Ein praktischer Leitfaden zur Kampagnen-Prognose mit der API-Suite für Medienplanung von Amazon

Ich bin Medienstratege in einer mittelständischen Werbeagentur. Eine Wellness-Marke wandte sich mit einem Budget von 150 Mio. USD, das sie auf Amazon ausgeben wollten, an uns. Sie hatten eine Frage: „Können Sie garantieren, dass dies funktionieren wird?“

Ich konnte nicht. Keiner von uns konnte das. Wir verfügten über 15 Jahre Erfahrung, hatten bereits Tausende von Kampagnen durchgeführt und waren fest vom Produkt überzeugt. Aber wir hatten keine Gewissheit. Wir erarbeiteten einen Mediaplan im Wert von 150 Mio. USD auf dieselbe Weise, wie Architekten früher Gebäude entwarfen, bevor es das Bauingenieurwesen gab: mit Erfahrung, Intuition und Hoffnung. Insgeheim hatten wir Angst. Drei Monate später fragte der Kunde: „Erreichen wir unsere Zielgruppe so, wie Sie es vorhergesagt haben?“ Ich hatte keine Ahnung. Es war uns nicht möglich, die spezifische Reichweite über alle Kanäle hinweg genau zu messen. Unsere Reichweitenprognosen? Fundierte Vermutungen.

Sechs Monate später nahm ich an einer Amazon Ads-Konferenz teil und erfuhr dort von den Medienplanungs-APIs, die alle Fragen beantwortet hätten, auf die wir keine Antwort hatten:

• Wie hoch war die modellierte Reichweite für unseren Werbetreibenden über das gesamte Amazon-Inventar im letzten Quartal?
• Wie viele Personen werden wir bei den verschiedenen Budgetstufen erreichen?
• Welche Kampagnenergebnisse können wir prognostizieren, bevor wir das Budget festlegen?
• Zahlen wir dafür, dieselbe Person auf mehreren Kanälen zu erreichen?
• Welches Kundenverhalten sagt die höchsten Conversion-Raten voraus?
• Wie messen wir die wahre Wirkung unserer Medieninvestitionen?

Heute investiert derselbe Kunde jährlich 200 Mio. USD – nicht, indem er mehr für dieselben Kanäle ausgibt, sondern indem er voller Vertrauen mithilfe der API-Suite neue Zielgruppen und Inventare erschließt. Nicht weil wir klüger sind. Sondern weil wir aufgehört haben zu raten.

Stellen Sie sich die Medienplanung so vor, wie ein Filmstudio die Veröffentlichung eines großen Kinofilms plant. Bevor das Studio einen Dollar für die Produktion ausgibt, fragt es: Wer ist unsere Zielgruppe? Auf welchen Kanälen werden sie sein? Wie viel sollten wir in jedem Markt ausgeben? Welche Rendite sollten wir erwarten? Die Medienplanung funktioniert für Werbetreibende auf dieselbe Weise – es handelt sich um die strategische Vorarbeit, die Sie vor dem Kauf von Werbeanzeigen leisten, damit Ihre Kampagne eine echte Chance auf Erfolg hat.

Ohne einen Plan handeln Sie auf gut Glück. Mit den richtigen Tools, insbesondere der API-Suite für Medienplanung von Amazon, erstellen Sie Prognosen. Dieser Unterschied ist zig Millionen Dollar wert.

Die Medienplanungs-APIs von Amazon sind in vier Gruppen unterteilt, von denen jede eine zentrale Herausforderung bei der Planung adressiert:

Wie viele Menschen haben wir erreicht, werden wir erreichen, und wie groß ist die tatsächliche Überschneidung?

Welche Ergebnisse können wir vorhersagen, bevor wir das Budget festlegen?

An welche Zielgruppe sollten wir uns bei Targeting richten und warum?

Wie führen wir die Messung der tatsächlichen Medienwirkung kanalübergreifend durch?

