Een praktische gids voor campagneprognoses met de mediaplanning-API-suite van Amazon

Ik ben een mediastrateeg bij een middelgroot reclamebureau. Een wellnessmerk kwam naar ons toe met $ 150 miljoen om op Amazon te besteden. Ze hadden één vraag: "Kun je garanderen dat dit werkt?"

Dat kon ik niet. Niemand van ons kon dat. We hadden 15 jaar ervaring, duizenden campagnes achter de rug en oprecht vertrouwen in het product. Maar we hadden geen zekerheid. We waren een mediaplan van $ 150 miljoen aan het bouwen op dezelfde manier als architecten gebouwen ontwierpen voordat bouwkunde bestond: op basis van ervaring, intuïtie en hoop. Van binnen waren we doodsbang. Drie maanden later stelde de klant de vraag: "Bereiken we onze doelgroep zoals je had voorspeld?" Ik had geen idee. We konden het unieke bereik via verschillende kanalen niet nauwkeurig meten. Onze bereikprognoses? Goed onderbouwde schattingen.

Zes maanden later woonde ik een Amazon Ads-conferentie bij en maakte ik kennis met de mediaplanning-API's die elke vraag hadden kunnen beantwoorden waarop we destijds geen antwoord hadden:

• Wat was het gemodelleerde bereik voor onze adverteerderscontext in de Amazon-voorraad afgelopen kwartaal?
• Hoeveel mensen bereiken we bij verschillende budgetniveaus?
• Welke campagneresultaten kunnen we voorspellen voordat we het budget vastleggen?
• Betalen we om dezelfde persoon via meerdere kanalen te bereiken?
• Welk klantgedrag voorspelt de hoogste conversiepercentages?
• Hoe meten we de werkelijke impact van onze media-investering?

Tegenwoordig investeert diezelfde klant jaarlijks $ 200 miljoen. Niet door meer uit te geven aan dezelfde kanalen, maar door uit te breiden naar nieuwe profielen en voorraad die via de API-suite zijn geïdentificeerd, en dat doen ze met het volste vertrouwen. Niet omdat we slimmer zijn. Omdat we zijn gestopt met gissen.

Zie mediaplanning als de manier waarop een filmstudio een grote filmrelease plant. Voordat de studio een dollar uitgeeft aan productie, stelt men zich de volgende vraag: Wie is onze doelgroep? Op welke kanalen is die doelgroep te vinden? Hoeveel moeten we in elke markt uitgeven? Welk rendement kunnen we verwachten? Mediaplanning werkt voor adverteerders op dezelfde manier: het is het strategische werk dat je doet voordat je advertenties koopt, zodat je campagne een echte kans van slagen heeft.

Zonder plan gok je maar wat. Met de juiste tools, met name de mediaplanning-API-suite van Amazon, kun je voorspellingen maken. Dat verschil is tientallen miljoenen dollars waard.

De mediaplanning-API's van Amazon zijn onderverdeeld in vier groepen, elk gericht op een kernuitdaging bij planning:

Hoeveel mensen hebben we bereikt, hoeveel mensen gaan we bereiken en wat is de werkelijke overlap?

Welke resultaten kunnen we voorspellen voordat we budget vastleggen?

Wie moeten we targeten en waarom?

Hoe meten we de echte media-impact op verschillende kanalen?

Alle API's maken gebruik van de Amazon Ads-voorraad en gedragssignalen. Om het bereik van verschillende uitgevers te bereiken, te ontdubbelen, prestaties te vergelijken en de doelgroep te karakteriseren, zijn externe metingspartners nodig.

Elke campagne doorloopt vier fasen en de mediaplanning-API's sluiten aan op elke fase.

Voordat je ook maar een dollar uitgeeft, analyseer je eerdere resultaten, maak je een prognose van bereik en prestaties en stel je je plan op. Bereikcurve-API‘s, prestatieprognose en doelgroep-API‘s geven je de gegevens om alle drie te realiseren.

Met je plan bij de hand stel je targeting in, configureer je kanalen en rond je de budgetverdeling af. Doelgroep-API's bepalen wie je bereikt, terwijl bereikcurve-API's (bereikprognose, prognose-ontdubbeling) je helpen je kanaalmix te valideren vóór de lancering.

Zodra de campagne actief is, hou je de prestaties in de gaten, pas je de budgetten aan en optimaliseer je de targeting. Bereikcurve-API's (prognose-ontdubbeling) laten zien of je unieke klanten bereikt of betaalt voor overlap.

