AMC で顧客視点の広告効果を見る
ACoS / ROAS だけでは見えない「顧客 1 人あたりいくら稼いでくれているか」「広告で増えた顧客が何ヶ月後も買ってくれているか」「飽和してきたキャンペーンはどれか」を、Amazon Marketing Cloud (AMC) のデータで分解するプロンプト集です。SP / SB / SD / DSP を横断した顧客ベースの分析と、ASIN ポートフォリオ・キャンペーン判断・予算配分まで踏み込みます。
プロンプト早見表
Section titled “プロンプト早見表”全体スナップショット
Section titled “全体スナップショット”| やりたいこと | プロンプト |
|---|---|
| 顧客 1 人あたりの LTV / CAC / 真の ROAS（ブランドハロー込み）を出したい | プロンプト 1 |
| ブランドハロー効果（広告対象以外の同一ブランド商品への波及売上）の寄与度を分解したい | プロンプト 2 |
| ブランド全体の月次ヘルスチェック（NTB 比率 / RPR / LTV:CAC の推移）を見たい | プロンプト 3 |
ASIN ポートフォリオ判断
Section titled “ASIN ポートフォリオ判断”| やりたいこと | プロンプト |
|---|---|
| ASIN 別の NTB（新規顧客）獲得力を見たい | プロンプト 4 |
| ASIN を「獲得型 / 維持型 / サンセット候補」に振り分けたい | プロンプト 5 |
獲得月別の継続率
Section titled “獲得月別の継続率”| やりたいこと | プロンプト |
|---|---|
| 獲得月別の新規顧客グループごとに継続率と LTV の伸びを見たい | プロンプト 6 |
| 購入後のリテンションファネル（M+1 / M+3 / M+6 戻り率）を見たい | プロンプト 7 |
広告タイプ別の比較
Section titled “広告タイプ別の比較”| やりたいこと | プロンプト |
|---|---|
| 広告タイプ（SP / SB / SD / DSP）別に NTB 獲得力と売上を比較したい | プロンプト 8 |
| NTB CAC が最も低い広告タイプに予算をシフトする案を出したい | プロンプト 9 |
| 広告タイプ別の M+1 戻り率（顧客の “質”）を比較したい | プロンプト 10 |
キャンペーン傾向と兆候
Section titled “キャンペーン傾向と兆候”| やりたいこと | プロンプト |
|---|---|
| キャンペーン別アトリビューションの月次推移を見たい | プロンプト 11 |
| 飽和 / 逓減傾向のキャンペーンを早期検出したい | プロンプト 12 |
| 顧客数と売上が乖離しているキャンペーン（バスケットサイズ変化）を特定したい | プロンプト 13 |
詳細仕様は 安全装置 / 自動化フェーズ / 困ったとき を参照。
プロンプト 1: 顧客 LTV / CAC / 真の ROAS を計算する
Section titled “プロンプト 1: 顧客 LTV / CAC / 真の ROAS を計算する”広告経由で獲得した顧客 1 人あたりの LTV（顧客生涯価値）、CAC（顧客獲得コスト）、再購入率、ブランドハロー込みの ROAS を計算します。「広告でクリックされた ASIN」だけでなく、その顧客が同一ブランド内で買った他 ASIN（ブランドハロー効果 = 広告対象 ASIN 以外の同一ブランド商品への波及売上）も売上に含めるかどうかで 2 通りの数字を返します。
直近 {{対象期間（例: 過去90日）}} の AMC データで、広告経由顧客のLTV / CAC / 再購入率 / 真の ROAS（ブランドハロー込み）を出して。広告クリック ASIN のみの数字（ブランドハローなし）と、ブランド全体（ブランドハロー込み）を両方並べて、LTV : CAC 比が健全か判定して。プレースホルダー: 対象期間（例: 過去 90 日、2026-Q1。長期トレンドが必要なため 30 日以上推奨）。
