMC 14 天 last-touch（Amazon Ads）。

結論用 SQP 反推自然：只在付費輕的期間勉強可算、且逐週大幅擺動；重投期付費曝光甚至超過總搜尋曝光（兩源非同尺度）→ 減法失效；轉換層結構性不可行。要可靠只能 holdout／直接量測。

13

驗證 3：AMC 抓得到核心五數據嗎？

AMC 五核心數據：曝光灌商品頁、效率在搜尋。

817,400

曝光

3,112

點擊

4,273

瀏覽商品頁用戶

1,594

加購用戶

1,107

購買用戶

結論曝光七成灌在商品頁，但點擊與花費七成在搜尋——曝光看 PP、效率看搜尋。

展開原始數據版位 + 漏斗 + 逐 ASIN + 巢狀驗證

版位	曝光	佔比	CTR	點擊	花費
ToS 搜尋頂部	4,471	0.5%	6.91%	309	$467
RoS 搜尋其餘	142,255	17.4%	1.27%	1,802	$1,798
PP 商品頁	626,893	76.7%	0.15%	944	$754
合計	817,400	100%	0.38%	3,112	$3,104
漏斗（廣告歸因 · 事件／去重用戶）
瀏覽商品頁 DPV	事件 10,211 · 用戶 4,273
加購	事件 1,883 · 用戶 1,594
購買	事件 1,245 · 用戶 1,107

逐 ASIN 漏斗（前 8 大·佔曝光 87%；數字＝事件·用戶；ASIN 匿名）
ASIN	曝光	點擊	DPV	加購	購買	冷%
ASIN-01（Hero）	371,982	1,250	2,476·1,900	285·277	196·196	99.7%
ASIN-02	110,118	277	921·731	260·255	174·174	99.7%
ASIN-03	71,697	407	615·481	50·47	28·28	99.4%
ASIN-04	43,587	224	496·385	76·76	54·54	99.5%
ASIN-05	39,403	104	497·410	78·76	51·50	99.7%
ASIN-06	29,873	124	420·312	77·73	52·52	99.6%
ASIN-07	27,748	282	668·541	99·96	61·60	99.0%
ASIN-08	18,668	30	255·226	80·80	61·61	99.8%
合計（32 支）	817,400	3,112	10,211·4,273	1,883·1,594	1,245·1,107	99.6%

漏斗巢狀	包含率
購買 ⊆ 加購	78.7%
加購 ⊆ 瀏覽	98.1%
購買 ⊆ 瀏覽	90.1%
瀏覽 ⊆ 點擊	60.7%
購買 ⊆ BS 點擊	47.4%

瀏覽⊆點擊僅 60.7% → 39% 商品頁造訪非廣告點擊驅動;購買⊆BS點擊 47.4% → 近半購買者沒點 BS 廣告(購買⊆加購 78.7%：~21% 走「立即購買」繞過購物車)。事件可相加、用戶需去重(跨 ASIN 會重複)。spend÷1e8＝USD。

14

驗證 4：BS 的復購率多少？尺寸升級 vs 換色

5 月復購 26%——同色換大尺寸 16.2%、異色換款 14.3%，雙引擎各半。

26.0%

復購率（5 月訂單）

16.2%

同色換大尺寸（≥3 月）

14.3%

異色換款（≥2 週）

74%

首購（非復購）

結論 復購 26%——一半靠「孩子長大、同色換大尺寸」，一半靠「換不同色款」。對策：尺寸線要齊全（缺尺寸＝斷復購鏈）＋出新色拉回舊客。

展開拆解 · 定義 · 方法 · 與 NTB 區別

拆解：同色換尺寸 16.2% ＋異色換款 14.3% − 兩者重疊 4.6% ＝復購 26.0%。定義：同色需間隔 ≥3 個月、異色 ≥2 週（排除同次購物多買）。方法：12 個月回看窗、AMC 顧客層自連接、間隔以週桶近似（±約 1 週）。與 NTB 別：NTB＝品牌 12 月新客（此線新客 62%、舊客 38%）；復購為變體層級，復購 26% ⊂ 品牌舊客 38%。

