经典营销模型的产品化介绍

简介：为什么说Quick Audience是集数据资产构建、用户分析、精准营销投放、跨端社交互动和全域会员管理为一体的全域消费者运营平台，其中一个很大的原因是置入了经典营销模型，如RFM模型与AIPL模型，由方法论支撑消费者运营，实现高效增长与拉新。

-更多关于数智化转型、数据中台内容请加入阿里云数据中台交流群—数智俱乐部 和关注官方微信公总号（文末扫描二维码或点此加入）

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

---

背景

在营销过程中需要思考如何分析数据以及如何呈现数据，因为这是发挥数据价值很重要的环节。通过数据的分析与可视化可以更加直观的洞察，发现数据背后的价值，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、用户分析、精准营销投放、跨端社交互动和全域会员管理为一体的全域消费者运营平台。Quick Audience置入了经典营销模型：RFM模型与AIPL模型，由方法论支撑消费者运营，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消费间隔（Recency）、F消费频率（Frequency）、M消费金额（Monetary）三项指标来衡量客户价值的手段。

RFM模型对客户的三项指标的值分别进行量化评分，然后通过单个客户的得分与对比值相比较，得出该客户在群体中的相对价值水平，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运营手段。

RFM用户类型划分规则

将用户的RS、FS、MS得分分别与RS对比值、FS对比值、MS对比值相比较，得出该用户在群体中的相对价值水平：

• 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。

说明：

RS、FS、MS分别为用户的消费间隔、消费频率、消费金额得分。

RS对比值、FS对比值、MS对比值分别为RFM模型中所有用户的消费间隔、消费频率、消费金额得分的平均值（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三项的表现，用户可被划分为8种类型，详细类型及分类规则如下表所示。

RFM用户类型	RS	FS	MS	说明
<span class="lake-fontsize-11">高价值客户</span>	<span>大于等于RS对比值(高)</span>	大于等于FS对比值<span>(高)</span>	<span class="lake-fontsize-11">大于等于MS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">将最近消费日期较近、消费频次较高、消费金额较高的人群定义为高价值人群</span>
<span class="lake-fontsize-11">重点保持客户</span>	<span class="lake-fontsize-11">小于RS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">大于等于FS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">大于等于MS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">将最近消费日期较远，但是消费频次和消费金额较高的人群定义为重点保持客户。</span>
<span class="lake-fontsize-11">重点发展客户</span>	<span>大于等于RS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">小于FS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">大于等于MS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">将最近消费日期较近，消费金额较高，但是消费频次不高的人群定义为重点发展客户。</span>
<span class="lake-fontsize-11">重点挽留客户</span>	<span>小于RS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">小于FS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">大于等于MS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">将最近消费日期较远，消费频次较低，但是消费金额较高的人群定义为重点挽留客户。</span>
<span class="lake-fontsize-11">一般价值客户</span>	<span>大于等于RS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">大于等于FS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">小于MS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">将最近消费日期较近，消费频次较高，但是消费金额不高的人群定义为一般价值客户。</span>
<span class="lake-fontsize-11">一般保持客户</span>	<span class="lake-fontsize-11">小于RS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">大于等于FS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">小于MS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">将最近消费日期较远，消费金额不高，但是消费频次较高的人群定义为一般保持客户。</span>
<span class="lake-fontsize-11">一般发展客户</span>	<span class="lake-fontsize-11">大于等于RS对比值</span><span>(高)</span>	<span class="lake-fontsize-11">小于FS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">小于MS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">将最近消费日期较近，但是消费频次和消费金额不高的人群定义为一般发展客户。</span>
<span class="lake-fontsize-11">潜在客户</span>	<span class="lake-fontsize-11">小于RS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">小于FS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">小于MS对比值</span><span>(低)</span>	<span class="lake-fontsize-11">将最近消费日期较远、消费频次不高、消费金额不高的人群定义为潜在客户。</span>

