-更多關于數智化轉型、資料中台内容請加入 阿裡雲資料中台交流群—數智俱樂部 和關注官方微信公總号(文末掃描二維碼或 點此加入
)
-阿裡雲資料中台官網
https://dp.alibaba.com/index背景
在營銷過程中需要思考如何分析資料以及如何呈現資料,因為這是發揮資料價值很重要的環節。通過資料的分析與可視化可以更加直覺的洞察,發現資料背後的價值,進而輔助業務決策,實作真正的資料賦能業務。
Quick Audience是集資料資産建構、使用者分析、精準營銷投放、跨端社互動動和全域會員管理為一體的全域消費者營運平台。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營運,實作高效增長與拉新。
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)三項名額來衡量客戶價值的手段。
RFM模型對客戶的三項名額的值分别進行量化評分,然後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準,進而綜合三項名額将客戶群體劃分為多種類型,進而便于為不同類型的客戶采取有針對性的營運手段。
RFM使用者類型劃分規則
将使用者的RS、FS、MS得分分别與RS對比值、FS對比值、MS對比值相比較,得出該使用者在群體中的相對價值水準:
- 使用者得分大于對比值,價值較高。
- 使用者得分小于對比值,價值較低。
說明:
RS、FS、MS分别為使用者的消費間隔、消費頻率、消費金額得分。
RS對比值、FS對比值、MS對比值分别為RFM模型中所有使用者的消費間隔、消費頻率、消費金額得分的平均值(即統計學中的權重平均值),或為自定義值。
使用者在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,使用者可被劃分為8種類型,詳細類型及分類規則如下表所示。
RFM使用者類型 | 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) | 将最近消費日期較近、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) | 将最近消費日期較遠,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 | 小于FS對比值(低) | 将最近消費日期較近,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 | 将最近消費日期較遠,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 | 小于MS對比值(低) | 将最近消費日期較近,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 | 将最近消費日期較遠,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 | 将最近消費日期較近,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 | 将最近消費日期較遠、消費頻次不高、消費金額不高的人群定義為潛在客戶。 |
RFM模型建構過程及應用:
RFM模型建構過程:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
RFM模型應用:
RFM模型在Quick Audience中,可以用于分析使用者的核心名額及使用者的分類占比情況。根據不同的使用者類型進行不同營銷活動的投放。
RFM模型交易資料分析
核心名額
展示交易使用者數、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:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
RFM使用者構成(使用者類型)
根據RFM模型的使用者分類定義,展示閱聽人的使用者類型分布情況。在Quick Audience中RFM分析界面效果如下:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
RFM使用者構成(消費分布)
根據使用者的消費間隔、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):橫坐标為F交易頻率,縱坐标為M交易金額,點大小為R上次交易間隔。通過MF分布來直覺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):橫坐标為R最近一次交易間隔,縱坐标為M交易金額,點大小為F交易頻率。通過MR分布來直覺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):橫坐标為F交易頻率,縱坐标為R上次交易間隔,點大小為M交易金額。通過RF分布來直覺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标簽,這樣就可以針對某類客戶指定不同的營銷政策。
RFM模型建構過程中的問題:
1、對于千萬級資料量的客戶分析資料加載過慢
解決方案:在建立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:在建立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模型是一種将品牌人群資産定量化、鍊路化營運的手段。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尋的人。
- I(Interest):品牌興趣人群,一般指與品牌主動發生接觸的人群,例如廣告點選、浏覽品牌/店鋪首頁、參與品牌互動、浏覽産品詳情頁、品牌詞搜尋、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,發生了複購行為或對品牌有正面評價、分享的人。
AIPL模型建構過程及應用:
AIPL模型在Quick Audience中,将品牌人群劃分為認知人群、興趣人群、購買人群、忠誠人群。可以檢視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,及回流的資料檢視不同人群的營銷效果。
AIPL模型建構過程:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
AIPL模型應用:
AIPL使用者分析:
基于計算基準日期的認知、興趣、購買、忠誠四類使用者的具體人數,及消費者的變化趨勢。如在Quick Audience中AIPL使用者分析界面效果:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
AIPL流轉分析:
使用者數量
展示認知、興趣、購買、忠誠四類使用者在日期區間結束時的使用者數以及環比差額。如在如在Quick Audience中AIPL流轉界面效果:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
在營銷過程中,使用者可根據不同營銷結果檢視使用者的轉換情況。檢視每個等級使用者的轉化情況。
使用者轉化
使用者轉化量為某一類使用者轉換為其他類型使用者的數量。
以下圖中的認知人群為例,使用者轉化量為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,加上認知的使用者轉化量(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。
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yY4MjY4IWN4QDO0UWL0AzNh1iMxYGNtQ2YxgTLwEDOyYDZmFTL1ETO5ADN4cjM1QTNx8CXxQTMvw1ZuB3LchTMwIzLcBzLctmchx2Lc12bj5yayFGbu5ibkN2Lc9CX6MHc0RHaiojIsJye.png)
AIPL模型建構過程中的問題:
1、如何防止資料量的膨脹減少資料的存儲
解決方案:在每天計算完A、I、P、L的使用者隻保持增量資料,如第一天有500w的資料,第二天有501w的資料,其中2w的新增和1w的流失,再原來資料的基礎上隻有3w資料量的變更。
在商業活動中,營銷實戰沉澱下了多種經典的方法論,指導着企業業務的發展。随着數智化程序的加快,Quick Audience産品在封裝技術能力之外,更将方法論融入其中,以幫助企業更好的利用資料,擷取持續的增長。
資料中台是企業數智化的必經之路,阿裡巴巴認為資料中台是集方法論、工具、組織于一體的,“快”、“準”、“全”、“統”、“通”的智能大資料體系。
目前正通過阿裡雲對外輸出系列解決方案,包括
通用資料中台解決方案、
零售資料中台解決方案 金融資料中台解決方案 網際網路資料中台解決方案 政務資料中台解決方案等細分場景。
其中阿裡雲資料中台産品矩陣是以Dataphin為基座,以Quick系列為業務場景化切入,包括:
- - Dataphin,一站式、智能化的資料建構及管理平台 ;
- - Quick BI,随時随地 智能決策
- - Quick Audience,全方位洞察、全域營銷、智能增長
- - Quick A+, 跨多端全域應用體驗分析及洞察的一站式資料化營運平台
- - Quick Stock, 智能貨品營運平台
- - Quick Decision,智能決策平台
官方站點:
資料中台官網
https://dp.alibaba.com釘釘溝通群和微信公衆号