返ってくるもの: 顧客数 × 総売上 × 広告由来 ASIN 売上 × ブランドハロー込み売上 × CAC × LTV（ブランドハローあり / なし）× 再購入率 × ROAS × LTV:CAC 比 の集計表。LTV:CAC 比が一般的な健全水準（3 倍以上）に達しているかの判定コメントも付きます。
このプロンプトで AI がやること
- AMC データを直近 対象期間 で集計し、広告に接触した顧客を抽出
- 顧客 1 人あたりの売上を「広告クリック ASIN のみ」と「ブランド全体（ブランドハロー込み）」の 2 通りで算出
- 同期間の広告費を顧客数で割って CAC を算出
- LTV ÷ CAC を計算し、健全性（3 倍以上が目安）をコメント
- 100 ユニーク顧客に満たないセグメントは AMC 仕様により「集計不可」として除外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 2: ブランドハロー効果の寄与度を分解する
Section titled “プロンプト 2: ブランドハロー効果の寄与度を分解する”広告でクリックされた ASIN だけでなく、同じ顧客が買った同一ブランド内の他 ASIN（ブランドハロー効果 = 広告対象 ASIN 以外の同一ブランド商品への波及売上）の売上寄与を分解します。「広告予算を効率化したつもりが、実は別 ASIN が裏で売れていた」という構造を可視化します。
直近 {{対象期間（例: 過去90日）}} の AMC データで、広告経由顧客の購入を「広告クリック ASIN」と「ブランドハロー（同一ブランド内の他 ASIN）」に分解して。売上構成比 × LTV 構成比 × ブランドハロー寄与上位 ASIN を出して。ブランドハロー比率が高い場合、どの ASIN がブランドハロー受益者になっているかも併記。プレースホルダー: 対象期間（例: 過去 90 日）。
返ってくるもの: 売上構成（広告クリック ASIN / ブランドハロー）の比率 × LTV 構成比 × ブランドハロー受益 ASIN ランキング。ブランドハロー比率が一般的な水準（30-50%）と比較した判定コメント付き。
このプロンプトで AI がやること
- 広告経由顧客を抽出し、各顧客の購入を「広告クリック ASIN」と「同一ブランド内の他 ASIN」に分類
- 売上構成比と LTV 構成比を 2 区分で算出
- ブランドハロー受益 ASIN を売上順でランク化
- ブランドハロー比率が想定外に高い / 低い場合は、その意味（ブランド忠誠 / 単発購入）を解説
- 100 ユニーク未満のセグメントは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 3: ブランド獲得の月次ヘルスチェック
Section titled “プロンプト 3: ブランド獲得の月次ヘルスチェック”「今月のブランド全体は健康か？」を 1 枚で見るためのダッシュボード。NTB 比率 / 再購入率 / LTV:CAC の月次推移を並べ、悪化指標を 1 つ警告します。
直近 {{対象期間（例: 過去6ヶ月）}} の AMC データで、ブランド全体の月次ヘルスチェックを出して。月 × NTB 比率（ユニーク顧客ベース）× 再購入率 × CAC × LTV × LTV:CAC 比 の表で。各指標について「改善 / 横ばい / 悪化」を判定し、注意すべき指標を 1 つ挙げて。プレースホルダー: 対象期間（例: 過去 6 ヶ月、過去 12 ヶ月。トレンド判定に 3 ヶ月以上推奨）。
返ってくるもの: 月 × NTB 比率 × RPR × CAC × LTV × LTV:CAC 比 の表 + トレンド判定（改善 / 横ばい / 悪化）+ 警戒指標サマリー。
このプロンプトで AI がやること
- 月単位で AMC データを集計
- NTB 比率 / RPR / CAC / LTV を月別に計算
- 各指標の月次トレンド方向を判定
- LTV:CAC 比のトレンドから総合健全性を判定
- 最も悪化している指標を 1 つ抽出し警告
- 100 ユニーク未満の月セルは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 4: ASIN 別の NTB（新規顧客）獲得力を見る
