简介：为什么说 Quick Audience 是集数据资产构建、用户剖析、精准营销投放、跨端社交互动和全域会员治理为一体的全域消费者经营平台，其中一个很大的起因是置入了经典营销模型，如 RFM 模型与 AIPL 模型，由方法论撑持消费者经营，实现高效增长与拉新。

- 更多对于数智化转型、数据中台内容请退出阿里云数据中台交换群—数智俱乐部 和关注官网微信公总号（文末扫描二维码或点此退出）

- 阿里云数据中台官网 https://dp.alibaba.com/index

背景

在营销过程中须要思考如何剖析数据以及如何出现数据，因为这是施展数据价值很重要的环节。通过数据的剖析与可视化能够更加直观的洞察，发现数据背地的价值，从而辅助业务决策，实现真正的数据赋能业务。

Quick Audience 是集数据资产构建、用户剖析、精准营销投放、跨端社交互动和全域会员治理为一体的全域消费者经营平台。Quick Audience 置入了经典营销模型：RFM 模型与 AIPL 模型，由方法论撑持消费者经营，实现高效增长与拉新。

RFM 模型

RFM 模型基本概念：

RFM 模型是一种通过客户的 R 生产距离（Recency）、F 生产频率（Frequency）、M 生产金额（Monetary）三项指标来掂量客户价值的伎俩。

RFM 模型对客户的三项指标的值别离进行量化评分，而后通过单个客户的得分与对比值相比拟，得出该客户在群体中的绝对价值程度，进而综合三项指标将客户群体划分为多种类型，从而便于为不同类型的客户采取有针对性的经营伎俩。

RFM 用户类型划分规定

将用户的 RS、FS、MS 得分别离与 RS 对比值、FS 对比值、MS 对比值相比拟，得出该用户在群体中的绝对价值程度：

• 用户得分大于对比值，价值较高。
• 用户得分小于对比值，价值较低。

阐明：

RS、FS、MS 别离为用户的生产距离、生产频率、生产金额得分。

RS 对比值、FS 对比值、MS 对比值别离为 RFM 模型中所有用户的生产距离、生产频率、生产金额得分的平均值（即统计学中的加权平均值），或为自定义值。

用户在 R、F、M 任意一项中的价值可被分为高、低两类，综合 R、F、M 三项的体现，用户可被划分为 8 种类型，具体类型及分类规定如下表所示。

## RFM 模型构建过程及利用：

### RFM 模型构建过程:

### RFM 模型利用：

RFM 模型在 Quick Audience 中，能够用于剖析用户的外围指标及用户的分类占比状况。依据不同的用户类型进行不同营销流动的投放。

#### RFM 模型交易数据分析

外围指标

展现交易用户数、交易金额、人均交易金额、人均交易频次的具体数值及趋势图。在 Quick Audience 中 RFM 剖析界面成果如下：

RFM 用户形成（用户类型）

依据 RFM 模型的用户分类定义，展现受众的用户类型散布状况。在 Quick Audience 中 RFM 剖析界面成果如下：

RFM 用户形成（生产散布）

依据用户的生产距离、生产频率、生产金额, 展现生产潜能散布。在 Quick Audience 中 RFM 剖析界面成果如下：

生产能力散布（MF-R）：横坐标为 F 交易频率，纵坐标为 M 交易金额，点大小为 R 上次交易距离。通过 MF 散布来直观看到客户的生产能力散布，进而通过 R 的大小来锁定哪些客户更为虔诚。点越大，客户忠诚度越高。

生产潜能散布（MR-F）：横坐标为 R 最近一次交易距离，纵坐标为 M 交易金额，点大小为 F 交易频率。通过 MR 散布来直观看到客户的生产潜能状况，进而通过 F 的大小来开掘更有价值的客户。点越大，客户越有开掘价值。

生产散布（RF-M）：横坐标为 F 交易频率，纵坐标为 R 上次交易距离，点大小为 M 交易金额。通过 RF 散布来直观看到客户的生产异动状况，进而通过 M 的大小来判断哪些客户更有必要挽回。点越大，客户越有必要挽回。

