年度版-成功用户B-案例分享

卖家介绍

卖家标签：深圳、成长期电商用户、年度版用户

卖家体量：年销售额100万美金左右

店铺构成：美国多个店铺

主营：3C产品

使用版本：年度版

参与优化的产品：一个店铺，4个产品页

投放一年后通过广告获得毛利：83万人民币

投资回报率：496%

在清谷用户中的消费层级：TOP 40%

机器学习策略

年度版机器运作原理包括三大块：策略构成、反馈循环、奖励累积；

在不同时期，集中表现出来的运作原理是不同的：

A、投放初期（0-14天） 策略构成

初始机器策略构成：

（1）店铺质量（66%*S1）

（2）关键词市场竞争易度（80%*S2）

（3）亚马逊决策算法对产品的加权评价（80%*S3）

（4）关键词丰度（15%*S4）

其中，S1-S4为各宏观因素的矩阵模型，前面的数值为模型通过两周的测试获得的反馈奖励的系数。

客户选择年度版的人工智能机器学习模型后，积累14天数据，机器对客户的所有在投广告进行了宏观的评估，通过奖励惩罚的反馈机制确定宏观因素对调整策略的影响程度（系数），系数乘上矩阵，最终得出一个初始的决策模型。

66%店铺质量：代表各种试探算法获得的奖励程度中等偏上，可能说明该客户的店铺有一定的图文结合的建设（比如做了不错的页面设计，客户停留在各个产品上有所停留等），也有可能说明各个产品的评分、质量不差，总体来说，大于60%的店铺质量说明该用户的店铺有大卖的潜质。

80%关键词市场竞争易度：代表竞价评估算法获得的奖励程度极高，很大程度上说明了该市场竞争并不激烈，预计CPC较低。

80%加权评价：亚马逊决策算法对同一账号店铺中的各个产品会有一个宏观的评价，这个评价无法直接得到，但是清谷的多维对比算法能够从正负反馈的比例中推算出相近的加权评价，80%的加权评价代表亚马逊对该用户的产品的总体评价极高，很可能其中有多个Amazon’s choice或bestseller。

关键词市场竞争易度与亚马逊决策算法的加权评价综合来看，初期广告效果就能起来。

15%关键词丰度：代表初始14天内累积的关键词的类型、层次的多样性，15%属于较差的范畴，关键词的竞争力与渗透力均较低。

B、投放中期（1个月-3个月） 反馈循环

策略修正反馈路径：

宏观影响因素通过矩阵导入优化内核中，成为控制神经网络的重要外部要素。优化内核指导预算优化模型、关键词优化模型与关键词生成模型进行运算，并反馈结果到宏观模型的优化模型进行再次运算。

在两个多月内，该优化的效率为37%（非重复、非反效果的），速度为每天277次。该效率与速度基本说明，用户多个产品的宏观优化模型优化速度较低，可能与关键词丰度较低有直接的关系。

宏观模型优化模型向优化内核传递运算结果，就完成了一次包含宏观因素的优化内核的学习，这个过程重复进行，就形成了反馈。人工智能优化内核反馈的速率是0.33次每天，这个速率说明该用户的数据处理速度有所迟滞（实时报告延时性小于反馈迭代速率）。

C、投放后期（4个月-12个月） 奖励积累

定义类型关键词增速

定义类型关键词稳定形态vs普通定义的关键词稳定形态

关键词人工智能学习模型主要采用对定义类型包含词类与词库进行不断地奖励、惩罚来取得对定义类型关键词的不断优化，最终取得较稳定但能够自主调整的稳定模型，通过该模型指导关键词的优化。从图中可以看出，最终能够产生效果的关键词分布与人类所想象的并不相符（无明确关联但有转化的较多，宽泛带来的转化最高，占了大多数，精准略小，而长尾型精准基本没带来转化）。

出价优化模型

通过对不同出价行为的特征进行标记，可以得出比较符合即时广告适应性与季节性的出价模型，通过该模型来指导出价。统计所有关键词的加权出价，与出价特征模型中所有出价的加权平均，特征模型的曲线在前期较实际出价的变化明显有所迟滞，说明当时有不明的场外因素导致机器学习模型无法准确判断（后来发现是对手恶意点击），后期两者曲线相似，说明出价预测基本准确（当时预测的是下一个月），且能通过该模型有效降低出价平均值（最后比较稳定地减少12%左右）。

阶段性成果

因为初期的外部因素影响，导致第一季度就实现了红利，但跨到第二季度，由于意外因素导致的人工智能的迟滞，利润增长的幅度较小；第三季度、第四的销售额开始大幅度增加（虽然还没到年末的销售热季），第四季度，由于竞争加剧，整体的投资回报率有所下降。