아마존의 미디어 플래닝 API 제품군을 활용한 캠페인 예측 실용 가이드

저는 중간 규모 광고 에이전시의 미디어 전략가입니다. 한 웰니스 브랜드가 아마존에서 사용할 1억 5,000만 달러의 예산을 가지고 저희를 찾아왔습니다. 한 가지 질문이 있었습니다. "이게 효과가 있다고 보장할 수 있나요?"

할 수 없었습니다. 누구도 할 수 없었습니다. 저희는 15년의 경험과 수천 건의 캠페인을 바탕으로, 이 상품에 대한 진정한 믿음을 갖고 있었습니다. 하지만 확신이 없었습니다. 저희는 구조 공학이 존재하기 전에 건축가들이 건물을 설계하던 방식, 즉 경험과 직관과 희망에 의존하는 방식으로 1억 5,000만 달러 규모의 미디어 플랜을 구축하고 있었습니다. 내부적으로는 두려움에 떨었습니다. 3개월 후, 고객이 물었습니다. "예상하신 대로 타겟 잠재고객에게 도달하고 있나요?" 전혀 몰랐습니다. 채널 전반에 걸친 고유한 도달범위를 정확하게 측정할 수 없었습니다. 도달범위 예상치? 근거 있는 추측입니다.

6개월 후, 아마존 광고 컨퍼런스에 참석하여 미디어 플랜 API에 대해 알게 되었습니다. 이 API는 당시 답하지 못했던 모든 질문에 답을 제공할 수 있었습니다.

• 지난 분기에 아마존 인벤토리 전반에 걸쳐 광고주 컨텍스트의 모델링된 도달범위는 어느 정도였나요?
• 예산 수준별로 얼마나 많은 고객에게 도달할 수 있나요?
• 예산을 집행하기 전에 어떤 캠페인 퍼포먼스를 예측할 수 있나요?
• 동일한 사람에게 도달하기 위해 여러 채널에 걸쳐 중복으로 비용을 지불하고 있는 건 아닐까요?
• 어떤 고객 행동이 가장 높은 전환율을 예측하나요?
• 미디어 투자의 실질적인 효과를 어떻게 측정할 수 있을까요?

현재 해당 고객사는 동일한 채널에 더 많은 비용을 투자하는 방식이 아니라, API 제품군을 통해 파악한 신규 페르소나와 인벤토리로 영역을 확장함으로써 연간 2억 달러를 투자하고 있으며, 이를 완전한 확신을 가지고 실행하고 있습니다. 저희가 더 똑똑해서 그런 것이 아닙니다. 추측을 멈췄기 때문입니다.

미디어 플래닝은 영화 스튜디오가 대작 영화 개봉을 준비하는 과정과 비슷합니다. 제작에 비용을 투자하기 전에, 스튜디오는 다음과 같이 질문합니다. 소비자는 누구인가요? 어떤 채널에 게재되나요? 각 시장에 얼마를 지출해야 할까요? 어떤 결과를 기대할 수 있나요? 미디어 플래닝은 광고주에게도 동일하게 적용됩니다. 광고를 구매하기 전에 전략적으로 준비하는 과정으로, 캠페인이 실질적인 성과를 거둘 수 있도록 도와줍니다.

계획 없이는 추측에 의존할 수밖에 없습니다. 적절한 도구, 특히 아마존의 미디어 플랜 API 제품군을 활용하면 예측이 가능합니다. 이 차이는 수천만 달러의 가치가 있습니다.

아마존의 미디어 플래닝 API는 네 가지 그룹으로 구성되어 있으며, 각 그룹은 핵심 플래닝 과제를 해결합니다.

얼마나 많은 사람에게 도달했고, 앞으로 도달할 수 있으며, 실제 중복은 어느 정도인가요?

예산을 집행하기 전에 어떤 성과를 예측할 수 있나요?

어떤 타겟을 설정해야 하며, 그 이유는 무엇인가요?

채널 전반에 걸친 미디어의 실질적인 효과를 어떻게 측정하나요?

모든 API는 아마존 광고 인벤토리 및 행동 신호를 기반으로 작동합니다. 크로스 퍼블리셔 도달범위, 중복 제거, 퍼포먼스 비교, 소비자 특성 분석은 타사 측정 파트너를 필요로 합니다.