Section titled “プロンプト 4: ASIN 別の NTB（新規顧客）獲得力を見る”ASIN 単位で「新規顧客（NTB: New-to-Brand）を何人連れてきたか」「そのうち広告費に見合っているか」を分解します。獲得型と維持型のどちらに振るべき ASIN かを判断できます。
直近 {{対象期間（例: 過去30日）}} の AMC データで、SP / SB / SD 広告のASIN 別 NTB（新規顧客）パフォーマンスを出して。ASIN × 総購入数 × NTB 購入数 × NTB 比率 × 広告由来売上 × 広告費 × ACoS の表で。NTB ROI が悪い ASIN（スケールを止めるべき候補）と、NTB 比率が高くスケール余地がある上位 10 ASIN を分けて提示して。プレースホルダー: 対象期間（例: 過去 30 日、先月）。
返ってくるもの: ASIN × 総購入数 × NTB 購入数 × ユニーク顧客数 × NTB ユニーク顧客数 × NTB 比率 × 広告由来売上 × 広告費 × ACoS の表。「縮小推奨」「スケール推奨」のラベル付き。
このプロンプトで AI がやること
- AMC データから ASIN 別の購入数と新規顧客数を抽出
- NTB 比率（NTB 顧客 ÷ 全顧客）と NTB あたりの広告費を算出
- NTB 獲得効率（NTB ÷ 広告費）で ASIN をランク付け
- 上位 10 ASIN（スケール余地）と下位（縮小推奨）を分けて提示
- 100 ユニーク顧客未満の ASIN は AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 5: ASIN を獲得型 / 維持型 / サンセット候補に振り分ける
Section titled “プロンプト 5: ASIN を獲得型 / 維持型 / サンセット候補に振り分ける”各 ASIN を「新規獲得に強い（獲得型）」「リピーター維持に貢献（維持型）」「ROI が悪く撤退候補（サンセット）」の 3 カテゴリに自動分類します。ASIN ポートフォリオ全体の役割整理に使います。
直近 {{対象期間（例: 過去90日）}} の AMC データで、SP / SB / SD で広告配信中の ASIN を「獲得型」「維持型」「サンセット候補」の 3 カテゴリに分類して。分類基準（NTB 比率 / 広告 ROI / リピート購入数）を明示し、各カテゴリの上位 5 ASIN とその指標を併記。予算配分の見直し案を提示して。プレースホルダー: 対象期間（例: 過去 90 日、季節要因を吸収するため 90 日以上推奨）。
返ってくるもの: ASIN × カテゴリ × NTB 比率 × 広告 ROI × リピート購入数 × 推奨アクションの表。各カテゴリの上位 5 ASIN リスト + 予算配分見直し案。
このプロンプトで AI がやること
- ASIN 別に NTB 比率 / 広告 ROI / リピート購入数を抽出
- 3 軸スコアで 3 カテゴリに自動分類（基準は明示してから判定）
- 各カテゴリの上位 5 ASIN を抽出
- 予算をどの ASIN グループに振るべきかの方針を提案
- 100 ユニーク未満の ASIN は AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 6: 獲得月別に新規顧客グループの継続率と LTV を見る
Section titled “プロンプト 6: 獲得月別に新規顧客グループの継続率と LTV を見る”「同じ月に初めて買ってくれた新規顧客」をひとつのグループとして扱い、その後の M+1 / M+3 / M+6 でどれだけ買い続けているかを獲得月ごとに集計します。「最近獲得した顧客のほうが定着率が高いのか / 低いのか」「いつ離反するか」が可視化できます。
直近 {{対象期間（例: 過去12ヶ月）}} の AMC データで、獲得月別の新規顧客グループの継続率と LTV を出して。獲得月 × グループサイズ（顧客数）× M+1 売上 × M+3 売上 × M+6 売上 × グループ別 LTV の表で。最近獲得した顧客のほうが定着率が高くなっているか、月次トレンドを判定して。プレースホルダー: 対象期間（例: 過去 12 ヶ月、2025-04 から 2026-03。獲得月別の推移を見るには 6 ヶ月以上推奨）。