## RFM模型构建过程及应用： ### RFM模型构建过程: ### RFM模型应用： RFM模型在Quick Audience中，可以用于分析用户的核心指标及用户的分类占比情况。根据不同的用户类型进行不同营销活动的投放。 #### RFM模型交易数据分析 核心指标 展示交易用户数、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分析界面效果如下： RFM用户构成（用户类型） 根据RFM模型的用户分类定义，展示受众的用户类型分布情况。在Quick Audience中RFM分析界面效果如下： RFM用户构成（消费分布） 根据用户的消费间隔、消费频率、消费金额,展示消费潜能分布。在Quick Audience中RFM分析界面效果如下： 消费能力分布（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上次交易间隔。通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来锁定哪些客户更为忠诚。点越大，客户忠诚度越高。 消费潜能分布（MR-F）：横坐标为R最近一次交易间隔，纵坐标为M交易金额，点大小为F交易频率。通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。点越大，客户越有挖掘价值。 消费分布（RF-M）：横坐标为F交易频率，纵坐标为R上次交易间隔，点大小为M交易金额。通过RF分布来直观看到客户的消费异动情况，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。 通过上面的分析，可以为相对应的客户打上客户特征标签，这样就可以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分析数据加载过慢 解决方案：在创建RFM模型的时候进行预计算，使用模型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控制及分析的处理 解决方案：在创建RFM预计算和行列级配置生成sql，根据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、链路化运营的手段。其中： * A（Awareness）：品牌认知人群，一般指与品牌被动发生接触的人群，例如品牌广告触达和品类词搜索的人。 * I（Interest）：品牌兴趣人群，一般指与品牌主动发生接触的人群，例如广告点击、浏览品牌/店铺主页、参与品牌互动、浏览产品详情页、品牌词搜索、领取试用、订阅/关注/入会、加购收藏的人。 * P（Purchase）：品牌购买人群，包括发生过购买行为的人。 * L（Loyalty）：品牌忠诚人群，例如购买人群中，发生了复购行为或对品牌有正面评价、分享的人。 ## AIPL模型构建过程及应用： AIPL模型在Quick Audience中，将品牌人群划分为认知人群、兴趣人群、购买人群、忠诚人群。可以查看消费者总数及消费者的变化趋势。根据不同的人群进行营销活动投放，及回流的数据查看不同人群的营销效果。 ### AIPL模型构建过程: ### AIPL模型应用： #### AIPL用户分析： 基于计算基准日期的认知、兴趣、购买、忠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用户分析界面效果： #### AIPL流转分析： 用户数量 展示认知、兴趣、购买、忠诚四类用户在日期区间结束时的用户数以及环比差额。如在如在Quick Audience中AIPL流转界面效果： 在营销过程中,用户可根据不同营销结果查看用户的转换情况。查看每个等级用户的转化情况。 用户转化 用户转化量为某一类用户转换为其他类型用户的数量。 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人转化为兴趣、忠诚或购买人群。下图中，1人转化为兴趣。 起始日期的认知人数等于仍保持为认知的人数，加上认知的用户转化量（即从认知转化为兴趣、忠诚、购买的人数），再加上认知流失的人数之和。 ## AIPL模型构建过程中的问题： #### 1、如何防止数据量的膨胀减少数据的存储 解决方案：在每天计算完A、I、P、L的用户只保持增量数据，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的流失，再原来数据的基础上只有3w数据量的变更。 在商业活动中，营销实战沉淀下了多种经典的方法论，指导着企业业务的发展。随着数智化进程的加快，Quick Audience产品在封装技术能力之外，更将方法论融入其中，以帮助企业更好的利用数据，获取持续的增长。 * 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出系列解决方案，包括通用数据中台解决方案、零售数据中台解决方案、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，包括： * - Dataphin，一站式、智能化的数据构建及管理平台； * - 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+， 跨多端全域应用体验分析及洞察的一站式数据化运营平台； * - Quick Stock， 智能货品运营平台； * - 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 > 版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。