Alle APIs nutzen das Inventar sowie verhaltensbezogene Signale von Amazon Ads. Für die Publisher-übergreifende Reichweite, die Deduplizierung, die Performance-Messung und die Charakterisierung der Zielgruppen sind externe Messpartner erforderlich.

Jede Kampagne durchläuft vier Phasen, und die Medienplanung-APIs lassen sich in jede einzelne davon integrieren.

Bevor Sie auch nur einen Dollar ausgeben, analysieren Sie die bisherigen Ergebnisse, erstellen eine Prognose für Reichweite und Performance und erstellen Ihren Plan. Reichweitenkurven-APIs, Performance-Prognose und Zielgruppen-APIs bieten Ihnen die Daten für alle drei.

Mit Ihrem Plan in der Hand richten Sie das Targeting ein, konfigurieren die Kanäle und legen die Budgetzuweisungen fest. Mit den Zielgruppen-APIs legen Sie fest, wen Sie erreichen, während die Reichweitenkurven-APIs (Reichweitenprognose, Prognose-Deduplizierung) Ihnen beitragen, Ihren Kanalmix vor dem Start zu überprüfen.

Sobald die Kampagne läuft, überwachen Sie die Performance, passen die Budgets an und optimieren das Targeting. Die Reichweitenkurven-APIs (Prognose-Deduplizierung) zeigen Ihnen, ob Sie einzigartige Kunden erreichen oder für Überschneidungen bezahlen.

Nach Abschluss der Kampagne führen Sie die Messung der tatsächlichen Ergebnisse gegenüber den Prognosen durch, ziehen daraus Erkenntnisse und planen die nächste Kampagne. Die Reichweitenkurven-APIs (Historische Reichweite) zeigen, was tatsächlich passiert ist, und die MMM-API speist diese Signale in Ihr Messframework ein.

Historische Reichweite bietet Ihnen historische Reichweitenkurven für Amazon-Inventar, die auf den Kontext Ihres Werbetreibenden zugeschnitten sind. Sie geben einen Zeitraum und Zielgruppenparameter vor und es werden modellierte Zahlen zur spezifischen Reichweite zurückgegeben, die auf den Panel- und Inventardaten von Amazon basieren. Kein Rätselraten. Keine Annahmen.

Wir haben historische Reichweite mit den Daten der vergangenen Kampagnen des Kunden aus sechs Monaten durchgeführt. Ergebnis: 12 Millionen unterschiedliche Kunden, nicht 8 Millionen. Eine Messlücke von 50 %. Das hat alles verändert. Die Kosten pro Reichweite lagen um 37 % unter ihren Erwartungen, wodurch sich ihre Kampagnen als weitaus effizienter erwiesen, als ihre ursprünglichen Metriken vermuten ließen. Sie haben nicht unterdurchschnittlich abgeschnitten – sie haben unterdurchschnittlich gemessen. Auf dieser Grundlage konnten wir getrost eine Kampagne im Umfang von 150 Mio. USD planen.

Historische Reichweite blickt zurück, nicht nach vorne. Es kann das nächste Quartal nicht vorhersagen. Aber ohne Kenntnis des tatsächlichen Ausgangspunkts kann man keine gute Prognose erstellen. Betrachten Sie dies als eine Art Lesen des Jahresabschlusses des Vorjahres, um den notwendigen Kontext für die Aufstellung des Budgets für das nächste Jahr zu schaffen – nicht als die vollständige Strategie. Nicht geeignet für erstmalige Amazon-Kampagnen ohne bisherige Daten.

Der Kunde fragte: „Sollen wir 120 Mio. USD, 150 Mio. USD oder 180 Mio. USD ausgeben? Was ist der Unterschied in der Reichweite?“ Üblicherweise würden wir von einer groben linearen Skalierung ausgehend von den Ausgaben des Vorjahres ausgehen, oder? In diesen Fragezeichen lebt die Angst.

