คู่มือเชิงปฏิบัติสำหรับการคาดการณ์แคมเปญด้วยชุด API การวางแผนสื่อของ Amazon

ฉันเป็นนักกลยุทธ์ด้านสื่อของเอเจนซีโฆษณาขนาดกลาง แบรนด์ด้านสุขภาพแห่งหนึ่งมอบงบโฆษณาบน Amazon มูลค่า 150 ล้านดอลลาร์ให้เรา พวกเขามีคำถามหนึ่ง: "คุณรับประกันได้ไหมว่าแคมเปญนี้จะได้ผล"

ฉันทำไม่ได้ ไม่มีใครทำได้ เรามีประสบการณ์กว่า 15 ปี ผ่านการทำแคมเปญมาหลายพันแคมเปญ และเชื่อมั่นในผลิตภัณฑ์นี้อย่างแท้จริง แต่เราก็ไม่แน่ใจ เรากำลังวางแผนสื่อมูลค่า 150 ล้านดอลลาร์ด้วยวิธีเดียวกับที่สถาปนิกออกแบบอาคารก่อนจะมีวิศวกรรมโครงสร้าง นั่นคืออาศัยประสบการณ์ สัญชาตญาณ และความหวัง แต่ลึกๆ แล้ว เราหวาดหวั่นมาก ผ่านไปสามเดือน ลูกค้าก็ถามว่า: "เรากำลังเข้าถึงกลุ่มเป้าหมายได้ตามที่คุณคาดการณ์ไว้หรือเปล่า?" ฉันไม่รู้เลย เราไม่สามารถตรวจวัดจำนวนการเข้าถึงที่ไม่นับซ้ำในทุกช่องทางได้อย่างแม่นยำ การคาดการณ์การเข้าถึงกลุ่มเป้าหมายของเราล่ะ เป็นเพียงการคาดเดาโดยอาศัยประสบการณ์

หกเดือนต่อมา ฉันได้เข้าร่วมงานประชุม Amazon Ads และได้รู้จักกับ API การวางแผนสื่อ ซึ่งสามารถตอบทุกคำถามที่ก่อนหน้านี้เราไม่สามารถตอบได้:

• ไตรมาสที่แล้ว การเข้าถึงกลุ่มเป้าหมายที่ระบบจำลองไว้สำหรับบริบทของผู้โฆษณาของเราบนพื้นที่โฆษณาของ Amazon เป็นเท่าใด
• เราจะเข้าถึงกลุ่มเป้าหมายได้กี่รายในแต่ละระดับงบประมาณ
• เราสามารถคาดการณ์ผลลัพธ์ของแคมเปญอะไรได้บ้างก่อนตัดสินใจใช้งบประมาณ
• เรากำลังใช้งบประมาณเพื่อเข้าถึงบุคคลเดิมซ้ำผ่านหลายช่องทางหรือไม่
• พฤติกรรมของลูกค้าแบบใดที่บ่งชี้ถึงอัตราคอนเวอร์ชันสูงที่สุด
• เราจะตรวจวัดผลกระทบที่แท้จริงของการลงทุนด้านสื่อได้อย่างไร

ปัจจุบัน ลูกค้ารายเดิมลงทุนกับ Amazon ปีละ 200 ล้านดอลลาร์ โดยไม่ได้เพิ่มงบในช่องทางเดิม แต่ขยายไปยังกลุ่มลูกค้าและพื้นที่โฆษณาใหม่ที่ระบุได้จากชุด API การวางแผนสื่อ พร้อมทั้งตัดสินใจลงทุนได้อย่างมั่นใจเต็มที่ ไม่ใช่เพราะเราฉลาดขึ้น แต่เพราะเราหยุดคาดเดา

ลองนึกถึงการวางแผนสื่อเหมือนกับการที่สตูดิโอภาพยนตร์วางแผนเปิดตัวภาพยนตร์ฟอร์มยักษ์ ก่อนลงทุนกับการผลิตแม้แต่ดอลลาร์เดียว สตูดิโอจะตั้งคำถามว่า: กลุ่มเป้าหมายของเราคือใคร พวกเขาใช้ช่องทางใดบ้าง เราควรใช้งบประมาณในแต่ละตลาดเท่าใด เราควรคาดหวังผลตอบแทนเท่าใด การวางแผนสื่อก็ทำงานในลักษณะเดียวกันสำหรับผู้โฆษณา นั่นคือการวางกลยุทธ์ก่อนซื้อโฆษณา เพื่อให้แคมเปญมีโอกาสประสบความสำเร็จอย่างแท้จริง

หากไม่มีแผน คุณก็ทำได้เพียงคาดเดาเท่านั้น แต่เมื่อมีเครื่องมือที่เหมาะสม โดยเฉพาะชุด API การวางแผนสื่อของ Amazon คุณจะสามารถคาดการณ์ผลลัพธ์ได้ ความแตกต่างเพียงเท่านี้ก็อาจมีมูลค่าสูงถึงหลายสิบล้านดอลลาร์

API การวางแผนสื่อของ Amazon แบ่งออกเป็น 4 กลุ่ม โดยแต่ละกลุ่มออกแบบมาเพื่อรองรับความท้าทายหลักในการวางแผนสื่อแต่ละด้าน:

ราเข้าถึงกลุ่มเป้าหมายได้กี่คน จะเข้าถึงได้อีกกี่คน และมีการเข้าถึงซ้ำจริงเท่าใด

เราสามารถคาดการณ์ผลลัพธ์อะไรได้บ้างก่อนตัดสินใจใช้งบประมาณ

เราควรกำหนดกลุ่มเป้าหมายเป็นใคร และเพราะเหตุใด

เราจะตรวจวัดผลกระทบที่แท้จริงของสื่อโฆษณาในทุกช่องทางได้อย่างไร

API ทั้งหมดทำงานบนพื้นที่โฆษณาและสัญญาณพฤติกรรมของ Amazon Ads การวัดการเข้าถึงข้ามผู้เผยแพร่ การขจัดการนับซ้ำ การเปรียบเทียบประสิทธิภาพ และการวิเคราะห์ลักษณะของกลุ่มเป้าหมาย จำเป็นต้องอาศัยพาร์ทเนอร์ด้านการตรวจวัดจากบุคคลที่สาม

ทุกแคมเปญล้วนดำเนินไปตามสี่ขั้นตอน และ API การวางแผนสื่อจะเข้ามาช่วยในทุกขั้นตอนนั้น

ก่อนใช้งบประมาณแม้แต่ดอลลาร์เดียว คุณจะวิเคราะห์ผลลัพธ์ที่ผ่านมา คาดการณ์การเข้าถึงกลุ่มเป้าหมายและประสิทธิภาพ พร้อมจัดทำแผนการดำเนินงาน API เส้นโค้งการเข้าถึงกลุ่มเป้าหมาย,การคาดการณ์ประสิทธิภาพ และ API กลุ่มเป้าหมาย จะมอบข้อมูลที่จำเป็นสำหรับทั้งสามขั้นตอนนี้

เมื่อแผนพร้อมแล้ว คุณจะทำการระบุกลุ่มเป้าหมาย ตั้งค่าช่องทาง และจัดสรรงบประมาณขั้นสุดท้าย API กลุ่มเป้าหมาย ช่วยกำหนดว่าคุณจะเข้าถึงใคร ขณะที่ API เส้นโค้งการเข้าถึงกลุ่มเป้าหมาย (การคาดการณ์การเข้าถึงกลุ่มเป้าหมาย และการขจัดการนับการเข้าถึงซ้ำในการคาดการณ์) จะช่วยตรวจสอบความเหมาะสมของการผสมผสานช่องทางก่อนเปิดตัวแคมเปญ

เมื่อแคมเปญเริ่มดำเนินการแล้ว คุณจะติดตามประสิทธิภาพ ปรับงบประมาณ และปรับกลุ่มเป้าหมายให้เหมาะสม API เส้นโค้งการเข้าถึงกลุ่มเป้าหมาย (การขจัดการนับการเข้าถึงซ้ำในการคาดการณ์) ช่วยให้คุณทราบว่าคุณกำลังเข้าถึงลูกค้าใหม่จริง ๆ หรือกำลังเสียค่าใช้จ่ายกับการเข้าถึงซ้ำ

หลังสิ้นสุดแคมเปญ คุณจะเปรียบเทียบผลลัพธ์จริงกับที่คาดการณ์ไว้ สรุปบทเรียนที่ได้รับ และนำไปใช้วางแผนแคมเปญถัดไป API เส้นโค้งการเข้าถึงกลุ่มเป้าหมาย (ข้อมูลการเข้าถึงในอดีต) แสดงให้เห็นว่าแคมเปญมีผลลัพธ์จริงอย่างไร ส่วน MMM API จะนำข้อมูลเหล่านั้นไปใช้ในกรอบการตรวจวัดผลของคุณ

ข้อมูลการเข้าถึงในอดีตจะแสดงเส้นโค้งการเข้าถึงกลุ่มเป้าหมายย้อนหลังของพื้นที่โฆษณา Amazon ตามบริบทของผู้โฆษณาของคุณ คุณระบุช่วงวันที่และพารามิเตอร์ของกลุ่มเป้าหมาย จากนั้น API จะส่งกลับข้อมูลการเข้าถึงกลุ่มเป้าหมายแบบไม่ซ้ำที่สร้างแบบจำลองจากข้อมูลพาเนลและพื้นที่โฆษณาของ Amazon ไม่มีการคาดเดา ไม่มีสมมติฐาน

เราใช้ข้อมูลการเข้าถึงในอดีตวิเคราะห์ข้อมูลแคมเปญย้อนหลังหกเดือนของลูกค้า ผลลัพธ์: ลูกค้าใหม่ที่เข้าถึงได้จริงมี 12 ล้านราย ไม่ใช่ 8 ล้านราย เกิดความคลาดเคลื่อนในการตรวจวัดถึง 50% นั่นเปลี่ยนทุกอย่าง ต้นทุนต่อการเข้าถึงกลุ่มเป้าหมายต่ำกว่าที่คาดไว้ 37% ทำให้แคมเปญมีประสิทธิภาพสูงกว่าที่ตัวชี้วัดเบื้องต้นแสดงไว้มาก พวกเขาไม่ได้มีผลงานต่ำกว่าที่ควร แต่ตรวจวัดผลต่ำกว่าความเป็นจริง เมื่อมีข้อมูลพื้นฐานนี้ เราจึงสามารถวางแผนแคมเปญมูลค่า 150 ล้านดอลลาร์ได้อย่างมั่นใจ