返ってくるもの: 獲得月 × グループサイズ × M+1 / M+3 / M+6 売上 × グループ別 LTV × 月次トレンド判定。グループサイズが 100 ユニーク未満の月は AMC 仕様により表示されません。
このプロンプトで AI がやること
- 獲得月ごとに「広告経由で初購入した新規顧客」をグループ化
- 各グループが M+1 / M+3 / M+6 にどれだけ売上を生んだかを集計
- 月をまたいだグループ別 LTV の推移をトレンド化（改善 / 悪化 / 横ばい）
- 100 ユニーク未満のグループは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 7: 購入後のリテンションファネルを見る
Section titled “プロンプト 7: 購入後のリテンションファネルを見る”「初回購入から N ヶ月後に何 % の顧客が戻ってきたか」をスロット別（M+1 / M+3 / M+6 など）で集計します。獲得キャンペーンで分けることで「どのキャンペーンが定着しやすい顧客を連れてきたか」も判定できます。
直近 {{対象期間（例: 過去6ヶ月）}} の AMC データで、購入後のリテンションファネルを出して。スロット（M+1 / M+3 / M+6）× 残存顧客数 × 残存率 × 平均再購入間隔 の表で。{{集計単位（例: 獲得キャンペーン別）}} で分けて、定着しやすい顧客を連れてくるキャンペーンとそうでないキャンペーンを判定して。プレースホルダー: 対象期間（例: 過去 6 ヶ月、2025-10 以降）、集計単位（例: 獲得キャンペーン別 または 全体のみ）。
返ってくるもの: スロット × 残存顧客数 × 残存率 × 平均再購入間隔 の表。キャンペーン別指定時は「定着しやすい / しにくい」のラベル付きで上位下位を提示。
このプロンプトで AI がやること
- AMC データから初回購入顧客を抽出
- スロット（M+1 / M+3 / M+6 など）ごとに再購入の有無を集計
- 残存率カーブ（離脱ポイント）を可視化
- キャンペーン別指定時は獲得経路ごとに集計し、定着率の差をランク付け
- 100 ユニーク未満のセグメントは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 8: 広告タイプ別の NTB 獲得力と売上を比較する
Section titled “プロンプト 8: 広告タイプ別の NTB 獲得力と売上を比較する”SP / SB / SD / DSP の広告タイプごとに「何人の購入者を連れてきたか」「そのうち NTB 比率はどれか」「広告由来売上はいくらか」を比較します。広告タイプ間の予算移動の判断材料になります。
直近 {{対象期間（例: 過去30日）}} の AMC データで、広告タイプ（SP / SB / SD / DSP）別の購入者数 × 広告由来売上 × NTB 比率 × NTB 単位 CAC × NTB ROAS を出して。予算をどの広告タイプに振るべきか、NTB 獲得効率で判定して。プレースホルダー: 対象期間（例: 過去 30 日、先月）。
返ってくるもの: 広告タイプ × 購入者数 × 広告由来売上 × NTB 比率 × NTB 単位 CAC × NTB ROAS の表 + 予算配分推奨。DSP が配信されていないアカウントでは SP / SB / SD のみで返却されます。
このプロンプトで AI がやること
- AMC データを広告タイプ別に分けて購入者と売上を集計
- NTB 比率と NTB 単位 CAC を算出
- NTB ROAS（NTB 売上 ÷ 広告費）で広告タイプをランク付け
- 予算配分が偏っていないか（特定タイプへの過集中）をチェック
- 100 ユニーク未満の広告タイプは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 9: NTB CAC 最低の広告タイプに予算シフト案を出す
Section titled “プロンプト 9: NTB CAC 最低の広告タイプに予算シフト案を出す”広告タイプ間で NTB 1 人あたりの獲得コスト（CAC）を比較し、最も効率の良いタイプに予算をシフトする具体案を出します。「シフト元 / シフト先 / 想定 NTB 増加数」までを提示します。
