簡介： 為什么說Quick Audience是集數據資產構建、用戶分析、精準營銷投放、跨端社交互動和全域會員管理為一體的全域消費者運營平臺，其中一個很大的原因是置入了經典營銷模型，如RFM模型與AIPL模型，由方法論支撐消費者運營，實現高效增長與拉新。

背景

在營銷過程中需要思考如何分析數據以及如何呈現數據，因為這是發揮數據價值很重要的環節。通過數據的分析與可視化可以更加直觀的洞察，發現數據背后的價值，從而輔助業務決策，實現真正的數據賦能業務。

Quick Audience是集數據資產構建、用戶分析、精準營銷投放、跨端社交互動和全域會員管理為一體的全域消費者運營平臺。Quick Audience置入了經典營銷模型：RFM模型與AIPL模型，由方法論支撐消費者運營，實現高效增長與拉新。

RFM模型

RFM模型基本概念：

RFM模型是一種通過客戶的R消費間隔（Recency）、F消費頻率（Frequency）、M消費金額（Monetary）三項指標來衡量客戶價值的手段。

RFM模型對客戶的三項指標的值分別進行量化評分，然后通過單個客戶的得分與對比值相比較，得出該客戶在群體中的相對價值水平，進而綜合三項指標將客戶群體劃分為多種類型，從而便于為不同類型的客戶采取有針對性的運營手段。

RFM用戶類型劃分規則

將用戶的RS、FS、MS得分分別與RS對比值、FS對比值、MS對比值相比較，得出該用戶在群體中的相對價值水平：

• 用戶得分大于對比值，價值較高。
• 用戶得分小于對比值，價值較低。

說明：

RS、FS、MS分別為用戶的消費間隔、消費頻率、消費金額得分。

RS對比值、FS對比值、MS對比值分別為RFM模型中所有用戶的消費間隔、消費頻率、消費金額得分的平均值（即統計學中的加權平均值），或為自定義值。

用戶在R、F、M任意一項中的價值可被分為高、低兩類，綜合R、F、M三項的表現，用戶可被劃分為8種類型，詳細類型及分類規則如下表所示。

RFM用戶類型	RS	FS	MS	說明
高價值客戶	大于等于RS對比值(高)	大于等于FS對比值(高)	大于等于MS對比值(高)	將最近消費日期較近、消費頻次較高、消費金額較高的人群定義為高價值人群
重點保持客戶	小于RS對比值(低)	大于等于FS對比值(高)	大于等于MS對比值(高)	將最近消費日期較遠，但是消費頻次和消費金額較高的人群定義為重點保持客戶。
重點發展客戶	大于等于RS對比值(高)	小于FS對比值(低)	大于等于MS對比值(高)	將最近消費日期較近，消費金額較高，但是消費頻次不高的人群定義為重點發展客戶。
重點挽留客戶	小于RS對比值(低)	小于FS對比值(低)	大于等于MS對比值(高)	將最近消費日期較遠，消費頻次較低，但是消費金額較高的人群定義為重點挽留客戶。
一般價值客戶	大于等于RS對比值(高)	大于等于FS對比值(高)	小于MS對比值(低)	將最近消費日期較近，消費頻次較高，但是消費金額不高的人群定義為一般價值客戶。
一般保持客戶	小于RS對比值(低)	大于等于FS對比值(高)	小于MS對比值(低)	將最近消費日期較遠，消費金額不高，但是消費頻次較高的人群定義為一般保持客戶。
一般發展客戶	大于等于RS對比值(高)	小于FS對比值(低)	小于MS對比值(低)	將最近消費日期較近，但是消費頻次和消費金額不高的人群定義為一般發展客戶。
潛在客戶	小于RS對比值(低)	小于FS對比值(低)	小于MS對比值(低)	將最近消費日期較遠、消費頻次不高、消費金額不高的人群定義為潛在客戶。

RFM模型構建過程及應用：

RFM模型構建過程:

RFM模型應用：

RFM模型在Quick Audience中，可以用于分析用戶的核心指標及用戶的分類占比情況。根據不同的用戶類型進行不同營銷活動的投放。

RFM模型交易數據分析

核心指標

展示交易用戶數、交易金額、人均交易金額、人均交易頻次的具體數值及趨勢圖。在Quick Audience中RFM分析界面效果如下：

RFM用戶構成（用戶類型）

根據RFM模型的用戶分類定義，展示受眾的用戶類型分布情況。在Quick Audience中RFM分析界面效果如下：

?