15

驗證 5：廣告點擊來自哪、成本多少？

多數點擊來自搜尋詞（69%）；商品頁點擊較便宜（$0.79 vs $1.09）。

點擊來源	點擊	佔比	CPC
搜尋詞	2,122	68.7%	$1.09
商品頁	915	29.6%	$0.79
整體	3,088	100%	$1.01

結論 搜尋詞帶來多數點擊；商品頁點擊較便宜，但量僅 29.6%。

16

驗證 6：曝光有多少是沒人點的「冷流量」？

99.6% 的曝光是冷流量——被秀出、沒人點，主要由商品頁灌出。

817,400

總曝光

3,112

點擊（CTR 0.38%）

814,288

冷流量（沒點）

99.6%

冷流量佔比

結論 99.6% 曝光是冷流量，主要由商品頁灌出——是常態，非壞事。

展開原始數據冷流量 × 版位（7d）

版位	曝光	佔比	點擊	CTR	冷流量%
ToS 搜尋頂部	4,471	0.5%	309	6.91%	93.1%
RoS 搜尋其餘	142,255	17.4%	1,802	1.27%	98.7%
PP 商品頁	626,893	76.7%	944	0.15%	99.9%

17

驗證 7：「有搜尋詞」就等於「來自搜尋結果」嗎？

不是——商品頁也帶詞；乾淨的搜尋切片必須用版位篩。

76.5%

PP 曝光佔比

0.18%

PP CTR

4.47%

ToS CTR（PP 25×）

21.1%

RoS 曝光佔比

結論 「有搜尋詞」≠「來自搜尋結果」——商品頁也帶詞，乾淨搜尋切片要用版位篩。

展開原始數據PP 效率 · 商品頁帶詞 · halo 口徑 · 去留

主題	結論
PP 效率	PP 不是黑洞：三版位 ACoS 只差 1.27×（ToS 38%／RoS 33%／PP 42%）；PP 拿 54% 預算產 51% 購買，相稱
商品頁帶詞	SP 在商品頁曝光 100% 帶詞；「PP 不進搜尋詞報表」是 placement-origin（在詳情頁發生），不是「沒 query」
halo 口徑	剔除 halo 的嚴格 ACoS：PP 217% vs 含 halo 54%（4.02× 放大）；halo 確是自家品牌（2.64×），含 halo 口徑偏樂觀
PP 去留	「值不值得付 PP 的錢」＝增量問題、觀察級答不了 → 存疑，須 holdout

18

驗證 8：預算有對齊各 ASIN 的角色嗎？

沒有——存在過度投放，也有隱藏冠軍。

740K

Hero 曝光（47.7% 花費）

#2→#4

過度投放（投放→互動）

#9→#2

隱藏冠軍

743K

SB 空 creative（29%，無歸因）

結論 預算沒對齊 ASIN 角色——有過度投放，也有隱藏冠軍。

展開原始數據商品定向（PAT）分散度 · 效率

主題	結論
分散度	商品定向（PAT）分散全由品類定向造成（品類A 對 14,006 個對象）；ASIN 定向超集中（自己占 90%+）；PAT 的「搜尋詞」多是 ASIN（dark search）
效率	品類噴灑 ≠ 浪費：品類定向 ACoS 32%／ASIN 定向 31%／瀏覽再行銷 15%；唯一該砍＝keyword-group 當品類那組 64%。⚠️ 瀏覽再行銷 15% 最存疑（view-through 灌水＋需求截留非創造），放大前須 holdout

19

驗證 9：曝光越多、越近，就越會買嗎？

購買率隨時間衰減、隨次數上升——但這是 selection 污染，不是因果。

0.281→0.024

購買率（0–7天 → 121–180天，~12×）

5.8×

次數 1 → 30+ 的提升

結論購買率隨次數升、隨時間衰，但這是 selection、不是因果——多投不等於多轉。

展開兩個污染源 · 價格帶決定 frequency 形狀

兩污染：(1) 觀察窗——舊桶觀察期更久；(2) reverse causality。價格帶決定 frequency 形狀：低價廣而淺、高價窄而深；BS 1→30+ lift 5.8×（$14）／KPGS 26.3×（$29，f=30+ 回落＝過曝疲勞）。⚠️ KPGS f=30+ 僅 664 人、同 selection 污染 → 26.3× 只能當假設（Lewis-Rao 嚴重打折）。