Mit der Reichweitenprognose können Sie Budgetszenarien testen, bevor Sie überhaupt Ausgaben tätigen. Sie geben Ihre Zielgruppe, Kampagnendaten und mehrere Budgetoptionen an. Es wird eine Reichweitenkurve ausgegeben, aus der genau hervorgeht, wie viele einzelne Kunden mit jedem Budget erreicht werden und an welcher Stelle die Kurve abflacht (d. h. an welcher Stelle zusätzliche Ausgaben keine proportionale Steigerung der Reichweite mehr bewirken).

Ein anschauliches Beispiel zur Veranschaulichung der Funktionen der Reichweitenprognose-API:

Die Kurve flachte nach 150 Mio. USD stark ab. Durch den Anstieg von 150 Mio. USD auf 175 Mio. USD kamen nur 1,7 Mio. Kunden hinzu, was 14,70 USD pro zusätzlichem Kunden gegenüber einem Durchschnitt von 7,35 USD entspricht. Wir haben empfohlen, diese 25 Mio. USD einzusparen und sie der Kundengewinnung zuzuweisen. Die Reaktion des Kunden: „Sie haben uns gerade 25 Mio. USD gespart, bevor wir sie ausgegeben haben.“

Dies sind Prognosen, keine Garantien, ähnlich wie Wettervorhersagen. Die Genauigkeit hängt von den jeweiligen Kampagnenbedingungen ab; die angegebenen Werte sind illustrative Beispiele, die auf typischen Performance-Mustern basieren. Geben Sie stets einen Konfidenzbereich an, z. B.: „Wir prognostizieren eine Reichweite von 20,4 Mio., wobei der wahrscheinliche Bereich zwischen 18,5 Mio. und 22,1 Mio. liegt.“ Planen Sie mit einer Sicherheitsmarge, verfolgen Sie die Ist-Zahlen und verfeinern Sie Ihre Modelle im Laufe der Zeit.

Zur Halbzeit der Kampagne im 4. Quartal bat der Kunde um eine Zwischenbesprechung. Wir haben ihm mitgeteilt, dass wir 21,6 Mio. Einzelkunden über mehrere Amazon Ads-Kanälen erreicht haben. Wir waren mit dieser Zahl zufrieden. Wir haben uns geirrt.

Die Deduplizierung der Prognose zeigt Ihnen, wie viele einzelne Personen Sie tatsächlich auf all Ihren Amazon-Kanälen erreichen, und nicht die übertriebene Summe der Reichweite jedes Kanals. Es stellt die Überschneidungen zwischen den Kanälen dar, sodass Sie genau erkennen können, wo es zu Doppelzählungen kommt und Sie zweimal für dieselben Personen bezahlen.

Ein Beispiel zur Veranschaulichung der Funktionen der API für die Deduplizierung der Prognose:

Wir haben die Deduplizierung der Prognose ausgeführt. Echte spezifische Reichweite: 13,2 Mio., nicht 21,6 Mio. 8,4 Mio. „Kunden“ waren dieselben Personen, die auf mehreren Kanälen auftraten. Kanäle des Verbundenen Fernsehens überlappten sich zu 68 %. Wir hatten 61.740 USD verschwendet, um Leute zu erreichen, die wir bereits erreicht hatten. Wir haben den Medienmix neu strukturiert, überlappende Kanalbudgets reduziert, die Ausgaben auf Twitch verlagert (wo die Überschneidung geringer war) und beim gleichem Budget von 150 Mio. USD eine spezifische Reichweite von 16,8 Millionen erreicht. Eine kostenlose Steigerung der spezifischen Reichweite um 27 %.

„Wir zahlten 61.000 USD, um dieselben Anzeigen auf fünf verschiedenen Bildschirmen zu schalten. Das ist keine Mehrkanalstrategie – das bedeutet, fünfmal Miete für dieselbe Wohnung zu zahlen.“

Die Deduplizierung funktioniert nur innerhalb des Inventars von Amazon. Falls Sie zusätzlich Google, Meta, TikTok oder lineares Fernsehen nutzen, werden diese Überschneidungen hier nicht angezeigt. Teilen Sie den Kunden im Voraus mit: „Dies verdeutlicht die Überschneidungen in den Amazon-Zielgruppen. Für die Publisher-übergreifende Deduplizierung benötigen Sie Messpartner von Drittanbietern.“ Legen Sie die Erwartungen klar fest.

