-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:
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：
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：
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:
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：
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：
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。
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