Na het einde van de campagne vergelijk je de werkelijke resultaten met de prognose, verzamel je inzichten en plan je de volgende campagne. Bereikcurve-API's (historisch bereik) laten zien wat er daadwerkelijk is gebeurd, en de MMM-API voert die signalen in je metingskader in.

Historisch bereik geeft je historische bereikcurves voor Amazon-voorraad, afgestemd op je adverteerderscontext. Je geeft een datumbereik en doelgroepparameters op, waarna de tool gemodelleerde cijfers voor uniek bereik retourneert op basis van Amazon-panel- en voorraadgegevens. Geen giswerk. Geen aannames.

We hebben historisch bereik uitgevoerd op zes maanden aan gegevens van de eerdere campagnes van de klant. Resultaat: 12 miljoen unieke klanten, niet 8 miljoen. Een metingskloof van 50%. Dat veranderde alles. De kosten per bereik lagen 37% lager dan verwacht, waardoor hun campagnes veel efficiënter waren dan de initiële statistieken aangaven. Ze presteerden niet ondermaats, ze maten ondermaats. Met die basis konden we vol vertrouwen een campagne van $ 150 miljoen plannen.

Historisch bereik kijkt terug, niet vooruit. Het voorspelt het volgende kwartaal niet. Maar je kunt geen goede prognose opstellen zonder je werkelijke beginpunt te begrijpen. Zie het als het doornemen van de financiële cijfers van vorig jaar voordat je het budget voor volgend jaar vaststelt: essentiële context, maar geen volledige strategie. Niet nuttig voor eerste Amazon-campagnes zonder geschiedenis.

De klant vroeg: "Moeten we $ 120 miljoen, $ 150 miljoen of $ 180 miljoen uitgeven? Wat is het verschil in bereik?" Traditioneel schatten we een ruwe lineaire schaalverdeling op basis van de uitgaven van vorig jaar? Die vraagtekens... daar zit de onzekerheid.

Met bereikprognose kun je budgetscenario's testen voordat je iets uitgeeft. Je voert je doelgroep, campagnedatums en meerdere budgetopties in. Het geeft een bereikcurve terug die precies laat zien hoeveel unieke klanten elk budget bereikt en waar de curve afvlakt (waar extra uitgaven geen evenredig bereik meer opleveren).

Illustratief voorbeeld van de API-mogelijkheden voor bereikprognoses:

De curve vlakte sterk af na $ 150 miljoen. De stap van $ 150 miljoen naar $ 175 miljoen voegde slechts 1,7 miljoen klanten toe tegen $ 14,70 per extra klant, tegenover een gemiddelde van $ 7,35. We raadden aan om die $ 25 miljoen te bewaren en opnieuw toe te wijzen aan prospectie. De reactie van de klant: "Je hebt ons zojuist $ 25 miljoen bespaard voordat we het hebben uitgegeven."

Dit zijn prognoses, geen garanties, vergelijkbaar met weersvoorspellingen. De nauwkeurigheid varieert afhankelijk van de campagneomstandigheden; de weergegeven intervallen zijn illustratieve voorbeelden op basis van typische prestatiepatronen. Geef altijd een betrouwbaarheidsinterval op, bijvoorbeeld: "We voorspellen een bereik van 20,4 miljoen, met een waarschijnlijke marge van 18,5 miljoen tot 22,1 miljoen." Plan met een marge, houd de werkelijke cijfers bij en verfijn je modellen in de loop van de tijd.

Halverwege de Q4-campagne vroeg de klant om een tussentijdse evaluatie. We vertelden hen dat we 21,6 miljoen unieke klanten bereikten via meerdere Amazon Ads-kanalen. We voelden ons goed bij dat aantal. We hadden het mis.

Prognose-ontdubbeling laat je zien hoeveel unieke mensen je daadwerkelijk bereikt via al je Amazon-kanalen, niet de opgeblazen som van het bereik van elk kanaal afzonderlijk. Het brengt de overlap tussen kanalen in kaart, zodat je precies kunt zien waar je dubbeltellingen hebt en twee keer betaalt voor hetzelfde bereik.

Illustratief voorbeeld ter demonstratie van de mogelijkheden van de prognose-ontdubbeling-API:

We hebben prognose-ontdubbeling uitgevoerd. Werkelijk uniek bereik: 13,2 miljoen niet 21,6 miljoen. 8,4 miljoen "klanten" waren dezelfde mensen die via meerdere kanalen verschenen. Connected TV-kanalen hadden 68% overlap. We hadden $ 61.740 verspild aan het bereiken van mensen die we al eerder hadden bereikt. We hebben de mediamix geherstructureerd, overlappende kanaalbudgetten verlaagd, budget verschoven naar Twitch (waar de overlap lager was) en 16,8 miljoen uniek bereik behaald met hetzelfde budget van $ 150 miljoen. Een toename van 27% in uniek bereik, gratis.

