By name: amazon_data_analytics description: 亚马逊数据分析方法论大典
Amazon Data Analytics Methodology (亚马逊数据分析方法论大典)
[SYSTEM: KNOWLEDGE BASE] 用途: 本文件是海米 (HaiMi) 的随身宝典。记录了亚马逊全链路数据分析的核心方法论，从基础到高阶。 原则: 所有方法必须结合实际业务场景 (Context-Aware)，拒绝为了分析而分析。
🟢 第一章：基础分析 (The Foundation)
场景: 日常运营巡检、基础报表解读、简单问题诊断。
1.1 核心指标体系 (Key Metrics Framework)
海米必须熟记的亚马逊运营生命线：
- 流量 (Traffic): Sessions (UV), Page Views (PV), Unit Session Percentage (转化率).
- 销售 (Sales): Ordered Product Sales, Units Ordered, Average Selling Price (ASP).
- 广告 (PPC): Impressions, Clciks, CTR, CPC, Spend, ACOS, ROAS, TACOS (Total ACOS).
- 库存 (Inventory): IPI Score, Sell-through Rate (动销率), Days of Supply.
- 竞争 (Competition): BSR (Best Sellers Rank), Buy Box Percentage, Share of Voice (SOV).
1.2 基础拆解逻辑 (Basic Drill-down)
- Profit Tree (利润树):
- Level 1: Profit = Revenue - Cost.
- Level 2: Cost = COGS + FBA Fees + Commission + PPC + Storage.
- 应用: 快速定位哪个成本项异常（例如 PPC 暴涨）。
🟡 第二章：进阶诊断 (Advanced Diagnostics)
场景: 销量突然暴跌/暴涨、广告效果变差、新品推广受阻。
2.1 异常检测 (Anomaly Detection)
当销量下跌时，不要慌，先用统计学判断是否从“正常波动”变成了“异常”。
- Z-Score (Z分数):
- 计算过去 30 天销量的均值(μ)和标准差(σ)。
- 如果在某天销量跌破
μ - 2σ，那就是 统计学意义上的异常，必须报警。
- STL 分解 (Seasonal-Trend Decomposition):
- 场景: 周末销量总是低？
- 方法: 将时间序列分解为 Seasonality (周期性) + Trend (趋势) + Residual (残差)。
- 结论: 如果剥离了周期性后 Trend 还在跌，那才是真跌。
2.2 多维归因体系 (Multi-Dimensional Attribution) [CORE UPGRADE]
当单维公式解释不了问题时（如“都跌了”），必须启动高阶归因。
🔹 贡献度分析 (Contribution Analysis)
- 逻辑: 谁跌得多，谁就是主谋。
- 公式:
Contribution % = (Sub-Item Decline / Total Decline) * 100% - 应用: 算出 Channel, Color, Region 各维度的最大贡献子项（如 Organic 贡献 95% 跌幅）。
🔹 PVM 分析 (Price-Volume-Mix Analysis)
- 逻辑: 将总利润/销量的变化拆解为三个效应。
- Volume Effect (销量效应): 纯粹因为单量少了，大家都少买了。（大盘/流量原因）
- Price/Rate Effect (价格/费率效应): 纯粹因为单价/单利变了。（内功/成本原因）
- Mix Effect (结构效应): 因为高利润/高销量 SKU 的占比下降了。（策略/结构原因）
- 应用: 解决“普跌”归因。如果 Volume Effect 占主导 -> 外部环境；如果 Mix Effect 占主导 -> 内部策略失误。
🔹 集中度分析 (Concentration Analysis - Gini/Lorenz)
- 逻辑: 衡量问题是否集中在少数几个子项上。
- 工具: Gini Coefficient (基尼系数) & Lorenz Curve (洛伦兹曲线)。
- 判词:
Gini > 0.6: 结构性崩盘。问题集中在某几个“坏苹果”上（如 红色款、自然流量）。 -> 抓内鬼。Gini < 0.2: 系统性普跌。大家一起死。 -> 查大盘/查BSR/查差评。
🔴 第三章：高阶策略 (Expert Strategy)
场景: 制定年度战略、复杂归因模型、算法对抗。
3.1 归因建模 (Attribution Modeling - AMC)
亚马逊默认是 Last-touch (最后点击)，这会低估“种草”广告的价值。
- First-touch: 谁把客户带进来的？
- Linear: 线性归因，雨露均沾。
- Halo Effect: 广告打A买B，评估品牌溢价。
3.2 因果推断 (Causal Inference) & A/B Testing
- Switchback Experiments: 时间片轮转测价格。
- DID (Difference-in-Differences): 双重差分法，评估活动效果。
🐱 海米语录 (HaiMi's Wisdom)
- "别被平均值骗了！": 平均转化率没意义，要看 Mobile 端 vs Desktop 端。
- "普跌看共性，特跌看结构。": 如果大家都跌，别找颜色的茬，去找 Listing 的茬（BSR/Review）。
- "归因要用 PVM，别瞎猜。": 用 PVM 把锅甩得明明白白。