与自动广告不同，手动广告可以通过加价直接在搜索界面 top3 位显示。因此，在竞争者的 listing 慢慢上升时可以根据亚马逊A9算法给予竞争对手 listing的“定位”来确定手动广告关键字的选择。
在推导 A9的一些基本逻辑前，我们可以先了解下一种类似搜索引擎的经典算法一蚁群算法。蚁群算法是一种用来寻找优化路径的概率型算法。该理论于1992 年提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
蚁群算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。
蚁群算法就是找到一个到达目的地的最短路径。而 A 搜索引擎的最终目的与之类似，就是将顾客最有可能购买的产品通过顾客搜索 Keyword 的不同推荐给用户，从这一理论上推导与蚁群算法逻辑层面并无差别，而千千万万顾客的搜索与交易信息就像蚁群算法中无数只蚂蚁爬行的轨迹一样，最终会趋于一个最佳路径或者解法。
以几款产品的流量变化图为例，以Q&A的方式进行说明。
Q:为什么3号产品较1号、2号产品拥有更猛烈的流量增长和变化?
A:因为3 号产品是爆款所以 Amazon 的 A9 算法发现该产品的曝光点击转化率和流量订单转化率远高于其他产品，所以给了更大的曝光，因此有了更大的流量。
Q:为什么流量不会一直增长下去?怎么来判断一个产品到达 A9 算法给予的曝光顶峰呢?
A: 参考蚁群算法，所谓 A9 中的曝光顶峰就是那条最短路径罢了，就好像两
点之间直线最短，所有带有弯曲或者绕路的线路都不是最佳路径，那么在 Amazon平台就可以理解为所有处于上升或者下降趋势的产品都没有处于这条最佳路径上。这可以由产品 listing 下方的相关产品栏目予以体现，在 Amazon 的产品栏目中，一般分为如下几类。
以上类目属于“Sponsored products related to this item”。这一类多为相关的广告性产品推荐。
以上类目属于“Customers also shopped for”。这一类多为大类目产品推荐，与原listing 产品并不是非常相关。
以上类目属于“Customers who bought this item also bought”这一类为订单相关性产品，订单关联度在服装类目一般为 2%~5%，即每100单就有2~5单会同时购买该 listing 与该推荐类目的产品。
以上类目属于“Customers also considered”。这一类为大类目产品推荐，与原listing产品有一定相关性。
展示了之前提到的“4 stars and above Sponsored” 4星以上推荐产品广告，其展示的商品均为 review 在 100 个以上且评分4星以上产品。根据其出现位置和推荐产品，可以发现其产品多与原产品款式类似，排名多在 5 万名以内属于同类目的平台热销产品。
我们再回过头看刚刚的命题，如果一个产品到达顶峰，Amazon 平台为了获得最大的利润一定会尽量将其匹配到适合的产品类目去，通过在下方的推荐栏目中给予最精确的组合与推荐，达到佣金和广告利润的最大化。所以，如果你看到一个产品下方只要没有“Customers who bought this itemalso bought”这个栏目或者“4starsandabove Sponsored”仍未出现，该listing就没有达到稳定位置还会处于严重的波动阶段。
与此同时，即使当一个产品已经日出 50 甚至 100 单，但是下方栏目仍然是Customers also considered”或者“4 stars and above Sponsored”未出现在第一个推荐位，那么 100%可以肯定这个 listing 中的产品必然是爆款而且其销量/流量仍然会继续上升，直到Amazon找到与之匹配的产品类目与相关推荐才会进入流量/订单稳定期。这样就能判定竞争对手是否处于单稳定期，如果 isting 本身还处于上升期，就可以通过手动广告抢到一定的市场份额。
Q:如何通过手动广告在其他卖家listing已经领先的前提下赶超或者抢到一定的市场份额?
A: 每个产品都有自己的对应属性，每个对应属性就类似于数学线性代数里的一个矩阵中的一个值。以一名牌的T恤为例。
该T恤的根属性为上衣(Blouse )，其余属性为T恤、圆领、短袖、休闲、纯色、女士、棉·.....