모든 캠페인은 네 가지 단계를 거치며, 미디어 플래닝 API는 각 단계에 통합됩니다.

비용을 지출하기 전에 과거 결과를 분석하고, 도달범위와 퍼포먼스를 예측하며, 계획을 수립하세요. 도달범위 곡선 API, 퍼포먼스 예측, 잠재고객 API를 통해 세 가지 모두에 필요한 데이터를 확인할 수 있습니다.

계획이 준비되면 타겟팅을 설정하고, 채널을 구성하고, 예산 배분을 확정합니다. 잠재고객 API는 도달하려는 대상을 정의하고, 도달범위 곡선 API(도달범위 예측, 예측 중복 제거)는 출시 전에 채널 믹스를 검증하는 데 도움을 드립니다.

캠페인이 시작되면 퍼포먼스를 모니터링하고, 예산을 조정하며, 타겟팅을 최적화합니다. 도달범위 곡선 API(예측 중복 제거)는 고유 고객에게 도달하고 있는지, 아니면 중복에 비용을 지불하고 있는지를 보여줍니다.

캠페인 종료 후에는 실제 결과와 예측치를 비교하고, 인사이트를 도출하여 다음 캠페인을 계획합니다. 도달범위 곡선 API(과거 도달범위)는 실제로 발생한 내용을 보여주고, MMM API는 해당 신호를 측정 프레임워크에 제공합니다.

과거 도달범위는 광고주 컨텍스트에 맞게 범위가 설정된 아마존 인벤토리에 대한 과거 도달범위 곡선을 제공합니다. 날짜 범위와 잠재고객 매개변수를 입력하면, 아마존 패널 및 인벤토리 데이터를 기반으로 모델링된 순 도달범위 수치를 제공합니다. 추측도 하지 않고, 가정도 하지 않습니다.

고객사의 지난 캠페인 6개월치 데이터를 대상으로 과거 도달범위를 실행했습니다. 결과: 800만 명이 아닌 1,200만 명의 고유 고객을 달성했습니다. 50% 측정 격차가 나왔습니다. 모든 것이 바뀌었습니다. 도달범위당 비용이 처음 메트릭에서 예상했던 것보다 37% 낮아, 캠페인이 훨씬 더 효율적으로 운영된 것으로 나타났습니다. 퍼포먼스가 부진했던 것이 아니라, 측정이 부족했던 것입니다. 이 기준선을 바탕으로 1억 5,000만 달러 규모의 캠페인을 자신 있게 계획할 수 있었습니다.

과거 도달범위는 미래가 아닌 과거를 바라봅니다. 다음 분기를 예측하지는 않습니다. 하지만 실제 출발점을 파악하지 않고는 좋은 예측을 세울 수 없습니다. 내년 예산을 수립하기 전에 전년도 재무 실적을 검토하는 것처럼, 전략 전체가 아닌 필수적인 맥락으로 생각하세요. 처음 시작하는 아마존 캠페인에는 기록이 없어 유용하지 않습니다.

고객이 질문했습니다. "1억 2,000만 달러, 1억 5,000만 달러, 1억 8,000만 달러 중 어느 정도 지출해야 할까요? 도달범위의 차이는 무엇인가요?" 기존에는 전년도 지출을 기준으로 대략적인 선형 확장을 추정했나요? 저 물음표들... 바로 거기에 불안이 자리하고 있습니다.

도달범위 예측을 사용하면 실제 비용을 지출하기 전에 예산 시나리오를 테스트할 수 있습니다. 타겟 잠재고객, 캠페인 기간, 다양한 예산 옵션을 입력하세요. 이 기능은 각 예산이 도달하는 고유 고객 수와 곡선이 평탄해지는 지점(추가 지출이 비례적인 도달범위를 제공하지 않는 지점)을 정확히 보여주는 도달범위 곡선을 제공합니다.

도달범위 예측 API 기능을 보여주는 예시.

1억 5,000만 달러 이후 곡선이 급격히 평탄해졌습니다. 1억 5,000만 달러에서 1억 7,500만 달러로 늘렸을 때 추가된 고객은 170만 명에 불과하며, 평균 7.35달러 대비 증분 고객당 14.70달러가 소요되었습니다. 저희는 이 2,500만 달러를 절약하여 신규 고객 전망 확보에 재배분할 것을 권장했습니다. 고객의 반응: "덕분에 집행하기 전에 2,500만 달러를 절약했습니다."