Reichweite ist wichtig. Aber die eigentliche Frage des Kunden war: „Wie effizient wird diese Kampagne funktionieren?“ Bevor sie sich auf ein Budget in Höhe von 150 Mio. USD festlegen, mussten sie wissen, wie hoch ihre Kosten pro Klick (CPC) ausfallen würden, mit welchen Video-Abschlussraten sie rechnen könnten und ob sich die Investition in großem Umfang auszahlen würde. Das Beste, was wir sagen konnten, war: „Basierend auf Branchendurchschnitten sollten vertrauen Sie uns.“

Mit der Performance-Prognose lassen sich die Ergebnisse Ihrer Kampagne vorhersagen, noch bevor Sie einen Dollar ausgeben. Sie wählen eine Metrik aus (Klicks, Video-Abschlüsse oder Aufrufe von Produktdetailseiten), und die API gibt eine Prognose-Kurve zurück: Für jede Ausgabenhöhe erhalten Sie die prognostizierte Anzahl, die Kosten pro Ergebnis (CPC, eCPM, CPDPV, CPVC) sowie die Ratenkennzahlen (CTR, VCR). Keine hoffnungsvolle Schätzung. Eine datengestützte Vorhersage mit Konfidenzintervallen.

Ein anschauliches Beispiel zur Veranschaulichung der Funktionen der Performance-Prognose-API:

Die API lieferte eine Prognose-Kurve, die die erwarteten Klicks und die Kosten pro Ergebnis bei unserem geplanten Ausgabenvolumen darstellte, wobei die Konfidenzintervalle selbst im unteren Bereich die Effizienz-Benchmarks des Kunden übertrafen. Wir betraten die Planungssitzung und sagten: „Selbst im konservativen Szenario liegen Ihre Kosten pro Ergebnis im Zielbereich. Wir empfehlen, dieser Kampagne grünes Licht zu geben.“

Drei Monate später lagen die tatsächlichen Klickraten und die Kosten pro Ergebnis innerhalb einer Abweichung von 5 % gegenüber der Prognose der API. Die Kampagne führte letztendlich zu einer 4-fachen ROAS als Geschäftsergebnis. Diese Kombination – präzise Prognosen als Grundlage für fundierte Entscheidungen – hat die Kundenbeziehung grundlegend verändert und uns eine bedeutende Vertragsverlängerung eingebracht.

Die Genauigkeit verbessert sich mit den Daten. Bei der Produkteinführung neuer Produkte und in Spitzenzeiten vergrößert sich die Varianz. Kampagnen mit einer längeren Amazon-Historie liefern präzisere Prognosen. Machen Sie den Kunden dies deutlich: Konfidenzintervalle sind keine Absicherung – sie geben die ehrliche Wahrheit darüber wieder, wie Prognosen funktionieren.

Die Gruppe Zielgruppen-API trägt dazu bei, dass Sie über demografische Daten hinausgehen und verstehen, wer Ihre Kunden tatsächlich sind, sowie Neukunden finden, von deren Existenz Sie bisher nichts wussten.

Das ursprüngliche Ziel des Kunden: „Erwachsene im Alter von 25 bis 54 Jahren, die sich für Gesundheit und Wellness interessieren, mit einem Haushaltseinkommen von mindestens 60.000 USD.“ Das beschreibt ungefähr 42 Millionen Menschen bei Amazon. Welche Segmente sollten wir vorrangig behandeln und wie viel Mittel sollten jeweils dafür bereitgestellt werden? Anhand demografischer Daten lässt sich erkennen, wer die Menschen sind. Man erfährt nicht, was die Menschen tun. Und das Verhalten sagt die Conversions weitaus besser voraus als Altersklassen.

