通过竞品广告报告搭建词库
运营中必要的插件经过了极致的数据处理，已经十分全面精准。而对于追求推品成功率的单干卖家和部分精品公司，竞品广告报告也是提高推品成功率的不二之选。
本文架构：
- 竞品广告报告的选择方法
- 竞品广告报告处理的底层逻辑
- 竞品广告报告的处理与实操
- 插件与相关网站的使用场景
一、竞品广告报告的选择
- 首先，为什么不用商机探测器计算转化率？因为商机探测器计算出的转化率是过去360天内，这个关键词下所有产品的平均转化率。
- 我做的类目不是很红海的类目，因此，多数产品，我会选择2个与自己产品在外观、功能、属性、价格区间、目标人群最相似、且在bsr上的竞品买广告报告；再选择1个与自己产品最相似，且在nr上的竞品买广告报告。如果认为nr1的水平大概不如自己，我会选择3个与自己产品最相似、且在bsr上的竞品买广告报告。
- 如果是红海，建议买4-5份。为什么选3-5个竞品：数据量越大，偏差越小3-5个竞品是多数人在广告报告价格接受范围内，可参考性较强的数量。下文提到的竞品广告报告，默认和自己后台下载的search term搜索词报告长得一样。
二、竞品广告报告处理的底层逻辑
很多时候，人们在思考的时候相信直觉，相信自己的经验并做出判断。但很多时候，这些经验可能是错误的。因此，我会给出直接并有说服力的论证，证明用竞品广告报告的有效性，与处理数据的有效性；而不仅仅停留在"显而易见，我认为"、"通过直觉，我觉得"、"通过以往经验，我相信"。
- 首先，论证为什么选择竞品的搜索词报告对自己有用、有指导意义，但头部非标的广告报告对非标的借鉴意义有限。
引入一个概率统计/机器学习的概念，叫做"泛化误差（Generalization Error）"。泛化误差测量"一个模型对先前未知数据的预测准确程度"，具体的公式为：
这里，P指被预测数据的真实分布，p̂指已有数据（训练数据）的分布，L是损失函数，用来衡量预测值与真实值的不一样程度，f指这个模型。
在亚马逊运营中运用泛化误差的概念，现在我们需要找到一个模型，通过已有数据，去预测我自己产品的cvr和acos。我们需要让p̂（已有数据的分布）尽量接近P（被预测数据的分布），才可以让泛化误差越小，即让预测的准确程度越高。这就是为什么我们需要挑所处阶段、流量结构、外观、功能、属性、价格区间、目标人群最相似的竞品作为数据进行我们的预测——因为最相似产品的数据（已有数据分布p̂），和我们产品的数据（被预测数据的分布P）最接近，所以可以降低泛化误差，因此可以提高预测的准确度。
- 论证为什么新品榜的竞品搜索词报告有充足的借鉴意义，且季节性产品的借鉴意义有限。
引入一个统计学概念，叫做"时间序列分析（time series analysis）"，意思是"将原来的销售分解为几部分来看——趋势、周期、时期和不稳定因素，然后综合这些因素，提出销售预测。"建立公式：
Yt指在预测的时期t的转化率，Tt为通过历史数据预测的时期t的趋势，St为通过历史数据预测的时期t的季节性/周期，ϵt为不稳定因素。
挨个分解来看。ϵt是无法干涉/预测的因素，所以只能抛开不看。由于新品的趋势Ttnew比老品的Ttold更能反映当下的趋势，整体的Ytnew会比整体的Ytold更精准，即新品搜索词报告展现的转化率，在其他条件保持不变的情况下，比老品更可以反映自己即将上架的品的转化率。
通过时间序列分析的公式，我们还可以看到影响预测值Yt的因素还有St，即季节性/周期性。当产品是非季节性产品时，这一项是0；如果是季节性产品，这一项不为0，导致预测转化率Yt的波动会非常大。因此，竞品的搜索词报告对自己即将上架的产品是否有足够借鉴意义，和该品是否具有周期性高度相关。
- 论证为什么bs的竞品搜索词报告有充足的借鉴意义。
引入一个统计学定理，叫做"大数定理（Law of Large Numbers）"。该定理意味着"随着样本大小的增加，样本均值将收敛于总体均值。"套到亚马逊的竞品搜索词报告上，建立公式：
同样，拿转化率cvr举例。在这里，μ^指自己在一个搜索词下的预期转化率，Yi指每一个竞品在这个搜索词下的转化率，n是竞品/竞品搜索词报告数量。通过公式，我们可以得出，随着n（竞品搜索词报告）数量的增加，μ^可以成为真实总体转化率μ的更准确估计。但，由于新品榜的产品数量有限，所以选择去bs榜单获得更多数据，即增加n的值，从而更准确的预估自己的转化率。
不仅是cvr，acos、cpc、ctr等数值，都可以通过增加样本数量（竞品搜索词报告数量）去提高预测数值的准确度。
- 论证为什么取每个搜索词的平均cvr，是代表自己在这个搜索词下最有可能的cvr。
说实话，取平均值，是所有不完美的方法中最有效的一个；最有效的方法是不存在的。我们可以使用排除法去论证这个观点。但是，此方法仅适用于非季节性产品（降低趋势带来的影响），和被买搜索词报告的竞品在各个维度上与自己的产品极为相似（降低数据噪音，noise）的情况。
1）时间序列分析——ARIMA（自回归整合滑动平均模型）、Exponential Smoothing（ETS，指数平滑法）、Exponential Moving Average（EMA，指数移动平均线）
ARIMA自回归整合滑动平均模型的公式为：
Exponential Smoothing（ETS，指数平滑法）的公式为：
Exponential Moving Average（EMA，指数移动平均线）的公式为：
细心的读者可能会发现，两个公式都出现了一个字母：t。t意味着单个的时间点。但是，我们可以买到的搜索词报告涵盖着近两个月的整体数据，而非像第一天、第二天…或第一周、第二周…的时间点的数据，所以任何时间序列分析的模型都行不通。原因很简单，因为咱们只有一个t，即过去两个月。
2） 接下来，我们用简单移动平均线——Simple Moving Average（SMA）去证明"取每个搜索词的平均cvr，是预测自己在这个搜索词下比较可能的cvr"。
依旧拿cvr举例。假设我们买了3个竞品的搜索词报告。针对每一个客户搜索词，3个搜索词报告中单独每一天的cvr分别为Y1,t, Y2,t, Y3,t， t是1,2,…,60，代表近2个月的60天。例如，当t=3时，Y1,3是第一个竞品在第3天的cvr。
这三个竞品在过去2个月的SMA可以被计算为：
这三个竞品的整体SMA可以被计算为：
没有评论:
发表评论