이는 날씨 예보와 마찬가지로 보장이 아닌 예측치입니다. 정확도는 캠페인 조건에 따라 다를 수 있으며, 표시된 범위는 일반적인 퍼포먼스 패턴을 기반으로 한 예시입니다. 항상 신뢰 범위를 제시하세요. 예: "예상 도달범위는 2,040만 명이며, 가능성 있는 범위는 1,850만 명에서 2,210만 명입니다." 여유 있는 계획을 세우고, 실제 성과를 추적하며, 시간이 지남에 따라 모델을 개선하세요.

4분기 캠페인이 절반 가량 진행되었을 때, 고객사에서 중간 점검을 요청했습니다. 저희는 다양한 아마존 광고 채널을 통해 2,160만 명의 고유 고객에게 도달하고 있다고 설명했습니다. 저희는 그 수치에 만족했습니다. 하지만 틀렸습니다.

예측 중복 제거는 각 채널의 도달범위를 단순히 합산한 부풀려진 수치가 아닌, 아마존의 모든 채널에서 실제로 도달하는 순 사용자 수를 보여줍니다. 이 기능은 채널 간 중복을 파악하여 동일한 사용자에게 중복 노출되거나 비용을 이중으로 지불하는 부분을 정확히 확인할 수 있게 해줍니다.

예측 중복 제거 API 기능을 보여주는 예시:

예측 중복 제거를 실행했습니다. 실제 고유한 도달범위: 1,320만이며, 2,160만이 아닙니다. 840만 명의 '고객'은 여러 채널에 걸쳐 중복으로 집계된 동일 인물이었습니다. 커넥티드 TV 채널의 중복률은 68%였습니다. 이미 도달한 사람들에게 6만 1,740달러를 낭비한 셈이었습니다. 저희는 미디어믹스를 재구성하고, 중복되는 채널 예산을 줄이고, Twitch(중복이 적은 채널)로 지출을 전환하여, 동일한 1억 5,000만 달러 예산으로 1,680만 고유한 도달범위를 달성했습니다. 고유한 도달범위가 무료로 27% 증가합니다.

"동일한 사람들에게 5개의 서로 다른 화면에서 광고를 노출하는 데 6만 1,000달러를 지출하고 있었습니다. 이건 멀티채널 전략이 아닙니다. 같은 아파트 월세를 다섯 번 내는 것과 다름없습니다."

중복 제거는 아마존의 인벤토리 내에서만 작동합니다. Google, Meta, TikTok 또는 유선 TV도 함께 운영 중인 경우, 해당 중복은 여기에 표시되지 않습니다. 고객에게 미리 알리기: "이는 아마존 잠재고객 중복을 보여줍니다. 크로스 퍼블리셔 중복 제거를 위해서는 타사 측정 파트너가 필요합니다." 기대치를 명확하게 설정하세요.

도달범위는 중요합니다. 하지만 고객이 실제로 묻고 싶었던 것은 다음과 같습니다. "이 캠페인은 얼마나 효율적으로 게재될까요?" 이들은 1억 5,000만 달러를 집행하기 전에 클릭당 비용이 어느 정도일지, 어떤 비디오 시청 완료율을 기대할 수 있는지, 그리고 대규모로 집행했을 때 광고가 제대로 개재될 수 있는지 파악해야 했습니다. 가능한 최선의 제안은 다음과 같았습니다. "업종/산업 평균을 기반으로 저희를 신뢰하세요."

퍼포먼스 예측을 통해 광고비를 집행하기 전에 캠페인 결과를 미리 확인할 수 있습니다. 메트릭(클릭 수, 동영상 완료 수 또는 상세 페이지 조회수)을 선택하면 API가 예측 곡선을 반환합니다. 각 지출 수준에서 예측 횟수, 결과당 비용(CPC(클릭당 비용), eCPM, CPDPV, CPVC), 비율 메트릭(CTR(클릭률), VCR)을 확인할 수 있습니다. 희망적인 추정이 아닙니다. 신뢰 구간이 포함된 데이터 기반 예측입니다.

