En praktisk guide till kampanjprognoser med Amazons API-svit för medieplanering

Jag är mediestrateg på en medelstor reklambyrå. Ett wellnessvarumärke kom till oss med 150 miljoner dollar att spendera på Amazon. De hade en fråga: ”Kan du garantera att detta kommer att fungera?”

Det kunde jag inte. Ingen av oss kunde. Vi hade 15 års erfarenhet, tusentals kampanjer bakom oss och en sann tro på produkten. Men vi hade inga garantier. Vi byggde en medieplan på 150 miljoner dollar på samma sätt som arkitekter designade byggnader innan konstruktionsteknik fanns: med erfarenhet, intuition och hopp. Inuti var vi livrädda. Tre månader senare frågade klienten: ”Når vi ut till vår målgrupp enligt din beräkning?” Jag hade ingen aning. Vi kunde inte exakt mäta unik räckvidd över kanaler. Våra räckviddsberäkningar? Välgrundade gissningar.

Sex månader senare deltog jag i en Amazon Ads-konferens och lärde mig mer om API:er för medieplanering som hade kunnat svarat på alla frågor vi inte visste svaret på:

• Vad var den modellerade räckvidden för vårt annonsörsammanhang i Amazons lager förra kvartalet?
• Hur många kommer vi att nå på olika budgetnivåer?
• Vilka kampanjresultat kan vi förutsäga innan vi fastslår budgeten?
• Betalar vi för att nå samma person över flera kanaler?
• Vilka kundbeteenden förutsäger de högsta konverteringstakterna?
• Hur mäter vi den verkliga effekten av våra medieinvesteringar?

Idag investerar samma klient 200 miljoner dollar årligen, inte genom att spendera mer på samma kanaler, utan genom att expandera till nya profiler och lager som identifierats med API-sviten, och de gör det med fullständigt förtroende. Inte för att vi är smartare. För att vi slutade gissa.

Likna medieplanering vid en filmstudio som planerar en stor filmrelease. Innan någon produktionsbudget spenderas frågar studion: Vilken är vår målgrupp? Vilka kanaler kommer de att finnas på? Hur mycket ska vi spendera på varje marknad? Vilken avkastning ska vi förvänta oss? Medieplanering fungerar på samma sätt för annonsörer – det är det strategiska arbetet du gör innan du köper annonser, så att din kampanj har en verklig chans att lyckas.

Utan en plan ägnar du dig åt gissning. Med rätt verktyg, särskilt Amazons API-svit för medieplanering, får du prognoser. Den skillnaden är värd tiotals miljoner dollar.

Amazons API:er för medieplanering är organiserade i fyra grupper som var och en tar upp en grundläggande planeringsutmaning:

Hur många personer nådde vi, kommer vi att nå, och vad är den verkliga överlappningen?

Vilka resultat kan vi förutsäga innan budgeten fastslås?

Vem ska vi rikta oss mot och varför?

Hur mäter vi verklig mediepåverkan över kanaler?

Alla API:er är relevanta för alla Amazon Ads-lager och beteendesignaler. Räckvidd, deduplicering, resultatjämförelse och målgruppskaraktärisering mellan utgivare kräver mätningspartner från tredje part.

Varje kampanj går igenom fyra faser och API:erna för medieplanering är relevanta för var och en.

Innan du spenderar något analyserar du tidigare resultat, förutspår räckvidd och resultat och bygger din plan. API:er för räckviddskurva, resultatprognoser och målgrupps-API:er ger dig data för att göra alla tre.

Med din plan i handen anger du inriktning, konfigurerar kanaler och slutför budgettilldelningar. Målgrupps-API:er definierar vem du når, medan API:er för räckviddskurva (Reach Forecasting, Forecast Deduplicering) hjälper dig att validera din kanalmix före lansering.

När kampanjen körs övervakar du resultatet, justerar budgetar och optimerar inriktningen. API:er för räckviddskurva (dedupliceringsprognos) visar om du når unika kunder eller betalar för överlappning.

