使用亞馬遜媒體計畫 API 套件進行廣告活動預測的實用指南

我是中型廣告代理商的媒體策略師。一家保健品牌帶著 1.5 億美元的預算來到我們面前，打算花在亞馬遜上。他們提出了一個問題： 「您能保證這會奏效嗎？」

我無法保證。我們之中沒有人能保證。我們擁有 15 年的經驗、操作過數千個廣告活動，並且對該商品抱持堅定的信心。但我們沒有把握。我們建立這份 1.5 億美元媒體計畫的方式，就像結構工程出現之前的建築師設計房屋一樣：憑藉經驗、直覺與希望。在內心深處，我們感到無比恐懼。執行三個月後，客戶問道： 「我們有像您預測的那樣觸及到目標受眾嗎？」 我毫無頭緒。我們無法精確衡量跨管道的不重複觸及人數。我們的觸及預測？ 不過是有根據的猜測罷了。

六個月後，我參加了一場亞馬遜廣告大會，瞭解到了媒體計畫 API，它本可以回答我們當時無法回答的每一個問題：

• 上個季度在亞馬遜廣告庫存中，針對我們廣告商情境的模型化觸及人數是多少？
• 在不同的預算層級下，我們能觸及多少人？
• 在投入預算之前，我們可以預測哪些廣告活動成效？
• 我們是否在付費重複觸及跨多個管道的同一個人？
• 哪些顧客行為能預測出最高的轉化率？
• 我們該如何衡量媒體投資的真實影響力？

如今，該客戶每年投資 2 億美元 - 不是透過在相同管道上增加支出，而是透過 API 套件識別出新的受眾樣貌與廣告庫存來擴展市場，且他們懷抱著充分的信心這樣做。不是因為我們變聰明了。而是因為我們停止憑空猜測。

將媒體計畫想像成電影製作公司規劃大片上映的方式。在投入資金進行製作之前，製作公司會問： 誰是我們的受眾？ 他們會出現在哪些管道？ 我們應該在每個站點花費多少？ 我們應該期待獲得什麼回報？ 媒體計畫廣告商運作方式完全相同 - 這是您在購買廣告前所做的策略性工作，讓您的廣告活動有機會獲得實質成功。

沒有計畫，您就是在猜測。有了正確的工具 - 尤其是亞馬遜的媒體計畫 API 套件 - 您就是在進行科學預測。這種差異價值數千萬美元。

亞馬遜的媒體計畫 API 分為四個組別，各自解決一個核心的計畫挑戰：

我們已經觸及了多少人、將會觸及多少人？真實的重疊情況為何？

在投入預算前，我們可以預測哪些結果？

我們應該以誰為定向目標？為什麼？

我們該如何衡量跨管道的真實媒體影響力？

所有 API 均在亞馬遜廣告的廣告庫存與行為訊號上運作。跨發佈商的觸及、刪除重複資料、成效比較以及受眾特徵分析，需要第三方衡量合作夥伴。

每個廣告活動都會經歷四個階段，而媒體計畫 API 會融入其中的每一個階段。

在花費任何資金之前，您會分析過去的成效、預測觸及人數與成效，並建立您的計畫。觸及曲線 API、成效預測與受眾 API 提供您執行這三項工作的資料。

掌握計畫後，您可以設定定向、配置管道並敲定預算分配。受眾 API 用於定義您要觸及的對象，而觸及曲線 API（觸及預測、預測刪除重複資料）則協助您在上線前驗證管道組合。

廣告活動開始執行後，您會監控成效、調整預算並最佳化定向。觸及曲線 API（預測刪除重複資料）顯示您是在觸及不重複顧客，還是正在為重疊顧客付費。

廣告活動結束後，您會衡量實際成效與預測的差異、汲取經驗教訓，並規劃下一個廣告活動。觸及曲線 API（歷史觸及）顯示實際發生的情況，而 MMM API 則將這些訊號餵入您的衡量架構中。

歷史觸及提供亞馬遜廣告庫存的歷史觸及曲線，範圍限於您的廣告商情境。您只需提供日期範圍與受眾參數，它就會根據亞馬遜樣本庫與廣告庫存資料返回模型化的不重複觸及人數。沒有猜測。沒有假設。

我們針對客戶過去廣告活動的六個月資料執行了歷史觸及分析。結果： 是 1,200 萬名不重複的顧客，而非 800 萬名。存在 50% 的衡量落差。這改變了一切。他們的每觸及成本比原先以為的低了 37%，這使得他們的廣告活動效率遠高於初始指標所顯示的結果。他們並非表現不佳 - 而是衡量不足。擁有了這個基準，我們便能充滿信心地下筆規劃 1.5 億美元的媒體計畫。