直近 {{対象期間（例: 過去30日）}} の AMC データで、SP / SB / SD / DSP のNTB 1 人あたり CAC を比較して。予算 {{予算シフト額（例: ¥500,000）}} を CAC 最低タイプにシフトした場合の想定 NTB 増加数と、CAC 最高タイプから引き出すべき金額を提示。シフトに伴うリスク（規模の天井 / 飽和兆候）も併記。プレースホルダー: 対象期間（例: 過去 30 日、過去 60 日）、予算シフト額（例: ¥500,000 または 現状の 10%）。
返ってくるもの: 広告タイプ × NTB CAC × シフト元 / 先 × 想定 NTB 増加数 × リスク注記 の表。DSP が配信されていないアカウントでは SP / SB / SD のみで比較・シフト案が組まれます。
このプロンプトで AI がやること
- 広告タイプ別に NTB CAC を算出
- 最低 CAC と最高 CAC タイプを特定
- 予算シフト額 を最低 CAC タイプにシフトした場合の NTB 増加数を、現状 CAC を用いて線形試算
- シフトに伴うリスク（規模の天井 / 飽和兆候 / 季節要因）も併記
- 100 ユニーク未満の広告タイプは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 10: 広告タイプ別の M+1 戻り率（定着率）を比較する
Section titled “プロンプト 10: 広告タイプ別の M+1 戻り率（定着率）を比較する”「どの広告タイプが定着しやすい顧客を連れてくるか」を 1 ヶ月後の戻り率で比較します。NTB 数だけでは見えない “顧客の質” を測ります。
直近 {{対象期間（例: 過去90日）}} の AMC データで、SP / SB / SD / DSP 経由で獲得したNTB 顧客の M+1 戻り率を比較して。広告タイプ × NTB 獲得数 × M+1 戻り顧客数 × 戻り率 × 質 KPI の表で。定着しやすい顧客を連れてくる広告タイプを判定して。プレースホルダー: 対象期間（例: 過去 90 日、M+1 観測のため最低 2 ヶ月必要）。
返ってくるもの: 広告タイプ × NTB 獲得数 × M+1 戻り数 × 戻り率 + 「定着型」「フラッシュ型」分類。DSP が配信されていないアカウントでは SP / SB / SD のみで返却されます。
このプロンプトで AI がやること
- 広告タイプ別に NTB 顧客を抽出
- 各 NTB が M+1 までに 2 回目購入したかを判定
- 戻り率を広告タイプ別にランク付け
- 「定着型（戻り率高）」「フラッシュ型（戻り率低）」を分類
- 100 ユニーク未満の広告タイプは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 11: キャンペーン別アトリビューションの月次推移を見る
Section titled “プロンプト 11: キャンペーン別アトリビューションの月次推移を見る”キャンペーン単位で「月次の購入者数 / 売上 / NTB 比率」がどう推移しているかを集計します。「伸びているキャンペーン」「飽和しているキャンペーン」「サンセット候補」を仕分けできます。
直近 {{対象期間（例: 過去6ヶ月）}} の AMC データで、キャンペーン × 月別の購入者数 × 広告由来売上 × NTB 比率 の推移を出して。スケール推奨 / 飽和 / サンセット推奨 の 3 カテゴリにキャンペーンを分類して、NTB-to-Spend 比率が良い上位キャンペーンを併記して。プレースホルダー: 対象期間（例: 過去 6 ヶ月、2025-12 以降。トレンド判定には 3 ヶ月以上推奨）。
返ってくるもの: キャンペーン × 月 × 購入者数 × 広告由来売上 × NTB 比率 の表 + 「スケール推奨」「飽和」「サンセット推奨」分類 + NTB-to-Spend 上位ランキング。
このプロンプトで AI がやること
- キャンペーン × 月単位で AMC データを集計
- 購入者数と売上の月次伸び率からトレンドを判定
- NTB 比率の推移で「NTB が枯渇しているか」を判定