När kampanjen är avslutad mäter du faktiska resultat kontra prognoser, extraherar lärdomar och planerar nästa kampanj. API:er för räckviddskurva (historisk räckvidd) visar vad som faktiskt har hänt, och MMM-API matar in dessa signaler i ditt mätningsramverk.

Historisk räckvidd ger dig historiska räckviddskurvor för Amazon-lager, anpassade efter annonssammanhanget. Du tillhandahåller ett datumintervall och målgruppsparametrar och får tillbaka modellerade unika räckviddssiffror baserat på panel- och lagerdata från Amazon. Inga gissningar. Inga antaganden.

Vi körde historisk räckvidd på klientens tidigare kampanjers sex månaders data. Resultat: 12 miljoner unika kunder, inte 8 miljoner. En mätningsklyfta på 50 %. Det förändrade allt. Deras kostnad per räckvidd var 37 % lägre än de trodde, vilket gjorde deras kampanjer mycket effektivare än de ursprungliga nyckeltalen föreslog. De underpresterade inte – de mätte inte tillräckligt. Med den baslinjen kunde vi med tillförlit planera en kampanj på 150 miljoner dollar.

Historisk räckvidd ser bakåt, inte framåt. Nästa kvartal förutsägs inte. Men du kan inte bygga en bra prognos utan att förstå din faktiska utgångspunkt. Tänk på det som att läsa förra årets ekonomi innan du sätter nästa års budgets väsentliga sammanhang, inte hela strategin. Inte användbart för debuterande Amazon-kampanjer utan historik.

Klienten frågade: Ska vi spendera 120, 150 eller 180 miljoner dollar? Vad är skillnaden i räckvidd?” Traditionellt skulle vi gissa på grov linjär skalning från förra årets utgifter? Dessa frågetecken för med sig ångest.

Med räckviddsprognoser kan du testa budgetscenarier innan du spenderar något. Du lägger in din målgrupp, kampanjdatum och flera budgetalternativ. Returnerar en räckviddskurva som visar exakt hur många unika kunder varje budget når och var kurvan planar ut (där extra utgifter slutar leverera proportionell räckvidd).

Illustrativt exempel som visar API-funktioner för räckviddsprognoser:

Kurvan planade ut kraftigt efter 150 miljoner dollar. Genom att gå från 150 miljoner dollar till 175 miljoner dollar tillkom endast 1,7 miljoner kunder till 14,7 dollar per inkrementell kund jämfört med ett genomsnitt på 7,35 dollar. Vi rekommenderade att spara de 25 miljonerna och omfördela dem till prospektering. Klientens reaktion: ”Du besparade oss just 25 miljoner dollar.”

Detta är beräkningar, inte garantier i likhet med väderprognoser. Noggrannheten varierar beroende på kampanjförhållanden. Intervallen som visas är illustrativa exempel baserade på typiska resultatmönster. Presentera alltid ett konfidensintervall, t.ex. ”Vi förutspår en räckvidd på 20,4 miljoner, med ett troligt intervall på 18,5 till 22,1 miljoner.” Planera med marginal, spåra faktiska värden och förfina dina modeller över tid.

Halvvägs genom Q4-kampanjen bad klienten om incheckning. Vi berättade för dem att vi nådde 21,6 miljoner unika kunder över flera Amazon Ads-kanaler. Den siffran kändes bra för oss. Vi hade fel.

Dedupliceringsprognos visar hur många unika personer du faktiskt når över alla dina Amazon-kanaler, inte den uppblåsta summan av varje kanals räckvidd. Kartlägger överlappningen mellan kanaler, så att du kan se exakt var du dubbelräknar och betalar för samma par ögon två gånger.

Illustrativt exempel som visar API-funktioner för dedupliceringsprognos:

Vi körde dedupliceringsprognos. Verklig unik räckvidd: 13,2 miljoner, inte 21,6 miljoner. 8,4 miljoner ”kunder” var samma personer som dök upp i flera kanaler. Anslutna TV-kanaler hade 68 % överlappning. Vi hade slösat bort 61 740 dollar på att nå ut till personer vi redan hade nått. Vi omstrukturerade mediemixen minskade överlappande kanalbudgetar, riktade om utgifterna till Twitch (där överlappningen var lägre) och uppnådde en unik räckvidd på 16,8 miljoner med samma budget på 150 miljoner dollar. En ökning på27 % av unik räckvidd kostnadsfritt.