퍼포먼스 예측 API 기능을 보여주는 예시:

API가 계획된 지출 수준에서 예측 클릭 수와 결과당 비용을 보여주는 예측 곡선을 반환했으며, 신뢰 구간은 하한선에서도 고객의 효율성 벤치마크를 충족했습니다. 기획 회의에 들어가 이렇게 말했습니다. "보수적인 시나리오에서도 결과당 비용은 타겟 범위 내에 있습니다. 이 캠페인을 승인하시길 권장합니다."

3개월 후, 실제 클릭률(CTR)과 결과당 비용은 API 예측값의 5% 이내로 나타났습니다. 이 캠페인은 결과적으로 비즈니스 성과로 4.0x ROAS(광고 수익률)를 달성했습니다. 정확한 예측이 자신 있는 의사결정으로 이어지는 이 조합은 고객 관계를 완전히 바꾸었고, 중요한 계약 갱신으로 이어졌습니다.

데이터가 많을수록 정확도가 높아집니다. 분산은 신규 상품 출시 시 및 성수기에 더 커집니다. 아마존 기록이 오래된 캠페인일수록 더 정확한 예측을 제공합니다. 고객사에게 이 점을 명확히 전달하세요. 신뢰 구간은 불확실성을 회피하기 위한 수단이 아니라, 예측이 작동하는 방식에 대한 솔직한 진실입니다.

잠재고객 API 그룹은 인구통계를 넘어 고객이 실제로 어떤 사람인지 파악하고, 아직 발굴하지 못한 신규 고객을 찾는 데 도움을 드립니다.

고객의 원래 타겟: 25~54세 성인, 헬스 및 웰니스에 관심 있는 고객, 가구 소득 60,000달러 이상. 아마존에서 약 4,200만 명에 해당하는 수치입니다. 어떤 세그먼트를 우선순위에 두어야 하며, 각 세그먼트에 얼마를 배분해야 할까요? 인구통계는 사람들이 어떤 사람인지 알려줍니다. 사람들이 무엇을 하는지는 알려주지 않습니다. 그리고 행동 데이터는 연령대보다 전환을 훨씬 더 잘 예측합니다.

• 페르소나 빌더는 아마존의 자사 데이터(구매, 시청, 검색 데이터)를 활용하여 소비자를 행동 세그먼트로 분류합니다. 연령대 대신, 구매 패턴, 스트리밍 습관, 검색 행동을 기반으로 한 실제 고객 프로필을 제공합니다.
• 잠재고객 디스커버리는 미처 고려하지 못했던 새로운 잠재고객 세그먼트, 즉 높은 구매 의도를 나타내는 행동 신호를 보이지만 현재 타겟팅 범위 밖에 있는 소비자를 발굴해 드립니다. 미처 몰랐던 고객을 찾아낼 수 있는 방법입니다.
• 잠재고객 중복은 세그먼트가 어떻게 겹치는지 보여주므로, 어떤 소비자가 실제로 서로 다른지, 어떤 소비자가 대부분 동일한지 파악할 수 있습니다. 이를 통해 중복이 많은 세그먼트에 과도하게 투자하는 것을 방지할 수 있습니다.

이 둘을 합치면 다음과 같은 답을 얻을 수 있습니다. "최고의 고객은 누구이고, 그와 유사한 사람은 누구이며, 동일한 사람을 두 번 타겟팅하는 것은 어떻게 피할 수 있을까요?"

잠재고객 API 기능을 보여주는 예시로, 나머지 10%는 잠재고객 디스커버리를 통해 파악된 신규 세그먼트 테스트를 위해 예약되어 있습니다.

광범위한 인구통계에서 행동 기반 페르소나로 예산을 전환한 결과, 캠페인 효율이 크게 향상되었습니다. 활동적인 웰니스 세그먼트는 820만 명에 불과하지만, 가장 높은 성과를 달성했습니다. 줄곧 진정한 열성 팬이었습니다. 행동 데이터를 살펴보기 전까지는 확인할 수 없었습니다.

잠재고객 디스커버리가 전혀 고려하지 않았던 세그먼트를 발견했습니다: "피트니스 콘텐츠를 시청하고 유기농 스낵을 구매하는 스트리머." 잠재고객 중복 분석 결과, 이 그룹은 기존 타겟과의 중복률이 12% 미만으로, 기존에 보유한 소비자를 재구성한 것이 아닌 진정한 새로운 잠재고객임이 확인되었습니다.