歷史觸及回顧過去，而非預測未來。它無法預測下個季度。但如果不瞭解您實際的起跑點，就無法建立良好的預測。將其視為在制定明年預算前閱讀去年的財務報表，這是必要的背景資訊，但並非完整的策略。對於沒有歷史紀錄、首次執行的亞馬遜廣告活動則不適用。

客戶問道： 「我們應該花費 1.2 億、1.5 億還是 1.8 億美元？ 觸及人數有什麼差別？」 按照傳統做法，我們會從去年的支出進行粗略的線性推算？ 那些問號……正是焦慮的來源。

觸及預測讓您可以在投入任何預算前測試預算情境。您輸入目標受眾、廣告活動日期與多個預算選項。它會返回一條觸及曲線，精確顯示每個預算能觸及多少不重複顧客，以及曲線在何處趨於平緩（即額外支出不再帶來同等比例之觸及成長的位置）。

展示觸及預測 API 功能的範例說明：

預算的觸及曲線在 1.5 億美元後急劇趨於平緩。預算從 1.5 億美元增加到 1.75 億美元，僅額外增加 170 萬名顧客，相當於每增加一名顧客的成本高達 14.70 美元，而平均成本僅為 7.35。我們建議省下這 2,500 萬美元，並重新分配給潛在顧客開發。客戶的反應： 「您在我們花錢之前，就幫我們省下了 2,500 萬美元。」

這些是預測而非保證，類似於天氣預報。精準度因廣告活動條件而異；所示範圍為基於典型成效模式的範例說明。請始終提供信任區間範圍，例如：「我們預測觸及人數為 2,040 萬，可能落在 1,850 萬至 2,210 萬之間。」 規劃時保留彈性空間、追蹤實際資料，並隨著時間推移不斷完善您的模型。

在第 4 季廣告活動進行到一半時，客戶要求檢視進度。我們告訴他們，我們跨多個亞馬遜廣告管道觸及了 2,160 萬名不重複顧客。我們對這個數字感到很有信心。但我們錯了。

預測刪除重複資料能顯示您跨所有亞馬遜管道實際觸及的不重複人數，而非將各管道觸及人數直接相加膨脹後的總和。它會對應出管道之間的重疊情況，讓您能夠精確找出在哪些地方重複計算，並為同一群受眾支付了雙倍費用。

展示預測刪除重複資料 API 功能的範例說明：

我們執行了預測刪除重複資料分析。真實的不重複觸及人數為： 1,320 萬，而不是 2,160 萬。有 840 萬名「顧客」是跨多個管道重複出現的同一個人。連網電視管道的重疊率高達 68%。我們浪費了 61,740 美元去觸及已經觸及過的對象。我們重新調整了媒體組合、削減重疊管道的預算，並將支出轉移至 Twitch（該處重疊率較低），在相同的 1.5 億美元預算下實現了 1,680 萬的不重複觸及人數。等於將不重複觸及人數提升了 27% 而不額外收費。

「我們花了 6.1 萬美元在五個不同的螢幕上向同一群人展示廣告。這不是跨管道策略 - 這是在同一間公寓付了五次租金。」

刪除重複資料功能僅在亞馬遜的廣告庫存範圍內有效。如果您同時在 Google、Meta、TikTok 或線性電視上執行廣告，這些重疊將不會在此處顯示。事先坦承告知客戶： 「這顯示的是亞馬遜的受眾重疊情況。若要進行跨發佈商刪除重複資料，您需要第三方衡量合作夥伴。」 明確設定預期。

觸及人數固然重要。但客戶真正的問題是： 「這個廣告活動的投放效率如何？」 在投入 1.5 億美元之前，他們需要知道每次點擊成本 (CPC) 會是多少、可以預期的影片完整播放率為何，以及該支出是否能大規模投放。當時我們能給出最好的回答不過是： 「根據產業平均水準，請相信我們。」

成效預測可在您投入資金之前，預測廣告活動的成效結果。您選取一個指標（點擊量、影片完播數或商品詳情頁瀏覽數），API 就會返回一條預測曲線：在每個支出層級下，您都可以獲得預測數量、每次結果成本（CPC、有效每千次曝光成本 (eCPM)、CPDPV、CPVC）以及比率指標（CTR、VCR）。這不是憑空想像的估算。而是附帶信任區間、有資料佐證的預測。

展示成效預測 API 功能的範例說明：

API 返回了一條預測曲線，顯示在我們規劃的支出層級下的預測點擊量與每次結果成本，即使在其信任區間的下限，也通過了客戶的效率基準。我們走進計畫會議並說： 「即使在保守情境下，您的每次結果成本依然符合目標。我們建議核准啟動此廣告活動。」