”Vi betalade 61 000 dollar för att visa samma personer annonser på fem olika skärmar. Det är inte flerkanalsstrategi – det är att betala hyra på samma lägenhet fem gånger.”

Deduplicering fungerar endast i Amazons lager. Om du också kör Google, Meta, TikTok eller linjär TV kommer dessa överlappningar inte att dyka upp här. Berätta för klienterna på förhand: ”Detta visar på Amazon-målgruppsöverlappning. För deduplicering mellan utgivare behöver du mätningspartner från tredje part.” Sätt tydliga förväntningar.

Räckvidd är viktigt. Men klientens verkliga fråga var: ”Hur effektivt kommer den här kampanjen att leverera?” Innan de avsatte 150 miljoner dollar behövde de veta hur deras kostnad per klick skulle se ut, grader av videofullbordande de kunde förvänta sig och om utgifterna skulle leverera i stor skala. Det bästa vi kunde säga var: ”Baserat på branschgenomsnitt, lita på oss.”

Resultatprognoser förutspår kampanjresultat innan du börjar spenderar. Du väljer ett nyckeltal (klick, videoslutföranden eller visningar av informationssidor) och API:et returnerar en prognoskurva: på varje utgiftsnivå får du det beräknade antalet, kostnad per utfall (CPC, eCPM, CPDPV, CPVC), and frekvensnyckeltal (CTR, VCR). Ingen hoppfull uppskattning. En datastödd förutsägelse med konfidensintervall.

Illustrativt exempel som visar API-funktioner för resultatprognoser:

API:et returnerade en prognoskurva som visade förutsagda klick och kostnad per resultat på vår planerade utgiftsnivå med konfidensintervall som klarade kundens effektivitetsriktmärken även i det lägre spektrat. Vi gick in i planeringsmötet och sa: ”Även i det konservativa scenariot ligger din kostnad per resultat inom målet. Vi rekommenderar att grönmarkera denna kampanj.”

Tre månader senare landade faktiska klickfrekvenser och kostnad per resultat inom 5 % av API-prognosen. Kampanjen levererade slutligen 4,0x ROAS som affärsresultat. Den kombinationen – exakta prognoser som matar säkra beslut – förändrade kundrelationen helt och gav oss en betydande förnyelse.

Exakthet förbättras med data. Variationen ökar för nya produktlanseringar och under peak-perioder. Kampanjer med längre Amazon-historia ger stramare förutsägelser. Kommunicera detta tydligt till klienter: konfidensintervall är inte en försäkring – de är den ärliga sanningen om hur prognoser fungerar.

Målgrupps-API-gruppen hjälper dig att gå bortom demografi för att förstå vilka dina kunder faktiskt är och hitta nya som du inte visste fanns.

Kundens ursprungliga mål: ”Vuxna mellan 25 och 54 som är intresserade av hälsa och välbefinnande med en hushållsinkomst på över 60 000 dollar.” Det beskriver cirka 42 miljoner personer på Amazon. Vilka segment ska vi prioritera och hur mycket ska vart och ett få? Demografi berättar vilka personerna är. Det berättar inte vad de gör. Beteende förutsäger dessutom konvertering mycket bättre än åldersgrupper.

• Profilbyggaren använder Amazons förstapartsdata – vad folk köper, tittar på och söker efter, för att gruppera din målgrupp i beteendesegment. Istället för åldersintervall får du faktiska kundprofiler baserat på köpmönster, streamingvanor och sökbeteende.
• Målgruppsidentifiering visar upp nya målgruppssegment som du inte har övervägt — personer vars beteende signalerar hög avsikt men som faller utanför din nuvarande inriktning. Det är så du hittar de kunder du inte visste att du letade efter.
• Målgruppsöverlappning visar hur dina segment korsar varandra, så att du kan förstå vilka målgrupper som verkligen är distinkta och vilka som i stort sett är samma personer. Detta förhindrar att du överinvesterar i segment som överlappar kraftigt.