- 月次推移パターンから「スケール推奨 / 飽和 / サンセット推奨」を仕分け
- 100 ユニーク未満のキャンペーン × 月のセルは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 12: 飽和 / 逓減傾向のキャンペーンを早期検出する
Section titled “プロンプト 12: 飽和 / 逓減傾向のキャンペーンを早期検出する”NTB 比率の減少 / CPA の上昇 / 売上の頭打ちなど「飽和の兆候」を月次で検出し、予算引き締めや新規キーワード追加のシグナルにします。プロンプト 11 が網羅的なのに対し、こちらは “悪化兆候のキャンペーン” だけを抽出する警告版です。
直近 {{対象期間（例: 過去6ヶ月）}} の AMC データで、飽和 / 逓減傾向のキャンペーンを早期検出して。NTB 比率の減少率 / CPA 上昇率 / 売上頭打ち を月次で確認し、「飽和兆候 2 つ以上」のキャンペーンを警告対象としてリスト化。打ち手案（予算引き締め / 新規キーワード追加 / ターゲット拡張）を併記。プレースホルダー: 対象期間（例: 過去 6 ヶ月、トレンド判定に最低 3 ヶ月必要）。
返ってくるもの: キャンペーン × 飽和兆候カウント × 主要悪化指標 × 月次トレンド × 推奨打ち手 の表。3 ヶ月未満のキャンペーンは「判定保留」セクションに別途リスト化されます。
このプロンプトで AI がやること
- キャンペーン × 月単位で NTB 比率 / CPA / 売上の月次変化を算出
- それぞれに「悪化フラグ」を立て、フラグ 2 つ以上のキャンペーンを抽出
- 各キャンペーンの主要悪化指標を特定
- 打ち手案を悪化指標に応じて自動提案（NTB 比率減 → 新規 KW / CPA 上昇 → 入札引き締め / 売上頭打ち → ターゲット拡張）
- 月次データが 3 ヶ月未満のキャンペーンは「判定保留」として除外
- 100 ユニーク未満のキャンペーン × 月は AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
プロンプト 13: 顧客数と売上が乖離しているキャンペーンを特定する
Section titled “プロンプト 13: 顧客数と売上が乖離しているキャンペーンを特定する”「顧客数は増えているのに売上は減っている（バスケットサイズ縮小）」または「顧客数は減っているのに売上は維持できている（単価上昇）」のキャンペーンを特定します。表面的な売上だけでは見えない構造変化です。
直近 {{対象期間（例: 直近3ヶ月 vs 前3ヶ月）}} の AMC データで、顧客数と売上の動きが乖離しているキャンペーンを特定して。キャンペーン × 顧客数変化率 × 売上変化率 × バスケットサイズ変化 × 想定原因 の表で。「客数増・売上減（低価格化）」「客数減・売上維持（高価格化）」の2 パターンに分けて提示。プレースホルダー: 対象期間（例: 直近 3 ヶ月 vs 前 3 ヶ月、比較期間ペアが必要）。
返ってくるもの: 乖離キャンペーン × 客数 / 売上 / バスケットサイズ変化率 × パターン分類 × 想定原因仮説。
このプロンプトで AI がやること
- キャンペーン × 月単位で顧客数と売上の変化率を計算
- 客数増・売上減 / 客数減・売上維持の 2 パターンを抽出
- バスケットサイズ（売上 ÷ 顧客数）の変化を併記
- 想定原因（プロモーション値引き / 値上げ / 商品ミックス変化 / セール期間）を仮説提示
- 100 ユニーク未満のキャンペーンは AMC 仕様により集計対象外
操作パターン: 即時表示（読み取り専用、広告設定の変更なし）
関連カテゴリ
Section titled “関連カテゴリ”- 戦略分析 — AMC 以外の戦略レベル分析（CAC/LTV 改善提案、Brand vs Generic、ファネル分解）
- ダッシュボードで KPI を見る — AMC 分析の前段としての日次 KPI
- SQP で市場検索ファネルを見る — 市場全体の検索行動分析（AMC とは別データソース）
- N-gram で売上貢献を分解する — 検索語句別の売上貢献度
- 報告書を作る — AMC 分析結果のレポート化