RFM用戶構成（消費分布）

根據用戶的消費間隔、消費頻率、消費金額,展示消費潛能分布。在Quick Audience中RFM分析界面效果如下：

?消費能力分布（MF-R）：橫坐標為F交易頻率，縱坐標為M交易金額，點大小為R上次交易間隔。通過MF分布來直觀看到客戶的消費能力分布，進而通過R的大小來鎖定哪些客戶更為忠誠。點越大，客戶忠誠度越高。

消費潛能分布（MR-F）：橫坐標為R最近一次交易間隔，縱坐標為M交易金額，點大小為F交易頻率。通過MR分布來直觀看到客戶的消費潛能情況，進而通過F的大小來挖掘更有價值的客戶。點越大，客戶越有挖掘價值。

消費分布（RF-M）：橫坐標為F交易頻率，縱坐標為R上次交易間隔，點大小為M交易金額。通過RF分布來直觀看到客戶的消費異動情況，進而通過M的大小來判斷哪些客戶更有必要挽回。點越大，客戶越有必要挽回。

通過上面的分析，可以為相對應的客戶打上客戶特征標簽，這樣就可以針對某類客戶指定不同的營銷策略。

RFM模型構建過程中的問題：

1、對于千萬級數據量的客戶分析數據加載過慢

解決方案：在創建RFM模型的時候進行預計算，使用模型id作為緩存key。

2、對于同一個RFM模型對于不同的部門權限的行列級權限控制及分析的處理

解決方案：在創建RFM預計算和行列級配置生成sql，根據sql進行md5計算加上模型id作為緩存key

AIPL模型

AIPL模型基本概念：

AIPL模型是一種將品牌人群資產定量化、鏈路化運營的手段。其中：

• A（Awareness）：品牌認知人群，一般指與品牌被動發生接觸的人群，例如品牌廣告觸達和品類詞搜索的人。
• I（Interest）：品牌興趣人群，一般指與品牌主動發生接觸的人群，例如廣告點擊、瀏覽品牌/店鋪主頁、參與品牌互動、瀏覽產品詳情頁、品牌詞搜索、領取試用、訂閱/關注/入會、加購收藏的人。
• P（Purchase）：品牌購買人群，包括發生過購買行為的人。
• L（Loyalty）：品牌忠誠人群，例如購買人群中，發生了復購行為或對品牌有正面評價、分享的人。

AIPL模型構建過程及應用：

AIPL模型在Quick Audience中，將品牌人群劃分為認知人群、興趣人群、購買人群、忠誠人群。可以查看消費者總數及消費者的變化趨勢。根據不同的人群進行營銷活動投放，及回流的數據查看不同人群的營銷效果。

AIPL模型構建過程:

?

AIPL模型應用：

AIPL用戶分析：

基于計算基準日期的認知、興趣、購買、忠誠四類用戶的具體人數，及消費者的變化趨勢。如在Quick Audience中AIPL用戶分析界面效果：

?AIPL流轉分析：

用戶數量

展示認知、興趣、購買、忠誠四類用戶在日期區間結束時的用戶數以及環比差額。如在如在Quick Audience中AIPL流轉界面效果：

在營銷過程中,用戶可根據不同營銷結果查看用戶的轉換情況。查看每個等級用戶的轉化情況。

用戶轉化

用戶轉化量為某一類用戶轉換為其他類型用戶的數量。

以下圖中的認知人群為例，用戶轉化量為1，代表認知人群中有1人轉化為興趣、忠誠或購買人群。下圖中，1人轉化為興趣。

起始日期的認知人數等于仍保持為認知的人數，加上認知的用戶轉化量（即從認知轉化為興趣、忠誠、購買的人數），再加上認知流失的人數之和。

AIPL模型構建過程中的問題：

1、如何防止數據量的膨脹減少數據的存儲

解決方案：在每天計算完A、I、P、L的用戶只保持增量數據，如第一天有500w的數據，第二天有501w的數據，其中2w的新增和1w的流失，再原來數據的基礎上只有3w數據量的變更。

在商業活動中，營銷實戰沉淀下了多種經典的方法論，指導著企業業務的發展。隨著數智化進程的加快，Quick Audience產品在封裝技術能力之外，更將方法論融入其中，以幫助企業更好的利用數據，獲取持續的增長。

原文鏈接

本文為阿里云原創內容，未經允許不得轉載。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的【产品干货】经典营销模型的产品化介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。