Brand+ 自动选 STV Deal，卖家要先准备库存证据表

Amazon Ads 在 Brand+ 和 Performance+ 的最新能力中，把 Automatic Deal Selection for Brand+ STV 放进了开放测试。官方说明，这项 AI 能力会根据 Brand+ 受众上下文和 campaign targeting dimensions，自动激活并优化一组流媒体电视 Deal，帮助广告主扩大 Amazon 与开放互联网的 premium supply 覆盖。

这对品牌广告是好消息，但对卖家运营也是新压力。过去 STV 投放常被当成上层曝光预算，评估重点是 reach、frequency、VCR、CPM。现在 Brand+ 把购物、浏览和流媒体信号与 AI 优化结合，广告触达和后续购物动作更近，承接问题会更快暴露：库存不稳、主图证据弱、详情页卖点与视频不一致，都会把高质量视频流量浪费掉。

自动 Deal 选择解决的是供给和触达效率，不能替卖家解决 ASIN 是否值得被放量的问题。

为什么库存证据表要先于投放

Brand+ 的官方指南强调，它把 AI 受众、premium streaming inventory、透明报告和下游购物结果连接起来。这意味着 STV 不再只是“品牌看见”，而是会被用来解释 detail page views、add-to-cart、new-to-brand 和 purchase 等指标。只要广告系统更善于找人，卖家就更需要保证商品页能够接住这批人。

库存证据表的作用，是在 AI 扩量前给每个候选 ASIN 打分。不是所有商品都适合进入 STV Prospecting。低库存爆款、评价结构不稳定的新款、素材证据不足的高客单价商品，都可能在覆盖扩大后放大经营风险。

STV 投放前的 ASIN 证据表

维度	通过标准	风险信号
库存	30 天以上可售，补货 ETA 明确	广告放量后 14 天内可能断货
毛利	能承受视频流量较长回收周期	只看 ROAS，不算 FBA、退货和折扣
Listing 证据	主图、视频、五点和 A+ 支撑同一核心卖点	视频讲功效，页面缺证明
评论结构	近期差评主题可解释，客服方案明确	尺寸、兼容、气味、破损等问题高频
变体关系	主推变体库存和评价更稳	视频展示变体与落地页默认变体不一致

Flyfus 可以把 Listing 深度诊断、买家需求分析、竞品字段和广告落地页检查合成一份网页报告。对 STV 来说，这比单独优化视频脚本更重要，因为买家看完广告后的第一步通常是验证商品是否真的符合场景。

三步执行框架

第一步：先选能被视频解释清楚的 ASIN

适合 Brand+ STV 的商品，最好有明确场景、可视化差异和足够库存。比如“户外使用”“家庭清洁”“宠物护理”“厨房效率”比纯规格型 SKU 更容易被视频讲清楚。如果商品卖点主要依赖复杂参数，视频脚本和 Listing 要提前做解释。

第二步：把 Deal 选择纳入库存规则

自动 Deal 选择会优化 supply，但运营团队要给 campaign 加业务边界：哪些 ASIN 进入落地页，哪些地区库存不足，哪些变体不能默认展示，哪些促销不能与视频同期开启。否则视频广告可能把用户导向一个看似可买、实际承接薄弱的页面。

第三步：用全漏斗看板复盘

不要只看 CPM 或 VCR。更实用的指标组合是：reach、frequency、VCR、detail page view、branded search lift、add-to-cart、new-to-brand、库存天数、购物车丢失率和退货原因。Brand+ 的价值在于把上层曝光和下游行为连起来，卖家也要用同一逻辑复盘。

广告素材测试矩阵

素材版本	适合人群	重点证据	落地页要求
场景版	新客拓展	使用前后、场景痛点、尺寸比例	首屏图片讲同一场景
规格版	高意向比较者	材质、容量、兼容、套装	五点和 Item Highlights 有对应字段
信任版	高客单价或安全敏感品	认证、质保、评价主题	FAQ 解释限制和售后边界
促销版	再营销或旺季	优惠、组合、配送时效	库存和价格稳定，避免断货

常见风险

• 把 STV 当成纯品牌预算。 Brand+ 已经强调购物行为和下游指标，卖家不能只看曝光。
• 默认让 AI 扩量所有候选商品。 自动供给优化不等于自动商品选择。
• 视频卖点和页面证据断开。 买家点击后找不到视频里承诺的信息，会降低转化和信任。
• 忽视库存。 高质量流量遇到断货，会损害广告学习和自然销售节奏。

类目差异怎么处理

快消和补货类商品可以更积极测试 STV，因为买家理解成本低，复购和新客拓展更容易被指标捕捉。但这类商品也最怕库存断档，视频流量一旦放大，补货和促销节奏要提前锁定。

高客单价耐用品则要更重视证据链。视频可以负责建立场景，但 Listing 必须解释参数、安装、保修、兼容和限制条件。否则 STV 带来的兴趣会停在浏览层，无法转成加购和购买。Flyfus 在这类商品上通常会先做评论问题聚类，再把买家犹豫点补进 FAQ、A+ 和图片。

服饰、家居和配件类目还要注意变体。视频里出现的颜色、尺寸、套装与落地页默认变体不一致时，买家会产生误解，AI 优化也可能把高质量人群导向低匹配商品。投放前应锁定默认变体，确认库存和评价都足够稳定。

指标看板不要只服务广告

Brand+ STV 的复盘看板应该让广告、运营和内容团队都能使用。广告看 reach 和 VCR，运营看库存天数和购物车变化，内容看 DPV 后的停留、问答和退货原因。只有三个团队看同一张表，自动 Deal 选择带来的供给变化才会转化为商品页改进，而不是留在媒体报告里。

预算分配也要跟着看板变化。测试期可以把预算拆成“探索供给”和“验证承接”两部分，前者允许系统寻找更合适的 Deal，后者只投向证据完整、库存稳定的 ASIN。这样即使 AI 找到新的高质量流量，运营团队也不会被迫把所有视频曝光都压到同一批商品上。

如果预算有限，建议先用一两个清晰场景测试，而不是同时覆盖所有人群。测试目标要写成可验证问题，例如“视频是否能提升新客对核心场景的详情页访问”，而不是笼统追求品牌声量。问题越具体，AI 优化结果越容易被团队判断。

参考来源

• Amazon Ads：Brand+ and Performance+ expand AI
• Amazon Ads：Brand+ AI-powered brand advertising guide
• Amazon Ads：Brand+ video advantage
• Amazon Ads：Prime Video ads

卖家可以马上做的 5 件事

1. 挑出适合视频解释的 20 个候选 ASIN，先按库存、毛利和评论风险打分。
2. 为每个 ASIN 建一张证据表，确认视频卖点能在主图、五点、A+ 和 FAQ 中找到对应信息。
3. 给 Brand+ STV campaign 写业务边界：地区、库存阈值、默认变体和禁投商品。
4. 建一个全漏斗看板，把 reach、VCR、DPV、加购、新客和库存天数放在一起看。
5. 用 Flyfus 输出 Listing 与广告承接诊断，先修正证据薄弱页面，再扩大自动 Deal 测试。