ข้อมูลการเข้าถึงในอดีตใช้สำหรับวิเคราะห์ข้อมูลย้อนหลัง ไม่ใช่คาดการณ์อนาคต ไม่สามารถใช้คาดการณ์ผลลัพธ์ของไตรมาสถัดไปได้ แต่คุณไม่สามารถสร้างการคาดการณ์ที่แม่นยำได้ หากยังไม่เข้าใจจุดเริ่มต้นที่แท้จริงของคุณ ลองนึกถึงการอ่านงบการเงินของปีก่อนก่อนจัดทำงบประมาณปีถัดไป ซึ่งเป็นข้อมูลพื้นฐานที่จำเป็น แต่ไม่ใช่กลยุทธ์ทั้งหมด ไม่เหมาะสำหรับแคมเปญบน Amazon ที่เพิ่งเริ่มต้นและยังไม่มีข้อมูลย้อนหลัง

ลูกค้าถามว่า: “เราควรใช้จ่ายเงิน 120 ล้าน 150 ล้านหรือ 180 ล้านดอลลาร์หรือไม่ การเข้าถึงกลุ่มเป้าหมายจะแตกต่างกันมากน้อยเพียงใด" โดยปกติ เราทำได้เพียงคาดการณ์แบบคร่าว ๆ ว่างบประมาณจะเพิ่มขึ้นตามสัดส่วนเดียวกับปีที่ผ่านมา เครื่องหมายคำถามเหล่านั้น... คือจุดที่ความไม่มั่นใจเกิดขึ้น

การคาดการณ์การเข้าถึงกลุ่มเป้าหมายช่วยให้คุณทดสอบงบประมาณก่อนใช้งบจริง คุณระบุกลุ่มเป้าหมาย วันที่ของแคมเปญ และตัวเลือกงบประมาณหลายระดับ ระบบจะแสดงเส้นโค้งการเข้าถึงกลุ่มเป้าหมายที่บอกจำนวนลูกค้าใหม่ที่แต่ละระดับงบประมาณสามารถเข้าถึงได้ พร้อมระบุจุดที่การเพิ่มงบประมาณเริ่มให้ผลตอบแทนด้านการเข้าถึงลดลงตามสัดส่วน

ตัวอย่างประกอบเพื่อแสดงความสามารถของ API การคาดการณ์การเข้าถึงกลุ่มเป้าหมาย:

เส้นโค้งเริ่มแบนลงอย่างชัดเจนหลังใช้งบประมาณ 150 ล้านดอลลาร์ การเพิ่มงบประมาณจาก 150 ล้านดอลลาร์เป็น 175 ล้านดอลลาร์ ช่วยเข้าถึงลูกค้าเพิ่มเพียง 1.7 ล้านราย โดยมีต้นทุนต่อลูกค้าเพิ่มเติมอยู่ที่ 14.70 ดอลลาร์ เทียบกับต้นทุนเฉลี่ย 7.35 ดอลลาร์ เราแนะนำให้ประหยัดงบประมาณ 25 ล้านดอลลาร์นั้น และนำไปจัดสรรใหม่สำหรับการหาลูกค้าใหม่ ปฏิกิริยาของลูกค้า: “คุณช่วยประหยัดงบประมาณให้เราได้ถึง 25 ล้านดอลลาร์ก่อนที่เราจะใช้เงินจริงเสียอีก”

สิ่งเหล่านี้เป็นเพียงการคาดการณ์ ไม่ใช่การรับประกัน เช่นเดียวกับการพยากรณ์อากาศ ความแม่นยำอาจแตกต่างกันไปตามเงื่อนไขของแต่ละแคมเปญ โดยค่าที่แสดงเป็นเพียงตัวอย่างประกอบที่อ้างอิงจากรูปแบบประสิทธิภาพโดยทั่วไป ควรแสดงช่วงความเชื่อมั่นเสมอ เช่น "เราคาดว่าจะเข้าถึงกลุ่มเป้าหมายได้ 20.4 ล้านราย โดยมีช่วงที่คาดว่าจะเป็นไปได้อยู่ระหว่าง 18.5 ล้านถึง 22.1 ล้านราย" วางแผนโดยเผื่อความคลาดเคลื่อน ติดตามผลลัพธ์จริง และปรับปรุงแบบจำลองอย่างต่อเนื่อง

ระหว่างแคมเปญไตรมาส 4 ลูกค้าขอให้เราตรวจสอบผลการดำเนินงานอีกครั้ง เรารายงานว่ากำลังเข้าถึงลูกค้าใหม่ได้ 21.6 ล้านรายผ่านช่องทางต่าง ๆ ของ Amazon Ads เรามั่นใจกับตัวเลขนี้มาก แต่เราคิดผิด

การคาดการณ์การเข้าถึงกลุ่มเป้าหมายแบบไม่ซ้ำจะแสดงจำนวนลูกค้าใหม่ที่คุณเข้าถึงได้จริงจากทุกช่องทางของ Amazon ไม่ใช่ผลรวมการเข้าถึงของแต่ละช่องทางที่อาจนับซ้ำเกินจริง ระบบจะแสดงความซ้ำซ้อนระหว่างช่องทางต่าง ๆ เพื่อให้คุณเห็นอย่างชัดเจนว่ามีการนับลูกค้าซ้ำตรงจุดใด และกำลังเสียค่าโฆษณาเพื่อเข้าถึงลูกค้ารายเดิมซ้ำอีกครั้ง