Tillsammans svarar de: ”Vilka är våra bästa kunder, vilka andra ser ut som dem och hur undviker vi att rikta in oss på samma personer två gånger?”

Illustrativt exempel som visar målgrupps-API-funktioner, med resterande 10 % reserverade för att testa nya segment identifierade via målgruppsidentifiering.

Genom att flytta budgeten från bred demografi till beteendeprofiler förbättrades kampanjeffektiviteten avsevärt. Segmentet för aktivt välbefinnande – endast 8,2 miljoner människor – gav den högsta avkastningen. De var superfans hela tiden. Vi fick bara inte syn på dem förrän vi tittade på beteenden.

Målgruppsidentifiering visade sedan ett segment som vi aldrig hade övervägt: ”Fitness-intresserade som streamar sådant innehåll och köper ekologiska snacks.” Målgruppsöverlappning bekräftade att denna grupp hade mindre än 12 % överlappning med våra befintliga mål, en verkligt ny målgrupp, inte en ny version av en som vi redan hade.

Målgrupps-API:er visar beteenden genom Amazons lins. Om din kund främst handlar eller konsumerar media utanför Amazon kommer bilden att vara ofullständig. Lägg in dina egna förstapartsdata för en mer komplett överblick. Inte heller perfekt för mycket små nischmålgrupper där urvalsstorlekar begränsar meningsfull klustring.

När kampanjen avslutats frågade klienten: ”Vad var den verkliga effekten av vår Amazon-investering jämfört med våra andra kanaler?” Vi hade nyckeltal på plattformsnivå, men inget standardiserat sätt att mata in Amazons signaler i deras bredare mätningsmodeller. Vårt analysteam tillbringade dagar med att manuellt hämta rapporter, formatera om data och stämma av avvikelser när insikter nådde planeringsteamet. Nästa kampanj pågick redan.

MMM API ger annonsörer och mätningspartners programmatisk tillgång till Amazons reklam- och detaljhandelssignaler för snabbare och mer skalbar marknadsföringsmixmodellering. Det eliminerar manuella datautbyten och automatiserar leveransen av mediesignaler (visningar, räckvidd, utgifter) och detaljhandelssignaler, inklusive dagliga nyckeltal för shoppingengagemang, som lägg till i kundvagn-händelser, direkt i befintliga arbetsflöden. Resultatet: mer frekventa och tillförlitliga insikter för budgetoptimering över flera kanaler.

Illustrativt exempel som visar MMM-API-funktioner:

Det som brukade ta vårt analysteam dagar med manuell databearbetning automatiserades. Amazons media- och detaljhandelssignaler inklusive granulär shoppingbeteendedata strömmade direkt in i kundens MMM på en daglig kadens, inte kvartalsvis. Resultatet: en tydligare bild av hur Amazon-investeringar drev resultat i förhållande till andra kanaler, uppdateras tillräckligt ofta för att faktiskt informera nästa budgetbeslut snarare än att komma för sent för att spela roll.

MMM-API ger signalerna men bygger inte modellen åt dig. Du behöver ett befintligt MMM-ramverk (internt eller via en mätpartner) för att samla in och analysera data. Värdet ligger i automatisering och standardisering: konsekvent, programmatisk åtkomst som minskar manuell ansträngning och möjliggör frekventare analyser.

• Historisk räckvidd är grunden. Du kan inte förutsäga exakt utan att veta vad som faktiskt hände. Starta varje klientrelation här även om sanningen är obekväm.
• Förutse flera scenarier, inte en plan. Presentera 3–5 budgetalternativ med räckviddskurvor. Låt data rekommendera. Kunder respekterar optimering, inte bara maximering.
• Konfidensintervall bygger mer förtroende än falsk säkerhet. Lova inte en enskild siffra. Lova ett intervall med konfidensnivå. När du levererar inom intervallet är du en hjälte.
• Beteenden slår demografi. Sluta rikta in dig på ”vuxna 25–54.” Rikta in dig på ”proteinpulverköpare som streamar fitnessinnehåll.” Konverteringsskillnaden är betydande.