那么首先可以构建如下一个矩阵(注意，本节所写内容并非严格的数学计算只是想通过逻辑推导的过程得出相关定性的结论，帮助我们更好地从事运营类工作):
然后我们将其翻译成英文:
注意，以上两步仅仅只是为了便于理解，而这个矩阵中每个元素的值为在亚马逊搜索引擎中搜索其中任意一个属性与根属性的搭配从而产生的搜索排名即rank 值。
例如搜索 women blouse，该产品排名为100名，则上述矩阵中1列2行数字为 100，同时将整个关键字搭配的搜索结果(总共能搜索到多少产品)作为另一个矩阵记录数据，利用 Amazon 平台将各个搜索结果填写进上述矩阵中。
搜索结果矩阵(超过X0000的按X0000计算，例如排名为 51234的产品可以按50000来计算)。
我们可以从这些排名中找到“相对强属性搭配”即80名的“T-shirt Blouse”20名的“short-sleeve Blouse”，70 名的“cotton Blouse”与 80名的“summer Blouse”这些词代表了该产品与这些关键词的匹配程度较高，但是这只是做了第一层 A9属性匹配，还不精确，还需要做第二次 A9 的属性匹配。
分别选择一个普通属性与强属性进行搭配作为新的根属性，然后再分别搜索各个不同属性进行搭配后的搜索排名填入，从一行一列开始，同时也记录下新的搜索结果矩阵。
新的搜索结果矩阵(超过X0000 的按X0000 计算)。
其他矩阵依此类推。在第二次匹配中，一共会有新的9个矩阵，每个矩阵中会有一个数值不变，其他数值应该都会在一定程度上变小，其变小的比率就是该属性与新的根属性之前的匹配程度。二次匹配的每2个矩阵可以理解为前一个矩阵是Y即结果，后一个矩阵是X 即环境。
通过以上二次匹配，我们已经可以获得多个关键字对应的 listing 搜索排名和搜索结果的总数。把某个关键字的搜索排名设置为R，把该关键字搜索结果的总数设置为N，那么关键字矩阵Y对应的搜索可见概率P(X)(搜索可见概率为一种概率模型，当概率值极大接近于1时，表明当用户输入该关键字，几乎 100%可以浏览到产品listing)，因此可以按下式进行计算:
P(X)=(N-R)/N。
以上述一次匹配矩阵为例，搜索“T-shirt Blouse”，此时R为80，N为20000那么这时P(X)=(20000-80)/20 000=0.996，即 99.6%。我们可以认为当用户在Amazon平台输入“T-shirt Blouse”时，有99.6%的概率可以看到该商品。
以上述二次匹配矩阵为例，搜索“T-shirt Blouse round neck”，此时R为180N为4000，那么这时P(X)=(4000-180)/4000=0.955，即95.5%。我们可以认为当用户在Amazon平台输入“T-shirt Blouse round neck”时，有95.5%的概率可以看到该商品。
当然，这个概率只具有数量上的逻辑意义，即“大与小”的意义，而不是数值上的精确意义，只需要计算出关键字矩阵中各个元素对应的搜索可见概率。
我们需要统计出其中的高数值项，然后在上架同样产品的时候避免这些关键字的组合，选择那些一次匹配概率值较大但是二次匹配概率值较小的关键字组合作为关键字，这样才可以做到当用户搜索某些大流量关键字时我们的产品可以比竞争对手的产品优先显示。
通过以上分析可以了解到，在 Amazon 平台中每个产品都有其固定的搜索序位，当你的竞争对手已经占据了一定序位的时候，无论是通过广告、FBA、review评分等任何手段都是很难将已经领先的竞争对手打败。但是，当竞争对手的 listing还处于上升阶段时，我们可以通过手动广告的 top 曝光搭配竞争对手的 listing关键字矩阵分析进行赶超。
在使用这个技巧时，请确保竞争对手的listing有以下几个特征：
listing仍处于上升期即还未到排名和销量的平稳期;
产品拥有多个颜色/尺码/小类；
不同颜色/尺码/小类产品拥有各自区别明显的图片。
假设该图是我们竞争对手的listing 图片，其listing下一共有10个不同颜色的子产品，同时我们也能判定该产品处于上升期还未到平稳期。
假设该图是我们竞争对手使用的标题，那么我们可以将产品的关键字/标题组合拆分为以下几类:
( 1 ) faux wrap long dress ;
( 2 ) short sleeve;
( 3 ) high low hem / asymmetric hem ;
( 4 ) loose / casual;
( 5 )t shirt / tee / tops / blouse;
( 6 )Basic。
我们将上面5个词组一共10个关键字进行排列组合，然后分别填入 Amazon的搜索引擎栏目中作为 keywork进行搜索，会发现某种颜色的子产品大概率出现在搜索结果中(例如 red 颜色的产品以47%的比率出现在搜索结果中)。
通过以上步骤就找到了这个 listing 中，最热卖或者点击转化率最高的那个颜色，然后就能将对应剩下那 53%搜索结果的关键字，填入手动广告的关键字栏目中，同时选择那个最热卖的颜色作为手动广告的曝光对象，再选择愿意加价 50%的单次点击费让产品链接可以出现在top3或者top5搜索结果中这样就可以获得大量的流量和曝光，从而增加赶超竞争对手listing的概率。
通过以上数量上的分析，可以得出一个结论：
A9算法在一开始并不了解什么东西是爆款什么东西不是爆款，它只是通过给你曝光后分析产品的点击转化率和订单转化率，从而来判断是否需要再给你更多的流量。所以，在 A9 算法最终找到某个产品的最终定位时，都可以通过排名搜索结果分析，使用手动广告进行曝光完成销量上的赶超。
