-更多关于数智化转型、数据中台内容请加入阿里云数据中台交流群—数智俱乐部 和关注官方微信公总号 文末扫描二维码或点此加入
-阿里云数据中台官网 https://dp.alibaba.com/index
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: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。
数据中台是企业数智化的必经之路 阿里巴巴认为数据中台是集方法论、工具、组织于一体的 “快”、“准”、“全”、“统”、“通”的智能大数据体系。
目前正通过阿里云对外输出系列解决方案 包括通用数据中台解决方案、零售数据中台解决方案、金融数据中台解决方案、互联网数据中台解决方案、政务数据中台解决方案等细分场景。
其中阿里云数据中台产品矩阵是以Dataphin为基座 以Quick系列为业务场景化切入 包括
- Dataphin 一站式、智能化的数据构建及管理平台 - Quick BI 随时随地 智能决策 - Quick Audience 全方位洞察、全域营销、智能增长 - Quick A 跨多端全域应用体验分析及洞察的一站式数据化运营平台 - Quick Stock 智能货品运营平台 - Quick Decision 智能决策平台官方站点
数据中台官网 https://dp.alibaba.com
钉钉沟通群和微信公众号
中国最?好的一朵云飘进了华瑞银行。阿里云将进一步助力华瑞银行All in Cloud。 -...
最近,DevOps的采用导致了企业计算的重大转变。除无服务器计算,动态配置和即付...
9月17日,2020云栖大会上,阿里云正式发布工业大脑3.0。 阿里云智能资深产品专家...
很长时间没有更新原创文章了,但是还一直在思考和沉淀当中,后面公众号会更频繁...
定义 this是函数运行时自动生成的内部对象,即调用函数的那个对象。(不一定很准...
查看表结构,sbtest1有主键、k_1二级索引、i_c二级索引 CREATE TABLE `sbtest1` ...
一、PostgreSQL行业位置 一 行业位置 首先我们看一看RDS PostgreSQL在整个行业当...
本文转载自网络,原文链接:https://mp.weixin.qq.com/s/vlOUg46B5bcmToX-fjavJQ...
在TOP云(zuntop.com)科技租赁过服务器的站长都知道独立服务器在价格上比VPS主...
2020年对于云计算行业来说是突破性的一年,因为公共云供应商增加了收入,而疫情...