• Nätbutiker som stöds (bekräfta att ditt land omfattas)
• Amazon-kampanjhistorik (minst sex månader rekommenderas för historisk räckvidd)
• Mediemix med flera kanaler (krävs för att dedupliceringsprognos ska vara meningsfull)
• AMC-instans (för förstapartsdatalagring)
• Utvecklarregistrering och kontoteamintag

1. Månad 1: Historisk räckvidd. Kör historisk räckvidd för att fastställa baslinjeräckvidd för din kategori- och lagermix under de senaste sex månaderna. Visa din klient faktisk kontra uppskattad räckvidd. Den upptäckten ensam motiverar vanligtvis hela ansträngningen. Granska vår dokumentation för mätning kampanj för kampanj.
2. Månad 2: Räckviddsprognoser. Testa 3–5 budgetscenarier för nästa kampanj. Nuvarande räckviddskurvor. Låt data driva rekommendationen.
3. Månad 3: Resultatprognoser. Lägg till resultatprognoser med konfidensintervall. Ställ in veckospårning mot prognos.
4. Månad 4: Dedupliceringsprognos. Kör mitt-kampanj. Hitta överlappningen. Omstrukturera mediemixen för att maximera unik räckvidd.
5. Månad 5–6: Målgrupps-API:er. Bygg beteendeprofiler med profilbyggaren. Upptäck nya segment med målgruppsidentifiering. Validera särskiljningsförmåga med målgruppsöverlappning. Omfördela budgeten till de högst konverterande profilerna.
6. Pågående: MMM-API. Integrera Amazons medie- och detaljhandelssignaler i ditt ramverk för mätning. Använd insikter inför nästa planeringscykel.

Nya integratörer bör förvänta sig bredare variationsband under de första 30 dagarna medan modellen värms upp till rätt trafikprofil.

Utforska resurserna nedan för att hjälpa dig komma igång med API-sviten för medieplanering.

Amazon Ads API-guide och medieplaneringsguider innehåller tekniska specifikationer, slutpunkter och integrationsguider. API-dokumentation ger också aktuell tillgänglighet och API-status.

Gigi, Pacvue, Perpetua, Intentwise och Skai erbjuder förbyggda integrationer utan kodning, inklusive instrumentpaneler.

Partnernätverket hjälper dig att hitta certifierade Amazon Ads-partners som kan hjälpa till med implementeringen.

Certifiering för medieplanering erbjuder kostnadsfri utbildning i grunderna i medieplanering och API-användning.

Din Amazon Ads-representant tillhandahåller fallstudier, hjälp med introduktion och åtkomst till pilotprogram.

Inte utvecklare? Det blir bra. Flera Amazon Ads-partnerplattformar (Pacvue, Perpetua, Skai, Gigi och andra) integrerar gradvis API:er för medieplanering. Noll utvecklingstid krävs. Arbeta med ditt kontoteam för att identifiera rätt partner för din stack.

• Försäljningssignaler: Utforska djupare integration av Amazons detaljhandels- och kundsignaler direkt i planeringsarbetsflöden före kampanjen. Detta sammankopplar medieplanering och faktiska detaljhandelsresultat, inte bara annonsstatistik.
• Agentiskt integreringslager: En ny funktion som gör det möjligt för AI-agenter från tredje part att integrera direkt med API:er för medieplanering. Detta innebär att dina egna planeringsverktyg, automatiserade arbetsflöden och AI-drivna optimeringsmotorer programmatiskt kan komma åt Amazons planeringssignaler från manuella API-anrop till autonom planeringsintelligens som ständigt är aktiv.

Ytterligare resurser:

• Kontakta ditt Amazon Ads-kontoteam
• Delta i konversationen i vår GitHub-community
• Komplett utvecklarregistrering

Källor:

¹ Amazon internal, USA, 2025–2026.

² Amazon Ads API-dokumentation, WW, 2026.

Medverkande:

Vic Awokoya, Kapil Dwivedi