"We betaalden $ 61.000 om dezelfde mensen advertenties te tonen op vijf verschillende schermen. Dat is geen multi-channelstrategie: dat is vijf keer huur betalen voor hetzelfde appartement."

Ontdubbeling werkt alleen binnen de voorraad van Amazon. Als je ook adverteert via Google, Meta, TikTok of lineaire tv, worden die overlappen hier niet weergegeven. Vertel klanten van tevoren: "Dit toont de overlap in Amazon-doelgroepen. Voor ontdubbeling tussen publishers heb je externe metingspartners nodig." Schep duidelijke verwachtingen.

Bereik is belangrijk. Maar de echte vraag van de klant was: "Hoe efficiënt wordt deze campagne geleverd?" Ze moesten vóór het vastleggen van $ 150 miljoen weten hoe de kosten per klik eruit zouden zien, welk videovoltooiingspercentage ze konden verwachten en of de uitgaven op grotere schaal resultaat zouden opleveren. Het beste wat we konden zeggen was: "Gebaseerd op industriegemiddelden, vertrouw ons."

Prestatieprognose voorspelt campagneresultaten voordat je ook maar een dollar hebt uitgegeven. Je selecteert een statistiek (klikken, videovoltooiingen of productpaginaweergaven) en de API geeft een voorspellingscurve terug: voor elk uitgavenniveau krijg je het voorspelde aantal, de kosten per resultaat (CPC, eCPM, CPDPV, CPVC) en de ratiostatistieken (CTR, VCR). Geen hoopvolle schatting. Een datagedreven voorspelling met betrouwbaarheidsintervallen.

Illustratief voorbeeld ter demonstratie van de mogelijkheden van de prestatieprognose-API:

De API gaf een voorspellingscurve terug met verwachte klikken en kosten per resultaat op ons geplande bestedingsniveau, met betrouwbaarheidsintervallen die zelfs aan de ondergrens voldeden aan de efficiëntiebenchmarks van de klant. We liepen de planningsvergadering in en zeiden: "Zelfs in het conservatieve scenario liggen je kosten per resultaat binnen het doel. We raden aan om deze campagne groen licht te geven."

Drie maanden later lagen de werkelijke doorklikpercentages en kosten per resultaat binnen 5% van de prognose van de API. De campagne behaalde uiteindelijk 4,0 keerROAS als bedrijfsresultaat. Die combinatie, nauwkeurige prognoses die leidden tot zelfverzekerde beslissingen, veranderde de klantrelatie volledig en leverde ons een belangrijke verlenging op.

De nauwkeurigheid verbetert met gegevens. De variantie neemt toe bij nieuwe productlanceringen en tijdens piekperiodes. Campagnes met een langere Amazon-geschiedenis leveren nauwkeurigere voorspellingen op. Communiceer dit duidelijk aan klanten: betrouwbaarheidsintervallen zijn geen slag om de arm, maar een eerlijke weergave van de manier waarop voorspellingen werken.

De doelgroep-API-groep helpt je verder te gaan dan demografische gegevens, zodat je begrijpt wie je klanten daadwerkelijk zijn en nieuwe klanten ontdekt die je nog niet kende.

Het originele doel van de klant: "Volwassenen van 25-54 jaar, geïnteresseerd in gezondheid en wellness, huishoudelijk inkomen is meer dan $ 60.000." Dat zijn ongeveer 42 miljoen mensen op Amazon. Welke segmenten moeten we prioriteren en hoeveel moet elk segment krijgen? Demografische gegevens vertellen je wie mensen zijn. Ze vertellen je niet wat mensen doen. En gedrag voorspelt conversie veel beter dan leeftijdscategorieën.

• Profielenbouwer gebruikt first-party data van Amazon, zoals wat mensen kopen, bekijken en zoeken, om je doelgroep in gedragssegmenten in te delen. In plaats van leeftijdscategorieën krijg je echte klantprofielen op basis van aankooppatronen, streaminggewoonten en zoekgedrag.
• Ontdekking van doelgroepen brengt nieuwe doelgroepsegmenten aan het licht die je nog niet had overwogen; mensen wiens gedrag wijst op een hoge koopintentie, maar die buiten je huidige targeting vallen. Zo vind je klanten waarvan je niet wist dat ze bestonden.
• Doelgroepoverlap laat zien hoe je segmenten elkaar overlappen, zodat je begrijpt welke doelgroepen echt van elkaar verschillen en welke grotendeels uit dezelfde mensen bestaan. Zo voorkom je dat je te veel investeert in segmenten die sterk overlappen.