三個月後，實際點擊率與每次結果成本與 API 的預測誤差在 5% 以內。作為商業成果，該廣告活動最終帶來了 4.0 倍的廣告投資報酬率。準確的預測導向具把握的決策 - 這種結合徹底改變了我們與客戶的關係，並為我們贏得了重大的續約。

精準度會隨資料量累積而提升。對於新商品發布與旺季期間，變異數會擴大。具備較長亞馬遜歷史紀錄的廣告活動能產生更緊密的預測結果。請向客戶明確溝通這一點：信任區間不是規避責任的藉口 - 而是科學預測運作機制的真實呈現。

受眾 API 群組協助您超越人口統計資料，瞭解您的顧客究竟是誰，並尋找您過去不知道的新受眾。

客戶最初的目標受眾：： 「25 至 54 歲成人對醫療保健感興趣，家庭收入 6 萬美元以上。」 這在亞馬遜上涵蓋了大約 4,200 萬人。我們應該優先考慮哪些細分受眾？每個受眾應該獲得多少預算？ 人口統計資料告訴您，人們「是誰」。但它們不會告訴您，人們「做些什麼」。而行為在預測轉換方面的成效遠勝過年齡層。

• 顧客樣貌建構工具 (Persona Builder) 利用亞馬遜的第一方數據 - 人們購買、觀看與搜尋的內容 - 將您的受眾分組為行為受眾區隔。您獲得的不再是年齡區間，而是基於購買模式、串流習慣與搜尋行為的真實顧客樣貌。
• 受眾發現工具 (Audience Discovery) 能發掘您尚未考慮過的新受眾區隔 - 這些人的行為顯示出高意圖，但卻落在您目前的定向範圍之外。這就是您尋找過去不知道該去尋找之顧客的方式。
• 受眾重疊工具 (Audience Overlap) 能顯示您的細分受眾如何交叉重疊，以便您瞭解哪些受眾是真正不重複的，哪些在很大程度上是同一群人。這能防止您過度投資於高度重疊的受眾區塊。

它們共同回答了： 「誰是我們最好的顧客？還有誰看起來像他們？以及我們該如何避免重複定向同一群人？」

展示受眾 API 功能的範例說明，其餘 10% 的預算預留用於測試透過「受眾發現工具」識別出的新細分受眾。

透過將預算從廣泛的人口統計資料轉移到行為受眾人群特徵，廣告活動效率獲得了顯著提升。「積極健康」細分受眾 - 僅 820 萬人 - 帶來了最高的回報。他們一直以來都是核心超級粉絲。在我們觀察行為之前，我們只是無法看清他們。

受眾發現工具隨後揭示了一個我們從未考慮過的受眾群： 「購買有機零食的健身內容串流觀看者」。 「受眾重疊工具」確認該群體與我們現有目標受眾的重疊率低於 12% - 這是一個全新的受眾，而非我們已有受眾的重新包裝。

受眾 API 透過 Amazon Lens 展示行為。如果您的顧客主要在亞馬遜無庫存的地方購物或觀賞媒體內容，圖像將會不完整。請疊加您自己的第一方數據，以獲得更全面的全貌。此外，對於樣本量限制了有效分群的極小眾分眾受眾，此功能也不夠理想。

廣告活動結束後，客戶問道： 「與我們的其他管道相比，我們在亞馬遜上的投資真實影響力為何？」 我們擁有平台層級的指標，但缺乏將亞馬遜的訊號餵入其更廣泛衡量模型中的標準化方式。我們的分析團隊花費了數天時間手動整理報告、重新格式化資料並比對差異；當洞察報告送到計畫團隊手中時，下一個廣告活動早已在檔期執行中了。

MMM API 為廣告商與衡量合作夥伴提供對亞馬遜廣告與零售訊號的程式化存取，以進行更快速、更具擴充性的行銷組合模型分析。它消除了手動資料交換，並將媒體訊號（曝光數、觸及數、支出）以及包含每日購物互動指標（如加入購物車事件）在內的零售訊號自動化交付至現有工作流程中。結果：提供更頻繁、更可靠的洞察，用於跨通路預算最佳化。

展示 MMM API 功能的範例說明：

過去需要我們分析團隊花費數天進行手動資料整理的工作，如今實現了自動化。包含細緻購物行為資料在內的亞馬遜媒體與零售訊號，改以每日頻率直接流入客戶的 MMM 模型中，而非按季度更新。結果：能夠更清晰地瞭解亞馬遜的投資相較於其他管道如何帶動成效，且更新頻率高到足以實質指導下一次預算決策，而不是在為時已晚時才送達。

