用户指南

Kelly 是一款面向亚马逊广告运营团队的 AI 诊断工具。它可以读取 Flywheel 导出的 Excel 报表，按照广告运营 SOP 自动完成分层分析，帮助团队从“看数据、找问题、写建议”进入到“按经营目标判断、生成动作、追踪执行效果”的工作方式。

这套系统适合用于周度广告复盘、品类经营会、广告优化排查，以及新老运营交接时的标准化诊断。

它解决什么问题

亚马逊广告分析通常会遇到几类困难：

• 报表很多，父 ASIN、子 ASIN、Campaign、Target、Search Term 分散在不同维度，人工串起来很慢。
• 运营容易直接跳到“降 bid、否词、加预算”，但没有先判断这个 ASIN 当前整体该往哪走。
• 不同运营判断口径不一致，同一份数据可能给出不同建议。
• 建议做完以后缺少闭环，很难回答“上周执行的动作到底有没有效果”。
• 老板最关心的经营目标、库存情况、预算限制和产品生命周期，经常没有被系统性纳入广告判断，导致广告建议只看局部指标，不一定符合本期经营重点。
• 运营误判或误操作可能带来真实损失，例如库存不足时继续放量、成熟品长期高亏损投放、该收割的搜索词没有及时沉淀、该否定的无效流量持续消耗预算。

Kelly 的目标是把这些判断流程标准化：先理解老板本期目标，再把库存、预算、生命周期、可接受亏损等经营条件作为系统建议的前置约束，之后按层级诊断，最后把建议变成可追踪的动作记录。

这样老板可以更清楚地看到：每条建议为什么出现、受哪些经营条件影响、执行后有没有效果。系统也会把大量重复的报表整理、指标串联和初步判断自动完成，让团队把精力放在关键决策和执行复盘上。

核心能力

1. 多报表自动识别

用户上传 Flywheel Excel 报表后，系统会自动识别并解析不同报表类型，包括：

• 产品报表：父 ASIN 视图 / ASIN 视图 / SKU 视图
• 产品费用明细：ASIN 视图 / SKU 视图
• 产品广告重构：广告活动 / 投放 / 搜索词

报表按天进入本地数据层，近 7 天、前 7 天、近 30 天这些窗口由系统从日数据自己算， 用户不需要为了看环比而分别导出各个窗口的聚合表，也不需要手动合并表格。

日期只认报表内容里的「时间范围」或行级日期，不拿文件下载时间当数据日期。 一个文件对它覆盖的日期是完全权威的：重新上传会先清掉那些日期的旧行， 所以修正版里消失的实体会跟着移除，不会留下上一版的残影。

2. 前置经营检查

正式分析前，系统会先要求填写本期经营意图，例如：

• 本期销售目标
• 总广告预算
• 预算是否按父 ASIN、子 ASIN 或 Campaign 分配
• 可接受亏损额度和原因
• 默认库存天数
• 产品生命周期，例如新品期、成长期、成熟期
• 特定 ASIN 的库存或生命周期修正

这一步的意义是让 AI 不只看广告指标，而是结合真实经营约束来判断。例如同样是高 ACoS，新品期可能是可接受的冷启动投入，成熟期则可能需要控亏。

3. 分层诊断

分析以单个 ASIN 为镜头：每个 ASIN 一次分析，一次性给出这个 ASIN 名下所有层级的判断。

除了上面这张表里的分层决策，每个 ASIN 还会拿到一段用自然语言写的总评、诊断和数据充分性说明，以及一个优先级（低 / 标准 / 高 / 紧急）。这一段不是从固定选项里挑的——“这一款现在整体该往哪走”由这段话说清楚，而不是压缩成一个标签。

每一层不是直接给动作，而是先给经营判断，再由判断推出动作空间。这样用户能看懂“为什么建议这么做”。 进入分析的每一条广告活动、投放、搜索词都恰好得到一条判断；有遗漏会以校验告警呈现，不会静默补一条。

单品分析之外还有两层：

• 组合层：所有单 ASIN 判断完成后，另有独立的一次汇总分析，只回答按 ASIN 切片时看不见的问题—— 预算该从哪款收回、投到哪款去。逐个 ASIN 看，每款都能说自己该加预算，但它们花的是同一笔钱。
• 冲突标记：同一个 Campaign 服务多个 ASIN、同一个词在两个产品下都在跑很常见， A 说该收割、B 说该否定，一起做会互相抵消。这类冲突由代码识别并贴标签，不由 AI 裁决； 标好的项进「全产品待办」，可以一次交给 AI 仲裁，也可以逐条自行决定。仲裁结果追加写入， 不覆盖原判断，也不自动执行。

分析的输入只有三类：你填的经营期望、你设的参考线，以及事实（报表指标 + 这个窗口里真实执行过的动作）。 历史的 AI 判断不进输入——那会让模型顺着自己上次的结论往下说。参考线是给模型的指引， 不用来预先过滤数据：被判为“正常”的对象，模型照样看得见。

4. 结果可解释

诊断结果会展示：

• 当前层级的经营决策
• 支持判断的关键信号
• 相关指标证据
• 建议动作
• 优先级
• 数据不足或观察项
• 是否需要继续下钻到 Campaign、Target 或 Search Term