20

驗證 10：Hero 的銷售有多少來自自然流量？

大量來自自然流量；付費廣告主要在商品頁做防禦/截流。

85–91%

自然點擊占比

≈50×

商品頁 vs 搜尋曝光

30–60%

自然搜尋曝光

50–100%

品牌新客購買占比

結論 Hero 銷售大量來自自然；付費廣告主要在商品頁做防禦，非主要拉新。

展開口徑風險 + 與版位 halo 互補

toddler socks 商品頁 imp 149,981 vs 搜尋 2,998（≈50×）。外部補充：SQP 與 AMC 分母不同，僅曝光/點擊層可線性反推、轉換層不可（本報告「數據驗證」章已嚴格證明）。PP-halo 的量化見驗證 6（PP 效率／halo 口徑），與本卡互補。

21

驗證 11：什麼樣的版位組合最會轉換？

不是版位類型，而是「多版位重疊」——但極可能是 selection。

0.666

三版位都中 CVR（8×，15 萬用戶）

0.359

兩版位

0.161

純 ToS

0.132

純 PP

結論決定轉換的是多版位重疊、不是版位類型——但極可能是 selection、非因果。

展開外部對照（皆無 holdout）

中文社區「2–3 種廣告型態轉換 4×」、Perpetua「16×」方向一致＝補充；但全屬 vendor 報告、無 holdout，Gordon 2019 證此類觀察 lift 可嚴重偏誤、甚至反號。

22

03

Chapter 03

應用案例

應用 1：把童襪的復購行為，變成再行銷與庫存決策

問三件事——會不會回購、靠哪種行為、節奏多長——每一題都直接對到一個可執行決策。

T0 · 率與節奏

會不會回購、多久回購一次？
→ 決定再行銷的時點

T1 · 復購結構

靠補貨、換色、升級、還是換款？
→ 決定鋪幾種色、備哪個碼

資料源 AMC 全購買資料（已對帳，與完整零售購買逐線差 <1%）；童襪類別、客戶層級、3 年窗。

23

童襪真實 1 年復購 24%，且整年慢慢累積

用 cohort 存活曲線——分母只算「首購已滿 N 天、答得出有沒有回購」的人——避免把剛首購、還沒機會回購的人灌進去而低估。

24.0%首購後 1 年累積復購（vs 不修正只 13%）

首購後	合格客（追蹤夠久）	其中復購	累積復購率
30 天	133,504	3,826	2.9%
90 天	115,804	9,149	7.9%
180 天	86,218	11,774	13.7%
240 天	55,578	9,657	17.4%
300 天	32,839	6,527	19.9%
365 天	9,494	2,283	24.0%

結論復購窗很長、整年慢慢來——再行銷要鋪滿整年，不能只打首購後 30 天（那時才 2.9%）。

展開方法與限制

合格客＝首購距今已滿該天數、能回答「N 天內有沒有回購」的人；窗越長合格客越少。修正了什麼：不修正會把剛首購的人算進分母 → 單一窗率只剩 13%（被稀釋）。365 天可信度：資料實際只到 2025-05（約 13 個月），365 天那格雖僅 9,494 人，但 240 天（5.6 萬人）、300 天（3.3 萬人）樣本厚、曲線平滑爬到 24%，佐證 1 年率可信。2 年以上暫測不到。

24

復購主要靠「補貨同款」，升級最少

把每個復購客按「跟上次比變了什麼」貼標籤（可同時多型）。補貨遠超換色、跨款、升級。

復購型	是什麼	占復購客
補貨	同款 · 同色 · 同碼，再買一次	58%
換色	同款，換一個顏色	33%
跨款	換一條襪線（如嬰兒襪 → 花邊襪）	18%
升級	同色，換大一個尺寸	17%

結論補貨主導 → 熱賣款不缺貨＝復購命脈；升級最少，符合「童襪寬尺寸帶內、小孩短期內沒長大」的結構。

展開定義與母數

母數＝18,265 復購客（占 138,901 總購買客）。多標籤：一人可同時屬多型（先補白款、又買粉款＝補貨＋換色），故四欄加總 >100%，非互斥切分；占比為「曾發生過該型」的獨立計數。

25