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 |
|
高价值客户 |
大于等于RS对比值(高) |
大于等于FS对比值(高) |
大于等于MS对比值(高) |
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 |
|
重点保持客户 |
小于RS对比值(低) |
大于等于FS对比值(高) |
大于等于MS对比值(高) |
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。 |
|
重点发展客户 |
大于等于RS对比值(高) |
小于FS对比值(低) |
大于等于MS对比值(高) |
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。 |
|
重点挽留客户 |
小于RS对比值(低) |
小于FS对比值(低) |
大于等于MS对比值(高) |
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。 |
|
一般价值客户 |
大于等于RS对比值(高) |
大于等于FS对比值(高) |
小于MS对比值(低) |
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。 |
|
一般保持客户 |
小于RS对比值(低) |
大于等于FS对比值(高) |
小于MS对比值(低) |
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。 |
|
一般发展客户 |
大于等于RS对比值(高) |
小于FS对比值(低) |
小于MS对比值(低) |
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。 |
|
潜在客户 |
小于RS对比值(低) |
小于FS对比值(低) |
小于MS对比值(低) |
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。 |
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。
本文为阿里云原创内容，未经允许不得转载。