ตัวอย่างประกอบเพื่อแสดงความสามารถของ API การคาดการณ์การเข้าถึงกลุ่มเป้าหมายแบบไม่ซ้ำ:

เราใช้ API การคาดการณ์การเข้าถึงกลุ่มเป้าหมายแบบไม่ซ้ำ จำนวนการเข้าถึงที่ไม่นับซ้ำที่แท้จริง: 13.2 ล้านคน ไม่ใช่ 21.6 ล้านคน ลูกค้าจำนวน 8.4 ล้านรายเป็นลูกค้ารายเดิมที่ถูกนับซ้ำจากหลายช่องทาง ช่องทางทีวีเชื่อมต่ออินเทอร์เน็ตมีการเข้าถึงลูกค้าซ้ำกันถึง 68% เราสูญเสียงบประมาณไป 61,740 ดอลลาร์จากการเข้าถึงลูกค้ารายเดิมที่เคยเข้าถึงแล้ว เราปรับโครงสร้างส่วนผสมของสื่อ ลดงบประมาณในช่องทางที่มีการเข้าถึงซ้ำ และย้ายงบประมาณไปยัง Twitch ซึ่งมีการเข้าถึงซ้ำน้อยกว่า ทำให้มีจำนวนการเข้าถึงลูกค้าที่ไม่นับซ้ำ 16.8 ล้านราย ด้วยงบประมาณ 150 ล้านดอลลาร์เท่าเดิม จำนวนการเข้าถึงที่ไม่นับซ้ำเพิ่มขึ้น 27% โดยไม่ต้องเพิ่มงบประมาณ

"เรากำลังเสียเงินกว่า 61,000 ดอลลาร์เพื่อแสดงโฆษณาซ้ำให้กับลูกค้ากลุ่มเดิมผ่านหน้าจอถึงห้าช่องทาง นั่นไม่ใช่กลยุทธ์การตลาดแบบหลายช่องทาง แต่เป็นการจ่ายเงินซ้ำเพื่อเข้าถึงลูกค้ากลุ่มเดิม"

การขจัดการนับซ้ำใช้ได้เฉพาะภายในพื้นที่โฆษณาของ Amazon เท่านั้น หากคุณลงโฆษณาบน Google, Meta, TikTok หรือทีวีแบบดั้งเดิม ด้วย ระบบนี้จะไม่แสดงการเข้าถึงซ้ำระหว่างช่องทางเหล่านั้น บอกลูกค้าล่วงหน้า: "ข้อมูลนี้แสดงการเข้าถึงซ้ำของกลุ่มเป้าหมายภายใน Amazon ส่วนการขจัดการนับซ้ำระหว่างผู้เผยแพร่โฆษณา จำเป็นต้องใช้พาร์ทเนอร์ด้านการตรวจวัดจากบุคคลที่สาม" กำหนดความคาดหวังอย่างชัดเจน

การเข้าถึงเป็นสิ่งสำคัญ แต่คำถามที่แท้จริงของลูกค้าคือ: "แคมเปญนี้จะสร้างผลลัพธ์ได้อย่างมีประสิทธิภาพเพียงใด" ลูกค้าจำเป็นต้องทราบก่อนตัดสินใจใช้งบประมาณ 150 ล้านดอลลาร์ว่า ต้นทุนต่อคลิกจะอยู่ที่เท่าใด อัตราการเล่นวิดีโอจนจบที่คาดว่าจะได้รับเป็นเท่าใด และงบประมาณดังกล่าวจะสามารถสร้างผลลัพธ์ในวงกว้างได้หรือไม่ สิ่งที่เราพอจะบอกได้ในตอนนั้นคือ: "อ้างอิงจากค่าเฉลี่ยของอุตสาหกรรม ก็พอเชื่อถือได้"

การคาดการณ์ประสิทธิภาพช่วยคาดการณ์ผลลัพธ์ของแคมเปญก่อนที่คุณจะใช้งบประมาณจริง คุณเลือกตัวชี้วัด (ยอดคลิก การรับชมวิดีโอจนจบ หรือจำนวนการเปิดดูหน้ารายละเอียดสินค้า) จากนั้น API จะส่งกลับเส้นโค้งการคาดการณ์ ซึ่งจะแสดงผลลัพธ์ที่คาดการณ์ในแต่ละระดับงบประมาณ ได้แก่ จำนวนผลลัพธ์ที่คาดว่าจะได้รับ ต้นทุนต่อผลลัพธ์ (CPC, eCPM, CPDPV, CPVC) และตัวชี้วัดประสิทธิภาพ (CTR, VCR) ไม่ใช่การคาดการณ์ที่คาดไว้ การคาดการณ์ที่อ้างอิงจากข้อมูล พร้อมช่วงความเชื่อมั่น

ตัวอย่างประกอบเพื่อแสดงความสามารถของ API การคาดการณ์ประสิทธิภาพ:

API ส่งกลับเส้นโค้งการคาดการณ์ที่แสดงจำนวนคลิกและต้นทุนต่อผลลัพธ์ที่คาดการณ์ ณ ระดับงบประมาณที่วางแผนไว้ พร้อมช่วงความเชื่อมั่น ซึ่งแม้ในกรณีต่ำสุดก็ยังผ่านเกณฑ์มาตรฐานที่ลูกค้ากำหนด เราเข้าร่วมการประชุมวางแผนและกล่าวว่า: "แม้ในกรณีที่คาดการณ์แบบระมัดระวัง ต้นทุนต่อผลลัพธ์ก็ยังอยู่ในเป้าหมายที่กำหนด เราแนะนำให้อนุมัติแคมเปญนี้"

สามเดือนต่อมา อัตราการคลิกต่อจำนวนการมองเห็นและต้นทุนต่อผลลัพธ์จริงคลาดเคลื่อนจากที่ API คาดการณ์ไว้ไม่เกิน 5% ท้ายที่สุด แคมเปญนี้สร้าง ROAS ได้ 4.0 เท่าในด้านผลลัพธ์ทางธุรกิจ การผสานระหว่างการคาดการณ์ที่แม่นยำกับการตัดสินใจที่มั่นใจนี้ ได้เปลี่ยนความสัมพันธ์กับลูกค้าไปอย่างสิ้นเชิง และทำให้เราได้รับการต่อสัญญาครั้งสำคัญ

ความแม่นยำดีขึ้นด้วยข้อมูล ความคลาดเคลื่อนจะสูงขึ้นเมื่อมีการเปิดตัวสินค้าใหม่และในช่วงที่มีความต้องการสูง แคมเปญที่มีข้อมูลย้อนหลังบน Amazon มากกว่า จะให้ผลการคาดการณ์ที่แม่นยำกว่า สื่อสารเรื่องนี้กับลูกค้าอย่างชัดเจน: ช่วงความเชื่อมั่นไม่ใช่การเผื่อความผิดพลาด แต่เป็นการสะท้อนความเป็นจริงของการคาดการณ์อย่างตรงไปตรงมา

ชุด API กลุ่มเป้าหมายช่วยให้คุณก้าวข้ามการวิเคราะห์เพียงข้อมูลประชากรศาสตร์ ไปสู่การทำความเข้าใจว่าลูกค้าของคุณเป็นใครจริง ๆ และค้นหากลุ่มลูกค้าใหม่ที่คุณอาจไม่เคยรู้ว่ามีอยู่

กลุ่มเป้าหมายเดิมของลูกค้า: "ผู้ใหญ่ที่มีอายุ 25–54 ปี สนใจด้านสุขภาพและการดูแลสุขภาพ และมีรายได้ครัวเรือนตั้งแต่ 60,000 ดอลลาร์ขึ้นไป" กลุ่มเป้าหมายนี้ครอบคลุมผู้ใช้งานบน Amazon ประมาณ 42 ล้านคน เราควรให้ความสำคัญกับกลุ่มเป้าหมายใด และควรจัดสรรงบประมาณให้แต่ละกลุ่มเท่าใด ข้อมูลประชากรศาสตร์บอกให้รู้ว่า ผู้คนเป็นใคร แต่ไม่ได้บอกว่าผู้คนเหล่านั้นมีพฤติกรรมอย่างไร และพฤติกรรมสามารถคาดการณ์คอนเวอร์ชันได้แม่นยำกว่าช่วงอายุอย่างมาก

• ตัวสร้างกลุ่มลูกค้าจำลอง จะใช้ข้อมูลบุคคลที่หนึ่งของ Amazon เช่น สิ่งที่ผู้ใช้ซื้อ รับชม และค้นหา เพื่อจัดเซ็กเมนต์เชิงพฤติกรรมของกลุ่มเป้าหมาย แทนที่จะเป็นเพียงช่วงอายุ คุณจะได้โปรไฟล์ลูกค้าจริงที่สร้างจากรูปแบบการซื้อ พฤติกรรมการรับชม และพฤติกรรมการค้นหา
• การค้นพบกลุ่มเป้าหมาย ช่วยค้นหาเซ็กเมนต์กลุ่มเป้าหมายใหม่ที่คุณอาจไม่เคยนึกถึง ซึ่งเป็นกลุ่มที่มีพฤติกรรมบ่งชี้ถึงความตั้งใจซื้อสูง แต่ยังอยู่นอกเหนือการกำหนดกลุ่มเป้าหมายในปัจจุบัน นี่คือวิธีค้นหาลูกค้าที่คุณไม่เคยรู้มาก่อนว่าควรมองหา
• การทับซ้อนกลุ่มเป้าหมาย แสดงให้เห็นว่ากลุ่มเป้าหมายของคุณทับซ้อนกันอย่างไร เพื่อให้ทราบว่ากลุ่มใดแตกต่างกันจริง และกลุ่มใดเป็นคนกลุ่มเดียวกันเป็นส่วนใหญ่ สิ่งนี้จะช่วยป้องกันการใช้งบประมาณมากเกินไปกับกลุ่มเป้าหมายที่มีการทับซ้อนกันสูง

เมื่อนำทั้งสามมาใช้ร่วมกัน ก็จะช่วยตอบคำถามต่อไปนี้: "ลูกค้ากลุ่มใดมีคุณค่ามากที่สุด ใครที่มีลักษณะคล้ายกับลูกค้ากลุ่มนั้น และเราจะหลีกเลี่ยงการระบุเป้าหมายซ้ำกับคนกลุ่มเดิมได้อย่างไร"