Samen beantwoorden ze: "Wie zijn onze beste klanten, wie lijkt er nog meer op hen en hoe vermijden we dat we dezelfde mensen twee keer targeten?"

Illustratief voorbeeld ter demonstratie van de mogelijkheden van de doelgroep-API, waarbij de resterende 10% is gereserveerd voor het testen van nieuwe segmenten die zijn geïdentificeerd via Ontdekking van doelgroepen.

Door het budget te verschuiven van brede demografische gegevens naar gedragsgerichte profielen, verbeterde de campagne-efficiëntie aanzienlijk. Het segment met actieve wellnessliefhebbers, met slechts 8,2 miljoen mensen, leverde het hoogste rendement op. Ze waren al die tijd de superfans. We konden ze gewoon niet zien totdat we naar het gedrag keken.

Ontdekking van doelgroepen bracht vervolgens een segment naar voren dat we nooit hadden overwogen: "Streamers van fitnesscontent die biologische snacks kopen." Doelgroepoverlap bevestigde dat deze groep minder dan 12% overlap had met onze bestaande doelgroepen: een echte nieuwe doelgroep, geen herverpakte versie van een doelgroep die we al hadden.

Doelgroep-API's tonen gedrag vanuit het perspectief van Amazon. Als je klant voornamelijk buiten Amazon winkelt of media consumeert, is het beeld onvolledig. Voeg je eigen first-party data toe voor een completer beeld. Ook minder geschikt voor zeer kleine nichepublieken waarbij de steekproefomvang zinvolle clustering beperkt.

Na het einde van de campagne vroeg de klant: "Wat was de werkelijke impact van onze Amazon-investering in vergelijking met onze andere kanalen?" We hadden statistieken op platformniveau, maar geen gestandaardiseerde manier om de signalen van Amazon in hun bredere metingmodellen te verwerken. Ons analyseteam was dagenlang bezig met het handmatig ophalen van rapporten, het herformatteren van gegevens en het oplossen van afwijkingen. Tegen de tijd dat de inzichten het planningsteam bereikten, was de volgende campagne al in flight.

De MMM-API geeft adverteerders en metingspartners programmatische toegang tot de advertentie- en retailsignalen van Amazon voor snellere en schaalbaardere marketingmix-modellering. Het elimineert handmatige gegevensuitwisselingen en automatiseert de levering van mediasignalen (impressies, bereik, uitgaven) en retailsignalen, waaronder dagelijkse engagementstatistieken voor winkelen zoals toevoegen-aan-winkelwagen-gebeurtenissen, rechtstreeks in bestaande workflows. Het resultaat: frequentere en betrouwbaardere inzichten voor budgetoptimalisatie via verschillende kanalen.

Illustratief voorbeeld van de mogelijkheden van de MMM-API:

Wat ons analyseteam vroeger dagen van handmatig gegevensbeheer kostte, is nu geautomatiseerd. De media- en retailsignalen van Amazon, inclusief gedetailleerde gegevens over koopgedrag, stroomden dagelijks - en niet per kwartaal - rechtstreeks in het MMM van de klant. Het resultaat: een duidelijker beeld van hoe Amazon-investeringen resultaten opleverden ten opzichte van andere kanalen, frequent genoeg bijgewerkt om de volgende budgetbeslissing daadwerkelijk te onderbouwen in plaats van te laat te komen om nog relevant te zijn.

De MMM-API levert de signalen, maar bouwt het model niet voor je. Je hebt een bestaand MMM-framework nodig (intern of via een metingspartner) om de gegevens op te nemen en te analyseren. De waarde zit in de automatisering en standaardisatie: consistente, programmatische toegang die handmatig werk vermindert en frequentere analyses mogelijk maakt.

• Historisch bereik is de basis. Je kunt niet nauwkeurig voorspellen zonder te weten wat er daadwerkelijk is gebeurd. Begin elke klantrelatie hier, ook als de waarheid ongemakkelijk is.
• Maak prognoses voor meerdere scenario's, niet voor één plan. Presenteer 3-5 budgetopties met bereikcurves. Laat de data het aanbevelen doen. Klanten waarderen optimalisatie, niet alleen maximalisatie.
• Betrouwbaarheidsintervallen wekken meer vertrouwen dan valse zekerheid. Beloof geen specifiek getal. Beloof een marge met vertrouwen. Als je binnen de marge levert, ben je een held.
• Gedrag wint het van demografische gegevens. Stop met targeten op "volwassenen tussen de 25 en 54 jaar." Richt je op "kopers van eiwitpoeder die fitnesscontent streamen". Het conversieverschil is aanzienlijk.