例如系统不会只说“降低 bid”，而是会说明这个动作来自哪一层判断，是因为库存限制、利润压力、转化不足、结构冲突，还是搜索词质量问题。

5. 记录真实执行

建议和执行是两本账。用户在结果页对一条建议可以做三种处置：

• 按建议执行——实际操作与建议一致
• 变通执行——实际操作与建议不同，需要写清实际做了什么
• 不执行——填一个原因即可

前两种各写下一条执行记录，记的是你实际做了什么、哪天做的。 建议原文一个字都不复制进执行记录，两本账各自独立；执行记录用一个可空的关联指回促成它的那条建议， 关联为空就是没有建议、你自己决定做的动作。

「不执行」不产生执行记录——什么都没发生，就不该有一条事实——它只把那条建议标成已处置，原因记在建议那一侧。

这样系统只追踪真正发生过的操作，避免把“看过但没做”的建议误认为执行过； 而“按建议”与“变通”的差别，正是半年后回答“温和降价管不管用”时唯一有价值的东西。

6. 跨期复盘

当下一期报表进来后，系统对每一条真实执行过的动作做复盘：

• 取执行记录里你真实做过的动作，以及你填的操作日期
• 用实体指纹匹配报表中的同一 ASIN、Campaign、Target 或 Search Term
• 以操作日期为界，对比前后的花费、点击、订单、销售额
• 一并报告操作后已经攒了几天数据

复盘是纯算术，不走 AI。它给的是前后指标对比和已观察天数，不替你下「有效／无效」的结论—— 够不够判断、算不算有效，由你来定。系统不设「太早」「已过期」这类硬门槛。

对象在暂停之后从报表里消失，后段按 0 计入：那不是缺数据，那是暂停生效了。

推荐使用流程

第一步：创建品类

按产品线或业务管理口径创建品类，例如某个品牌、站点、产品系列或运营团队负责的类目。

建议一个品类内的数据保持相对一致，方便后续跨期复盘。

第二步：上传报表

从 Flywheel 导出当天的报表并上传。支持一次选中整个文件夹或多个 Excel 文件， 某个文件失败不影响其他文件，页面会逐项显示失败原因。

第一次使用时把过去两到四周的日报表一起传上去：冷启动需要足够的历史天数，才能算出“本期 vs 上期”。 之后每天补当天那一批即可。

上传后系统会识别报表类型，并提取 Campaign、ASIN 等信息供后续填写使用。

第三步：填写前置检查

填写本期经营目标和约束。这里不是技术配置，而是运营判断前必须知道的背景。

建议由负责该品类的运营或业务负责人填写，确保系统知道本期到底是追求增长、利润、库存周转，还是新品验证。

第四步：运行诊断

系统会逐个 ASIN 完成分析，多个 ASIN 并发执行，过程中可以看到进度（已完成第几个、共几个）。 限流或网络中断会自动重试；个别 ASIN 反复失败只记一条警告，不影响其他 ASIN，重新开始分析即可补上。 全部完成后会再跑一次组合层分析。

第五步：查看建议结果

结果页按层级展示诊断结论。用户可以先看高优先级动作，再展开查看证据和下钻说明。

建议团队在会议中重点讨论：

• P0/P1 高优先级动作
• 是否存在库存或预算阻断
• 哪些 Campaign 或 Target 结构需要治理
• 哪些搜索词应该否定、收割或继续观察

第六步：记录执行

在后台做完调整后，回到对应那一行点「记录执行」，写下实际做了什么、哪天做的， 并声明这次算按建议执行还是变通执行。决定不做的选「不执行」并填原因。

这一步非常重要，因为只有被记录下来的真实动作才会进入后续复盘——系统不会假设你做过任何事。

第七步：下一期复盘

继续每天上传日报表，数据攒够之后进入复盘页面， 系统会按你填的操作日期为界，逐条对比每个动作作用对象的前后指标。

适合哪些用户

Kelly 适合：

• 亚马逊广告运营
• 品类负责人
• 广告优化师
• 负责周报和复盘的团队成员
• 需要统一广告诊断口径的管理者

对于新运营，它可以作为 SOP 辅助工具，帮助理解广告诊断应该从哪一层开始。对于成熟团队，它可以作为复盘和质量控制工具，减少重复人工分析。

用户需要准备什么

使用前建议准备：

• Flywheel 导出的 Excel 报表（第一次使用准备过去两到四周的日报表）
• 本期销售目标或广告预算
• 重点 ASIN 的实际库存天数
• 产品生命周期判断
• 一个 AI 服务账号（在设置页填入 API Key）——诊断由它完成，费用直接付给服务商

不需要装数据库、不需要注册账号：全部数据存在本机，装上就能试。

系统价值总结

Kelly 的核心价值不是替代运营拍板，而是把运营判断过程变得更清晰、更一致、更可复盘。

它帮助团队做到：

• 少花时间合并报表
• 用统一 SOP 判断广告问题
• 让建议和经营目标绑定
• 把动作沉淀为可追踪记录
• 用下一期数据验证执行效果
• 逐步形成团队自己的广告优化经验库

最终，用户看到的不只是“AI 给了哪些建议”，而是一个完整的广告诊断和执行闭环。