ตัวอย่างภาพประกอบที่แสดงให้เห็นถึงความสามารถของ Audience API โดยที่เหลืออีก 10% สงวนไว้สำหรับการทดสอบกลุ่มใหม่ที่ระบุผ่านการค้นพบกลุ่มเป้าหมาย

การปรับงบประมาณจากการกำหนดกลุ่มเป้าหมายตามข้อมูลประชากรศาสตร์ ไปสู่การกำหนดกลุ่มลูกค้าจำลองตามพฤติกรรม ช่วยเพิ่มประสิทธิภาพของแคมเปญได้อย่างมาก กลุ่มผู้ที่ใส่ใจสุขภาพและการดูแลสุขภาพอย่างจริงจัง ซึ่งมีเพียง 8.2 ล้านคน ให้ผลตอบแทนสูงที่สุด พวกเขาคือลูกค้าประจำที่มีคุณค่ามากที่สุดมาตลอด เราเพิ่งมองเห็นลูกค้ากลุ่มนี้เมื่อเริ่มวิเคราะห์จากพฤติกรรมของพวกเขา

จากนั้น การค้นหากลุ่มเป้าหมายได้ค้นพบกลุ่มเป้าหมายที่เราไม่เคยนึกถึงมาก่อน: "ผู้ที่รับชมคอนเทนต์ด้านฟิตเนสและซื้อขนมออร์แกนิก" การทับซ้อนของกลุ่มเป้าหมายยืนยันว่า กลุ่มนี้มีการทับซ้อนกับกลุ่มเป้าหมายเดิมของเราไม่ถึง 12% จึงเป็นกลุ่มเป้าหมายใหม่อย่างแท้จริง ไม่ใช่เพียงการนำกลุ่มเดิมมาแบ่งหรือจัดหมวดหมู่ใหม่

API กลุ่มเป้าหมายแสดงพฤติกรรมของผู้ใช้ผ่านมุมมองจากข้อมูลของ Amazon หากลูกค้าของคุณซื้อสินค้าหรือเสพสื่อเป็นหลักนอก Amazon ภาพที่ได้ก็จะไม่สมบูรณ์ ผสานข้อมูลบุคคลที่หนึ่งของคุณเอง เพื่อให้เห็นภาพลูกค้าได้ครบถ้วนยิ่งขึ้น นอกจากนี้ ยังไม่เหมาะกับกลุ่มเป้าหมายเฉพาะทางที่มีขนาดเล็กมาก เนื่องจากจำนวนข้อมูลไม่เพียงพอสำหรับการจัดกลุ่มอย่างมีนัยสำคัญ

หลังจากสิ้นสุดแคมเปญ ลูกค้าถามว่า: "การลงทุนโฆษณาบน Amazon ของเราสร้างผลลัพธ์จริงเมื่อเทียบกับช่องทางอื่นอย่างไร" เรามีตัวชี้วัดในระดับแพลตฟอร์ม แต่ยังไม่มีวิธีมาตรฐานในการนำข้อมูลสัญญาณจาก Amazon ไปใช้ในโมเดลการตรวจวัดภาพรวมของลูกค้า ทีมวิเคราะห์ของเราต้องใช้เวลาหลายวันในการดึงรายงาน จัดรูปแบบข้อมูล และกระทบยอดความคลาดเคลื่อน กว่าข้อมูลเชิงลึกจะไปถึงทีมวางแผน แคมเปญถัดไปก็เริ่มดำเนินการไปแล้ว

MMM API ช่วยให้ผู้โฆษณาและพาร์ทเนอร์ด้านการตรวจวัดเข้าถึงข้อมูลสัญญาณด้านโฆษณาและการค้าปลีกของ Amazon ได้ผ่านระบบอัตโนมัติ เพื่อให้การสร้างแบบจำลองส่วนผสมทางการตลาดรวดเร็วและรองรับการขยายขนาดได้ดียิ่งขึ้น ช่วยลดขั้นตอนการแลกเปลี่ยนข้อมูลด้วยตนเอง และทำให้การส่งข้อมูลสัญญาณด้านสื่อ (เช่น จำนวนการแสดงผลของโฆษณา การเข้าถึง และงบประมาณ) รวมถึงข้อมูลสัญญาณด้านการค้าปลีก เช่น ตัวชี้วัดการมีส่วนร่วมในการซื้อสินค้ารายวันอย่างการเพิ่มสินค้าลงรถเข็น เป็นไปโดยอัตโนมัติและเชื่อมต่อเข้าสู่ขั้นตอนการทำงานที่มีอยู่โดยตรง ผลลัพธ์คือ ได้ข้อมูลเชิงลึกที่เชื่อถือได้และอัปเดตบ่อยขึ้น เพื่อเพิ่มประสิทธิภาพการจัดสรรงบประมาณข้ามช่องทาง

ตัวอย่างประกอบเพื่อแสดงความสามารถของ MMM API:

งานที่เคยต้องใช้เวลาหลายวันในการรวบรวมและจัดการข้อมูลด้วยตนเองของทีมวิเคราะห์ กลายเป็นกระบวนการอัตโนมัติ ข้อมูลสัญญาณด้านสื่อและการค้าปลีกของ Amazon รวมถึงข้อมูลพฤติกรรมการซื้อสินค้าเชิงลึก ถูกส่งเข้าสู่แบบจำลองส่วนประสมทางการตลาดของลูกค้าโดยตรงทุกวัน แทนที่จะอัปเดตเพียงรายไตรมาส ผลลัพธ์คือ มองเห็นได้ชัดเจนยิ่งขึ้นว่าการลงทุนบน Amazon สร้างผลลัพธ์เมื่อเทียบกับช่องทางอื่นอย่างไร และข้อมูลได้รับการอัปเดตบ่อยพอที่จะใช้ประกอบการตัดสินใจจัดสรรงบประมาณครั้งถัดไป

MMM API ให้ข้อมูลสัญญาณ แต่ไม่ได้สร้างแบบจำลองให้คุณเอง คุณจำเป็นต้องมีกรอบการทำงานสำหรับ MMM อยู่แล้ว (ไม่ว่าจะพัฒนาเองหรือใช้บริการจากพาร์ทเนอร์ด้านการตรวจวัด) เพื่อรับและวิเคราะห์ข้อมูลเหล่านี้ คุณค่านี้อยู่ที่ระบบอัตโนมัติและการกำหนดมาตรฐาน ทำให้เข้าถึงข้อมูลได้อย่างสม่ำเสมอผ่านระบบ ช่วยลดงานที่ต้องทำด้วยตนเอง และรองรับการวิเคราะห์ได้บ่อยขึ้น

• การเข้าถึงในอดีตคือรากฐานของการวางแผน คุณไม่สามารถคาดการณ์ได้อย่างแม่นยำ หากไม่รู้ว่าที่ผ่านมาเกิดอะไรขึ้นจริง เริ่มต้นทุกความสัมพันธ์กับลูกค้าจากจุดนี้ แม้ว่าความจริงอาจไม่ใช่สิ่งที่อยากได้ยินก็ตาม
• คาดการณ์หลายสถานการณ์ ไม่ใช่เพียงแผนเดียว นำเสนอตัวเลือกงบประมาณ 3–5 ระดับ พร้อมเส้นโค้งการเข้าถึง ให้ข้อมูลแนะนำ ลูกค้าให้คุณค่ากับการเพิ่มประสิทธิภาพ ไม่ใช่แค่การเพิ่มให้มากที่สุด
• ช่วงความเชื่อมั่นสร้างความน่าเชื่อถือได้มากกว่าความมั่นใจที่เกินจริง อย่ารับปากด้วยตัวเลขเพียงค่าเดียว รับปากด้วยช่วงค่าพร้อมระดับความเชื่อมั่น เมื่อผลลัพธ์อยู่ในช่วงที่คาดการณ์ไว้ คุณก็จะเป็นฮีโร่
• พฤติกรรมสำคัญกว่าข้อมูลประชากร เลิกกำหนดเป้าหมายแค่ "ผู้ใหญ่อายุ 25–54 ปี" กำหนดเป้าหมายเป็น "ผู้ซื้อโปรตีนผงที่รับชมคอนเทนต์ด้านฟิตเนส" อัตราคอนเวอร์ชันแตกต่างกันอย่างมีนัยสำคัญ

• รองรับตลาดที่ใช้งาน (โปรดยืนยันว่าภูมิภาคของคุณรองรับ)
• มีประวัติแคมเปญบน Amazon (แนะนำอย่างน้อย 6 เดือนสำหรับการเข้าถึงในอดีต)
• ใช้ส่วนผสมของสื่อหลายช่องทาง (จำเป็นสำหรับการตรวจจับการเข้าถึงซ้ำจากการคาดการณ์)
• มีอินสแตนซ์ AMC (สำหรับผสานข้อมูลบุคคลที่หนึ่ง)
• การลงทะเบียนนักพัฒนาและการรับคำขอโดยทีมดูแลลูกค้า

1. 1 เดือน: API การเข้าถึงในอดีต ใช้การเข้าถึงในอดีตเพื่อกำหนดค่าพื้นฐานของการเข้าถึงตามหมวดหมู่และการผสมผสานพื้นที่โฆษณาในช่วง 6 เดือนที่ผ่านมา เปรียบเทียบการเข้าถึงจริงกับการเข้าถึงที่คาดไว้ให้ลูกค้าเห็น การค้นพบเพียงข้อนี้ก็มักคุ้มค่ากับความพยายามทั้งหมดแล้ว ดูเอกสารของเราเพื่อเรียนรู้การตรวจวัดผลในระดับแคมเปญต่อแคมเปญ
2. เดือน 2: การคาดการณ์การเข้าถึง ทดสอบงบประมาณ 3–5 ระดับสำหรับแคมเปญถัดไป นำเสนอเส้นโค้งการเข้าถึง ใช้ข้อมูลเป็นตัวกำหนดข้อเสนอแนะ
3. เดือน 3: การคาดการณ์ประสิทธิภาพ เพิ่มการคาดการณ์ผลลัพธ์พร้อมช่วงความเชื่อมั่น ติดตามผลรายสัปดาห์เทียบกับการคาดการณ์
4. เดือน 4: การคาดการณ์การเข้าถึงกลุ่มเป้าหมายแบบไม่ซ้ำ ประเมินผลระหว่างแคมเปญ ค้นหาการเข้าถึงที่ซ้ำกัน ปรับส่วนผสมของสื่อเพื่อเพิ่มจำนวนการเข้าถึงที่ไม่นับซ้ำให้สูงสุด
5. เดือน 5-6: API กลุ่มเป้าหมาย สร้างกลุ่มเป้าหมายเชิงพฤติกรรมด้วยตัวสร้างกลุ่มลูกค้าจำลอง ค้นหากลุ่มเป้าหมายใหม่ด้วยการค้นพบกลุ่มเป้าหมาย ยืนยันความแตกต่างด้วยการทับซ้อนของกลุ่มเป้าหมาย จัดสรรงบประมาณใหม่ไปยังตกลุ่มลูกค้าจำลองที่มีอัตราคอนเวอร์ชันสูงที่สุด
6. กำลังดำเนินอยู่: MMM API ผสานข้อมูลสัญญาณด้านสื่อและการค้าปลีกของ Amazon เข้ากับกรอบการตรวจวัดของคุณ ใช้ข้อมูลเชิงลึกเพื่อวางแผนในรอบถัดไป

