产品干货经典营销模型的产品化介绍

Posted 2021-08-29 阿里云云栖号

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。

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。

原文链接

本文为阿里云原创内容，未经允许不得转载。