잠재고객 API는 아마존의 관점을 통해 소비자 행동을 보여줍니다. 고객이 주로 아마존 외부에서 쇼핑하거나 미디어를 소비한다면, 전체적인 그림을 파악하기 어렵습니다. 자사 데이터를 추가하여 더 완전한 인사이트를 확보하세요. 또한 샘플 크기로 인해 의미 있는 클러스터링이 제한되는 매우 소규모 틈새 소비자에게는 적합하지 않습니다.

캠페인이 종료된 후, 고객사가 물었습니다. "다른 채널과 비교했을 때 아마존 투자의 실제 효과는 무엇이었나요?" 플랫폼 수준의 메트릭은 있었지만, 아마존의 신호를 더 광범위한 측정 모델에 반영할 수 있는 표준화된 방법이 없었습니다. 분석 팀은 며칠에 걸쳐 보고서를 수동으로 취합하고, 데이터를 재가공하고, 불일치 사항을 조정했습니다. 그러나 인사이트가 기획 팀에 전달될 즈음에는 다음 캠페인이 이미 진행 중이었습니다.

MMM API는 광고주와 측정 파트너에게 아마존의 광고 및 리테일 신호에 대한 프로그래매틱 액세스를 제공하여 보다 빠르고 확장 가능한 마케팅 믹스 모델링을 지원합니다. 이 기능은 수동 데이터 교환을 없애고, 미디어 신호(노출수, 도달범위, 지출)와 장바구니 담기 이벤트 등 일별 쇼핑 참여 메트릭을 포함한 리테일 신호를 기존 워크플로에 자동으로 전송합니다. 결과: 교차 채널 예산 최적화를 위한 더 빈번하고 신뢰할 수 있는 인사이트.

MMM API 기능을 보여주는 예시:

분석 팀이 수동으로 데이터를 처리하는 데 며칠씩 걸리던 작업이 자동화되었습니다. 아마존의 미디어 및 리테일 신호(세분화된 쇼핑 행동 데이터 포함)는 분기별이 아닌 매일 고객사의 MMM에 직접 유입되었습니다. 그 결과, 아마존 투자가 다른 채널 대비 어떤 성과를 이끌어냈는지 더 명확하게 파악할 수 있었으며, 다음 예산 결정에 실질적으로 반영할 수 있을 만큼 충분히 자주 업데이트되어 너무 늦게 도착해 의미를 잃는 일이 없었습니다.

MMM API는 신호를 제공하지만, 모델을 직접 구축해 드리지는 않습니다. 데이터를 수집하고 분석하려면 사내의 또는 측정 파트너를 통한 기존 MMM 프레임워크가 필요합니다. 자동화와 표준화에서 가치가 창출됩니다. 수동 작업을 줄이고 더 빈번한 분석을 실현하는 일관된 프로그래매틱 액세스를 제공합니다.

• 과거 도달범위는 기반이 됩니다. 실제로 어떤 일이 있었는지 알지 못하면 정확한 예측은 불가능합니다. 불편한 진실이 있더라도 모든 고객 관계는 여기서 시작하세요.
• 하나의 계획이 아닌 여러 시나리오를 예측하세요. 도달범위 곡선과 함께 3~5가지 예산 옵션을 제시하세요. 데이터가 추천하도록 하세요. 고객은 단순한 극대화가 아닌 최적화를 중요하게 생각합니다.
• 신뢰 구간은 거짓된 확실성보다 더 큰 신뢰를 구축합니다. 단일 수치를 약속하지 마세요. 신뢰 수준과 함께 범위를 제시하세요. 범위 내에 배송하면 영웅이 됩니다.
• 행동 데이터가 인구통계보다 중요합니다. '25~54세 성인'을 타겟팅하는 것을 멈추세요. '단백질 보충제 구매자 중 피트니스 콘텐츠를 스트리밍하는 고객'을 타겟팅하세요. 전환율 차이가 상당합니다.