• Ondersteunde marketplace (controleer of jouw regio beschikbaar is)
• Amazon-campagnegeschiedenis (minimaal 6 maanden wordt aanbevolen voor historisch bereik)
• Mediamix via meerdere kanalen (vereist om prognose-ontdubbeling zinvol te maken)
• AMC-instantie (voor het combineren van first-party data)
• Registratie voor ontwikkelaars en intake door het accountteam

1. Maand 1: historisch bereik. Voer historisch bereik uit om de basisbereikwaarde voor je categorie en voorraadmix over de afgelopen 6 maanden vast te stellen. Laat je klant het werkelijke bereik zien versus het veronderstelde bereik. Die ontdekking alleen rechtvaardigt de hele inspanning meestal al. Raadpleeg onze documentatie voor meting per campagne.
2. Maand 2: voorspelling van het bereik. Test 3-5 budgetscenario's voor de volgende campagne. Presenteer bereikcurves. Laat de data de aanbeveling bepalen.
3. Maand 3: prestatieprognose. Uitkomstvoorspellingen met betrouwbaarheidsintervallen toevoegen. Stel wekelijkse tracking in op basis van de prognose.
4. Maand 4: prognose-ontdubbeling. Voer dit halverwege de campagne uit. Vind de overlap. Herstructureer de mediamix om het unieke bereik te maximaliseren.
5. Maand 5-6: doelgroep-API's. Bouw gedragsprofielen met de profielenbouwer. Ontdek nieuwe segmenten met Ontdekking van doelgroepen. Valideer de onderscheidendheid met doelgroepoverlap. Wijs het budget opnieuw toe aan de meest converterende profielen.
6. Doorlopend: MMM-API. Integreer de media- en retailsignalen van Amazon in je metingskader. Gebruik inzichten om de volgende planningscyclus te onderbouwen.

Nieuwe integrators kunnen de eerste 30 dagen bredere variantiebanden verwachten, terwijl het model zich aanpast aan hun verkeersprofiel.

Bekijk de onderstaande bronnen om je te helpen aan de slag te gaan met de mediaplanning-API-suite.

De Amazon Ads-API-gids en de gidsen voor mediaplannen bieden technische specificaties, eindpunten en integratiegidsen. API-documentatie biedt ook actuele beschikbaarheid per landinstelling en de API-status.

Gigi, Pacvue, Perpetua, Intentwise en Skai bieden kant-en-klare integraties zonder dat er code nodig is, inclusief dashboards.

Het Partner Network helpt je gecertificeerde Amazon Ads-partners te vinden die je kunnen helpen met de implementatie.

De mediaplanning-certificering biedt gratis training over de basisprincipes van mediaplanning en het gebruik van API's.

Je Amazon Ads-vertegenwoordiger biedt casestudy's, ondersteuning bij onboarding en toegang tot pilotprogramma's.

Geen ontwikkelaar? Dat is prima. Verschillende Amazon Ads-partnerplatformen (Pacvue, Perpetua, Skai, Gigi en andere) integreren stapsgewijs mediaplanning-API's. Er is geen ontwikkeltijd vereist. Werk samen met je accountteam om de juiste partner voor je stack te vinden.

• Verkoopsignalen: We onderzoeken hoe we de retail- en shoppersignalen van Amazon dieper kunnen integreren in workflows voor campagneplanning vooraf. Dit koppelt mediaplanning aan daadwerkelijke retailresultaten, niet alleen aan advertentiestatistieken.
• Agentische integratielaag: Een nieuwe mogelijkheid waarmee externe AI-agents rechtstreeks kunnen integreren met mediaplanning-API's. Dit betekent dat je eigen planningstools, geautomatiseerde workflows en AI-gestuurde optimalisatie-engines programmatisch toegang kunnen krijgen tot de planningssignalen van Amazon, waardoor je overstapt van handmatige API-aanroepen naar autonome, altijd-aan planningsintelligentie.

Aanvullende bronnen:

• Neem contact op met je Amazon Ads-accountteam
• Neem deel aan de discussie in onze GitHub-community
• Ontwikkelaarsregistratie voltooien

Bronnen:

¹ Amazon Internal, VS, 2025-2026.

² Amazon Ads-API-documentatie, wereldwijd, 2026.

Bijdragers:

Vic Awokoya, Kapil Dwivedi