• Persona Builder nutzt die Daten aus erster Hand von Amazon – also Informationen darüber, was Nutzer kaufen, ansehen und suchen –, um Ihre Zielgruppe in Verhaltenssegmente zu unterteilen. Anstelle von Altersgruppen erhält man konkrete Kundenprofile, die auf Kaufmustern, Streaming-Gewohnheiten und Suchverhalten basieren.
• Die Zielgruppenanalyse deckt neue Zielgruppensegmente auf, die bisher nicht in Betracht gezogen wurden – Personen, deren Verhalten auf eine hohe Kaufabsicht hindeutet, die jedoch außerhalb der derzeitigen Zielgruppenausrichtung liegen. Auf diese Weise findet man Kunden, nach denen man gar nicht gesucht hat.
• Die Zielgruppenüberschneidung zeigt, inwieweit sich Zielgruppensegmente überschneiden, sodass man erkennen kann, welche Zielgruppen sich tatsächlich voneinander unterscheiden und welche sich größtenteils aus denselben Personen zusammensetzen. Dies verhindert zu viele Investitionen in Segmente, die sich stark überschneiden.

Zusammen antworten sie: „Wer sind unsere besten Kunden, wer ist ihnen noch ähnlich und wie vermeiden wir es, dieselben Personen zweimal anzusprechen?“

Ein anschauliches Beispiel zur Veranschaulichung der Funktionen der Zielgruppen-API, wobei die verbleibenden 10 % für das Testen neuer Segmente reserviert sind, die über die Zielgruppenanalyse identifiziert wurden.

Durch die Umverteilung der Werbemittel von allgemeinen demografischen Zielgruppen hin zu verhaltensbasierten Personas konnte die Effizienz der Kampagne deutlich gesteigert werden. Das Segment „Aktiv Wellness“ – mit lediglich 8,2 Millionen Menschen – erzielte die höchsten Erträge. Sie waren die ganze Zeit die Superfans. Wir konnten sie einfach nicht sehen, bis wir uns das Verhalten angeschaut haben.

Die Zielgruppenanalyse deckte daraufhin ein Segment auf, das wir bisher nie in Betracht gezogen hatten: „Streamer von Fitness-Inhalten, die Bio-Snacks kaufen.“ Die Überprüfung der Zielgruppenüberschneidung bestätigte, dass diese Gruppe weniger als 12 % Überschneidung mit unseren bestehenden Zielgruppen aufwies – es handelte sich also um eine wirklich neue Zielgruppe und nicht um eine neu zusammengestellte Version einer bereits bestehenden.

Zielgruppen-APIs zeigen Verhaltensweisen aus der Sicht von Amazon. Wenn Ihre Kunden hauptsächlich außerhalb von Amazon einkaufen oder Medien konsumieren, ergibt sich ein unvollständiges Bild. Kombinieren Sie Ihre Daten aus erster Hand, um ein umfassenderes Bild zu erhalten. Zudem ist dies nicht ideal für sehr kleine Nischenzielgruppen, bei denen die Stichprobengröße eine aussagekräftige Clusterbildung einschränkt.

Nach Ende der Kampagne fragte der Kunde: „Was waren die tatsächlichen Auswirkungen unserer Amazon-Investition im Vergleich zu unseren anderen Kanälen?“ Wir verfügten zwar über Metriken auf Plattformebene, hatten jedoch keine standardisierte Methode, um die Signale von Amazon in deren übergeordnete Modelle der Messung einzubinden. Unser Analyseteam verbrachte Tage damit, Berichte manuell zusammenzustellen, Daten neu zu formatieren und Unstimmigkeiten abzugleichen; bis die Insights schließlich das Planungsteam erreichten, war die nächste Kampagne am Laufen.

Die MMM-API bietet Werbetreibenden und Messpartnern programmatischen Zugriff auf die Werbe- und Einzelhandelsdaten von Amazon und ermöglicht so eine schnellere und skalierbarere Marketing-Mix-Modellierung. Es macht den manuellen Datenaustausch überflüssig und automatisiert die Auslieferung von Mediensignalen (Impressions, Reichweite, Ausgaben) sowie von Einzelhandelsdaten – einschließlich täglicher Metriken zum Einkaufsverhalten wie „In den Einkaufswagen“-Ereignisse – direkt in bestehende Arbeitsabläufe. Das Ergebnis: Häufigere und zuverlässigere Insights für die kanalübergreifende Budgetoptimierung.