• 지원되는 마켓플레이스(해당 로케일이 포함되는지 확인하세요)
• 아마존 캠페인 기록(과거 도달범위의 경우 최소 6개월 권장)
• 멀티채널 미디어믹스(예측 중복 제거 기능을 유의미하게 활용하기 위해 필요)
• AMC 인스턴스(자사 데이터 레이어링용)
• 개발자 등록 및 어카운트 팀 접수

1. 1개월차: 과거 도달범위. 지난 6개월간 카테고리 및 인벤토리 조합의 기준 도달범위를 설정하려면 과거 도달범위를 실행하세요. 실제 도달범위와 예상 도달범위를 고객에게 보여주세요. 그 발견 하나만으로도 대개 모든 노력이 충분히 가치 있습니다. 캠페인별 측정에 관한 문서를 살펴보세요.
2. 2개월차: 도달범위 예측. 다음 캠페인을 위한 예산 시나리오 3~5가지를 테스트해 보세요. 도달범위 곡선을 제시하세요. 데이터를 기반으로 추천을 받아보세요.
3. 3개월차: 퍼포먼스 예측. 신뢰 구간이 포함된 결과 예측을 추가하세요. 주간 예측 추적을 설정하세요.
4. 4개월차: 예측 중복 제거. 캠페인 진행 중에 실행하세요. 겹치는 부분을 찾아보세요. 고유한 도달범위를 극대화하기 위해 미디어믹스를 재구성하세요.
5. 5~6개월차: 잠재고객 API. 페르소나 빌더로 행동 기반 페르소나를 구축하세요. 잠재고객 디스커버리로 신규 세그먼트를 발견해 보세요. 잠재고객 중복으로 차별성을 검증하세요. 전환율이 가장 높은 페르소나에 예산을 재배분하세요.
6. 진행 중: MMM API. 아마존의 미디어 및 리테일 신호를 측정 프레임워크에 통합하세요. 인사이트를 활용하여 다음 계획 주기에 반영하세요.

신규 연동 업체는 모델이 트래픽 프로필에 적응하는 처음 30일 동안 더 넓은 편차 범위가 나타날 수 있음을 예상해야 합니다.

아래 리소스를 살펴보고 미디어 플랜 API 제품군을 시작하는 데 지원을 받으세요.

아마존 광고 API 가이드와 미디어 플래닝 가이드에서 기술 사양, 엔드포인트 및 통합 가이드를 확인할 수 있습니다. API 문서에서 현재 로케일 가용성 및 API 상태도 확인할 수 있습니다.

Gigi, Pacvue, Perpetua, Intentwise, Skai는 대시보드를 포함하여 코딩 없이 사용할 수 있는 사전 구축된 통합 기능을 제공합니다.

파트너 네트워크를 통해 구현을 지원해 줄 수 있는 공인 아마존 광고 파트너를 찾아보세요.

미디어 플래닝 인증은 미디어 플래닝 기초와 API 활용에 관한 무료 교육을 제공합니다.

아마존 광고 담당자가 사례 연구, 온보딩 지원, 파일럿 프로그램 이용 기회를 제공해 드립니다.

개발자가 아니신가요? 괜찮습니다. 여러 아마존 광고 파트너 플랫폼(Pacvue, Perpetua, Skai, Gigi 등)이 미디어 플래닝 API를 점진적으로 통합하고 있습니다. 개발 시간이 전혀 필요하지 않습니다. 계정 팀과 협력하여 스택에 적합한 파트너를 찾아보세요.

• 판매 신호: 아마존의 리테일 및 쇼핑객 신호를 캠페인 사전 기획 워크플로에 직접 통합하는 방안을 심층적으로 모색하고 있습니다. 이를 통해 단순한 광고 메트릭을 넘어 미디어 플래닝을 실제 리테일 성과와 연결할 수 있습니다.
• 에이전틱 통합 레이어: 타사 AI 에이전트가 미디어 플랜 API와 직접 통합할 수 있는 신규 기능입니다. 즉, 독자적인 플래닝 도구, 자동화된 워크플로우, AI 기반 최적화 엔진이 아마존의 플래닝 신호에 프로그래매틱 방식으로 액세스하여, 수동 API 호출 방식에서 벗어나 상시 자율 플래닝 인텔리전스로 전환할 수 있습니다.

추가 리소스:

• 아마존 광고 어카운트 팀에 문의
• GitHub 커뮤니티에서 대화에 참여하기
• 개발자 등록 완료하기

출처:

¹ 아마존 내부 자료, 미국, 2025~2026년.

² 아마존 광고 API 문서, 전 세계, 2026년.

기고자:

Vic Awokoya, Kapil Dwivedi