通过下面的剖析，能够为绝对应的客户打上客户特色标签，这样就能够针对某类客户指定不同的营销策略。

## RFM 模型构建过程中的问题：

#### 1、对于千万级数据量的客户剖析数据加载过慢

解决方案：在创立 RFM 模型的时候进行预计算，应用模型 id 作为缓存 key。

#### 2、对于同一个 RFM 模型对于不同的部门权限的行列级权限管制及剖析的解决

解决方案：在创立 RFM 预计算和行列级配置生成 sql，依据 sql 进行 md5 计算加上模型 id 作为缓存 key

# AIPL 模型

## AIPL 模型基本概念：

AIPL 模型是一种将品牌人群资产定量化、链路化经营的伎俩。其中：

* A（Awareness）：品牌认知人群，个别指与品牌被动产生接触的人群，例如品牌广告触达和品类词搜寻的人。
* I（Interest）：品牌趣味人群，个别指与品牌被动产生接触的人群，例如广告点击、浏览品牌 / 店铺主页、参加品牌互动、浏览产品详情页、品牌词搜寻、支付试用、订阅 / 关注 / 入会、加购珍藏的人。
* P（Purchase）：品牌购买人群，包含产生过购买行为的人。
* L（Loyalty）：品牌虔诚人群，例如购买人群中，产生了复购行为或对品牌有侧面评估、分享的人。

## AIPL 模型构建过程及利用：

AIPL 模型在 Quick Audience 中，将品牌人群划分为认知人群、趣味人群、购买人群、虔诚人群。能够查看消费者总数及消费者的变化趋势。依据不同的人群进行营销流动投放，及回流的数据查看不同人群的营销成果。

### AIPL 模型构建过程:

### AIPL 模型利用：

#### AIPL 用户剖析：

基于计算基准日期的认知、趣味、购买、虔诚四类用户的具体人数，及消费者的变化趋势。如在 Quick Audience 中 AIPL 用户剖析界面成果：

#### AIPL 流转剖析：

用户数量

展现认知、趣味、购买、虔诚四类用户在日期区间完结时的用户数以及环比差额。如在如在 Quick Audience 中 AIPL 流转界面成果：

在营销过程中, 用户可依据不同营销后果查看用户的转换状况。查看每个等级用户的转化状况。

用户转化

用户转化量为某一类用户转换为其余类型用户的数量。

以下图中的认知人群为例，用户转化量为 1，代表认知人群中有 1 人转化为趣味、虔诚或购买人群。下图中，1 人转化为趣味。

起始日期的认知人数等于仍放弃为认知的人数，加上认知的用户转化量（即从认知转化为趣味、虔诚、购买的人数），再加上认知散失的人数之和。

## AIPL 模型构建过程中的问题：

#### 1、如何避免数据量的收缩缩小数据的存储

解决方案：在每天计算完 A、I、P、L 的用户只放弃增量数据，如第一天有 500w 的数据，第二天有 501w 的数据，其中 2w 的新增和 1w 的散失，再原来数据的根底上只有 3w 数据量的变更。

在商业活动中，营销实战积淀下了多种经典的方法论，领导着企业业务的倒退。随着数智化过程的放慢，Quick Audience 产品在封装技术能力之外，更将方法论融入其中，以帮忙企业更好的利用数据，获取继续的增长。

*

数据中台是企业数智化的必经之路，阿里巴巴认为数据中台是集方法论、工具、组织于一体的，“快”、“准”、“全”、“统”、“通”的智能大数据体系。

目前正通过阿里云对外输入系列解决方案，包含 通用数据中台解决方案、批发数据中台解决方案、金融数据中台解决方案、互联网数据中台解决方案、政务数据中台解决方案 等细分场景。

其中阿里云数据中台产品矩阵是以 Dataphin 为基座，以 Quick 系列为业务场景化切入，包含：

* – Dataphin，一站式、智能化的数据构建及治理平台；
* – Quick BI，随时随地 智能决策；
* – Quick Audience，全方位洞察、全域营销、智能增长；
* – Quick A+，跨多端全域利用体验剖析及洞察的一站式数据化经营平台；
* – Quick Stock，智能货品经营平台；
* – Quick Decision，智能决策平台；

官方站点：

数据中台官网 https://dp.alibaba.com

钉钉沟通群和微信公众号

> 版权申明：本文内容由阿里云实名注册用户自发奉献，版权归原作者所有，阿里云开发者社区不领有其著作权，亦不承当相应法律责任。具体规定请查看《阿里云开发者社区用户服务协定》和《阿里云开发者社区知识产权爱护指引》。如果您发现本社区中有涉嫌剽窃的内容，填写侵权投诉表单进行举报，一经查实，本社区将立即删除涉嫌侵权内容。