Ein anschauliches Beispiel zur Veranschaulichung der Funktionen der MMM-API:

Was unser Analyseteam früher Tage lang mit manueller Datenaufbereitung beschäftigt hat, wurde automatisiert. Die Medien- und Einzelhandelsdaten von Amazon, einschließlich detaillierter Daten zum Einkaufsverhalten, wurden täglich – und nicht vierteljährlich – direkt in das MMM des Kunden eingespeist. Das Ergebnis: Ein klareres Bild davon, wie sich die Investitionen in Amazon im Vergleich zu anderen Kanälen auf die Ergebnisse ausgewirkt haben – und zwar so häufig aktualisiert, dass die Informationen tatsächlich in die nächste Budgetentscheidung einfließen können, anstatt zu spät zu kommen, um noch von Bedeutung zu sein.

Die MMM-API liefert die Signale – sie erstellt das Modell nicht für Sie. Sie benötigen ein bereits vorhandenes MMM-Framework (intern oder über einen Messpartner), um die Daten zu erfassen und zu analysieren. Der Vorteil liegt in der Automatisierung und Standardisierung: Ein einheitlicher, programmgesteuerter Zugriff, der den manuellen Aufwand reduziert und häufigere Analysen ermöglicht.

• Historische Reichweite ist die Grundlage. Man kann keine genauen Prognosen abgeben, ohne zu wissen, was tatsächlich passiert ist. Beginnen Sie jede Kundenbeziehung an dieser Stelle, auch wenn die Wahrheit unangenehm ist.
• Prognostizieren Sie mehrere Szenarien, nicht einen Plan. Präsentieren Sie 3—5 Budgetoptionen mit Reichweitenkurven. Lassen Sie die Daten die Empfehlung aussprechen. Kunden respektieren Optimierung, nicht nur Maximierung.
• Konfidenzintervalle schaffen mehr Vertrauen als falsche Gewissheit. Versprechen Sie keine einzige Zahl. Versprechen Sie vielmehr eine Spanne mit einem Konfidenzniveau. Wenn Sie innerhalb der Spanne liefern, sind Sie ein Held.
• Verhalten schlägt Demografie. Stoppen Sie das Targeting für „Erwachsene zwischen 25 bis 54 Jahren“. Richten Sie sich stattdessen an „Käufer von Proteinpulver, die Fitnessinhalte streamen“. Der Unterschied in der Conversion ist erheblich.

• Unterstützter Onlineshop (überprüfen Sie, ob Ihre Region unterstützt wird)
• Amazon-Kampagnenhistorie (mindestens 6 Monate für historische Reichweite empfohlen)
• Mehrkanal-Medienmix (erforderlich, damit die Prognose-Deduplizierung sinnvoll ist)
• AMC-Instanz (für den Einbau von Daten aus erster Hand)
• Registrierung von Entwicklern und Aufnahme in das Konto-Team