ผู้เริ่มใช้งานควรคาดว่าช่วงความแปรปรวนจะกว้างกว่าในช่วง 30 วันแรก ขณะที่โมเดลเรียนรู้รูปแบบจำนวนการเข้าชมของตนเอง

ศึกษาแหล่งข้อมูลด้านล่างเพื่อช่วยให้คุณเริ่มต้นใช้งานชุด API การวางแผนสื่อได้อย่างรวดเร็ว

คู่มือ Amazon Ads API และคู่มือการวางแผนสื่อให้ข้อมูลเกี่ยวกับข้อกำหนดทางเทคนิค เอนด์พอยต์ และแนวทางการผสานการทำงาน เอกสารประกอบการใช้งาน API ยังแสดงภูมิภาคที่รองรับและสถานะของ API อีกด้วย

Gigi, Pacvue, Perpetua, Intentwise และ Skai มีการผสานการทำงานที่พร้อมใช้งานโดยไม่ต้องเขียนโค้ด พร้อมแดชบอร์ดในตัว

เครือข่ายพาร์ทเนอร์ ช่วยให้คุณค้นหาพาร์ทเนอร์ Amazon Ads ที่ได้รับการรับรองเพื่อช่วยในการติดตั้งและใช้งาน

หลักสูตรการรับรองด้านการวางแผนสื่อเปิดให้เรียนฟรี ครอบคลุมพื้นฐานการวางแผนสื่อและการใช้งาน API

ผู้ดูแลลูกค้า Amazon Ads ของคุณสามารถให้กรณีศึกษา ช่วยเริ่มใช้งาน และให้สิทธิ์เข้าร่วมโครงการนำร่อง

ไม่ใช่นักพัฒนาใช่ไหม แบบนั้นก็ได้ แพลตฟอร์มพาร์ทเนอร์ Amazon Ads หลายแห่ง เช่น Pacvue, Perpetua, Skai, Gigi และอื่น ๆ กำลังทยอยผสานการทำงานกับ API การวางแผนสื่ออย่างต่อเนื่อง ไม่ต้องใช้เวลาในการพัฒนา ทำงานร่วมกับทีมดูแลลูกค้าของคุณเพื่อเลือกพาร์ทเนอร์ที่เหมาะกับระบบของคุณ

• สัญญาณการขาย: ศึกษาแนวทางการผสานข้อมูลสัญญาณด้านการค้าปลีกและพฤติกรรมของนักช้อปบน Amazon เข้ากับขั้นตอนการวางแผนก่อนเริ่มแคมเปญโดยตรง สิ่งนี้จะเชื่อมโยงการวางแผนสื่อเข้ากับผลลัพธ์ด้านการค้าปลีกที่เกิดขึ้นจริง ไม่ใช่เพียงตัวชี้วัดโฆษณาเท่านั้น
• ชั้นการผสานการทำงานของ Agentic AI: ความสามารถใหม่ที่ช่วยให้ AI Agent ของบุคคลที่สามสามารถผสานการทำงานกับการแผนสื่อ API ได้โดยตรง ซึ่งหมายความว่าเครื่องมือวางแผนเฉพาะของคุณ เวิร์กโฟลว์อัตโนมัติ และระบบเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วย AI จะสามารถเข้าถึงข้อมูลสัญญาณการวางแผนของ Amazon ได้โดยอัตโนมัติ เปลี่ยนจากการเรียกใช้ API ด้วยตนเองไปสู่ระบบวางแผนอัจฉริยะที่ทำงานได้อย่างอัตโนมัติและต่อเนื่องตลอดเวลา

แหล่งข้อมูลเพิ่มเติม:

• ติดต่อทีมดูแลลูกค้า Amazon Ads ของคุณ
• เข้าร่วมการสนทนาในชุมชน GitHub ของเรา
• ลงทะเบียนนักพัฒนาให้เรียบร้อย

แหล่งที่มา:

¹ ข้อมูลภายใน Amazon, สหรัฐอเมริกา, 2025 - 2026

² เอกสาร Amazon Ads API, ทั่วโลก, 2026

ผู้ร่วมจัดทำ:

Vic Awokoya, Kapil Dwivedi