MMM API 提供的是訊號 - 它不會為您建立模型。您需要一個現有的 MMM 架構（內部自研或透過衡量合作夥伴）來導入並分析資料。其價值在於自動化與標準化：持續、程式化的存取，可減少手動工作並支援更高頻率的分析。

• 歷史觸及是基礎。 在不知道實際發生了什麼的情況下，您無法精確進行預測。從這裡開始建立每一份客戶關係，即使真相並不那麼令人舒適。
• 預測多種情境，而非單一計畫。提供 3 到 5 個附帶觸及曲線的預算選項。讓資料提出建議。客戶尊重的是最佳化，而不僅僅是極大化。
• 信任區間比虛假的把握更能建立信任。 不要承諾單一數字。承諾一個帶有信心水準的範圍。當您的投放結果落在範圍內時，您就是英雄。
• 行為勝過人口統計資料。 停止定向「25 至 54 歲成人」。 定向「觀看健身內容串流的高蛋白粉買家」。 轉換率的差異非常顯著。

• 支援的站點（確認您的地區已被涵蓋）
• 亞馬遜廣告活動歷史紀錄（針對歷史觸及建議至少需要 6 個月）
• 跨管道媒體組合（預測刪除重複資料發揮意義的必要條件）
• AMC 執行個體（用於第一方數據疊加）
• 開發者註冊與客戶團隊進駐流程

1. 第 1 個月： 歷史觸及。 執行歷史觸及，以確立過去 6 個月中您的類別與廣告庫存組合的基準觸及人數。向您的客戶展示實際觸及人數與假設觸及人數的差異。僅憑這項發現，通常就足以證明整個努力的價值。請查看我們的說明文件以瞭解逐一廣告活動的衡量方式。
2. 第 2 個月： 觸及預測。為下一個廣告活動測試 3 到 5 個預算情境。展示觸及曲線。讓資料主導建議。
3. 第 3 個月： 成效預測。 新增帶有信任區間的結果預測。設定每週相對於預測的追蹤。
4. 第 4 個月： 預測刪除重複資料。 廣告活動中期執行。找出重疊之處。重組媒體組合以將不重複觸及人數最大化。
5. 第 5-6 個月： 受眾 API。 使用受眾顧客樣貌建構工具組建行為受眾顧客樣貌。使用「受眾發現工具」發掘新細分受眾。使用「受眾重疊工具」驗證獨特性。將預算重新分配給轉換率最高的受眾顧客樣貌。
6. 持續進行： MMM API。將亞馬遜的媒體與零售訊號整合至您的衡量架構中。利用洞察報告為下一個計畫週期提供參考。

新整合者在最初的 30 天內應預期會有較寬的變異數區間，因為模型需要時間來適應其流量樣貌。

請探索下方列出的資源，以協助您開始使用媒體計畫 API 套件。

亞馬遜廣告 API 指南與媒體計畫指南提供了技術規格、端點 (endpoints) 與整合指南。API 文件亦提供了目前的適用地區與 API 運作狀態。

Gigi、Pacvue、Perpetua、Intentwise 與 Skai 提供了無需撰寫程式碼的預建整合方案，包含成效控制面板。

合作夥伴網路可協助您找到能提供導入協助的認證亞馬遜廣告合作夥伴。

媒體計畫認證提供有關媒體計畫基礎知識與 API 使用的免費訓練課程。

您的亞馬遜廣告專屬代表可提供案例研究、進駐協助以及試驗計畫 (pilot program) 的存取權限。

不是開發人員？ 沒關係。多家亞馬遜廣告合作夥伴平台（Pacvue、Perpetua、Skai、Gigi 等）正逐步整合媒體計畫 API。完全不需要開發時間。請與您的客戶團隊合作，為您的技術堆疊尋找合適的合作夥伴。

• 銷售訊號： 我們正探索將 Amazon 零售與顧客訊號更深入地直接整合至廣告活動前的計畫工作流程中。這將把媒體計畫與實際的零售成果連結起來，而不僅僅是廣告指標。
• 代理整合層： 這是一項全新功能，支援第三方 AI 代理直接與媒體計畫 API 進行整合。這表示您的專有計畫工具、自動化工作流程與 AI 支援的最佳化引擎，能夠透過程式化存取亞馬遜的計畫訊號 - 從手動 API 呼叫至全天候自主不間斷投放的計畫智慧。

其他資源：

• 聯絡您的亞馬遜廣告帳戶團隊
• 加入我們 GitHub 社群的討論
• 完成開發者註冊

資料來源：

¹ 亞馬遜研究，美國，2025 年至 2026 年。

² 亞馬遜廣告 API 文件，全球，2026 年。

貢獻者：

Vic Awokoya，Kapil Dwivedi