1. Erster Monat: Historische Reichweite. Führen Sie die Analyse Historische Reichweite durch, um den Ausgangswert der Reichweite für Ihre Kategorie und Ihr Inventar der letzten 6 Monate zu ermitteln. Zeigen Sie Ihrem Kunden die tatsächliche Reichweite im Vergleich zur angenommenen Reichweite auf. Schon diese Entdeckung allein rechtfertigt in der Regel den gesamten Aufwand. Lesen Sie unsere Dokumentation zur kampagnenbezogenen Messung.
2. Zweiter Monat: Reichweitenprognose. Testen Sie 3–5 Budgetszenarien für die nächste Kampagne. Präsentieren Sie Reichweitenkurven. Lassen Sie die Empfehlungen von den Daten leiten.
3. Dritter Monat: Performance-Prognose. Fügen Sie Ergebnisprognosen mit Konfidenzintervallen hinzu. Vergleichen Sie einmal pro Woche die Ergebnisse mit der Prognose.
4. Vierter Monat: Deduplizierung der Prognose. In der Mitte der Kampagne durchführen. Finden Sie die Überlappung. Restrukturieren Sie den Medienmix, um die spezifische Reichweite zu maximieren.
5. Fünfter und sechster Monat: Zielgruppen-APIs. Erstellen Sie verhaltensorientierte Personas mit dem Persona Builder. Entdecken Sie mit der Zielgruppenanalyse neue Segmente. Überprüfen Sie die Unterscheidbarkeit mithilfe der Zielgruppenüberschneidung. Verteilen Sie das Budget neu auf die Personas mit den höchsten Conversion-Raten.
6. Fortlaufend: MMM-API. Integrieren Sie die Medien- und Einzelhandelsdaten von Amazon in Ihr Mess-Framework. Nutzen Sie die Insights als Grundlage für den nächsten Planungszyklus.

Neue Integratoren sollten in den ersten 30 Tagen mit größeren Schwankungsbreiten rechnen, während sich das Modell erst an ihr Traffic-Profil anpasst.

Sehen Sie die unten aufgeführten Ressourcen an, die Ihnen helfen sollen, den Einstieg in die API-Suite für Medienplanung zu schaffen.

Der Amazon Ads-API-Leitfaden und die Leitfäden zur Medienplanung enthalten technische Spezifikationen, Endpunkte und Anleitungen zur Integration. Die API-Dokumentation enthält auch die aktuelle lokale Verfügbarkeit und den API-Status.

Gigi, Pacvue, Perpetua, Intentwise und Skai bieten vorgefertigte Integrationen, die keine Programmierkenntnisse erfordern, und schließen Dashboards ein.

Das Partner Network unterstützt Sie dabei, zertifizierte Amazon Ads-Partner zu finden, die Ihnen bei der Umsetzung helfen können.

Die Medienplanung-Zertifizierung bietet kostenlose Schulungen zu den Grundlagen der Medienplanung und zur Nutzung von APIs an.

Ihr Amazon Ads-Ansprechpartner stellt Ihnen Fallbeispiele zur Verfügung, unterstützt Sie beim Onboarding und gewährt Ihnen Zugang zu Pilotprogrammen.

Kein Entwickler? Das ist in Ordnung. Mehrere Partnerplattformen von Amazon Ads (Pacvue, Perpetua, Skai, Gigi und andere) integrieren schrittweise APIs für die Medienplanung. Keine Entwicklungszeit erforderlich. Arbeiten Sie mit Ihrem Kundenteam zusammen, um den richtigen Partner zu finden.

• Verkaufssignale: Untersuchung einer stärkeren Einbindung der Einzelhandels- und Käuferdaten von Amazon direkt in die Arbeitsabläufe der Planung vor Kampagnenstart. Dadurch wird die Medienplanung mit den tatsächlichen Ergebnissen im Einzelhandel verknüpft und beschränkt sich nicht nur auf Metriken für Werbung.
• Agentic Integration Layer Eine neue Funktion, die es KI-Agenten von Drittanbietern ermöglicht, sich direkt in APIs der Medienplanung zu integrieren. Dies bedeutet, dass Ihre firmeneigenen Planungstools, automatisierten Arbeitsabläufe und KI-gestützten Optimierungsmodule programmgesteuert auf die Planungssignale von Amazon zugreifen können, wodurch der Übergang von manuellen API-Aufrufen zu einer autonomen, stets verfügbaren Planungsintelligenz vollzogen wird.

Zusätzliche Ressourcen:

• Wenden Sie sich an Ihr Amazon Ads-Kundenteam
• Nehmen Sie an der Diskussion in unserer GitHub-Community teil
• Die Entwicklerregistrierung abschließen

Quellen:

¹ Amazon intern, USA, 2025–2026.

² Amazon Ads-API-Dokumentation, weltweit, 2026.

Mitwirkende:

Vic Awokoya, Kapil Dwivedi