经典营销模型的产品化介绍
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。
-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
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。
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
原文链接:https://developer.aliyun.com/article/785939?
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
经典营销模型的产品化介绍相关推荐
- 【产品干货】经典营销模型的产品化介绍
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AIP ...
- 五个经典漏斗模型,看漏斗思维穿透流程化的本质
本文给大家介绍了五个经典的漏斗模型,看如何通过漏斗思维去穿透流程化的本质. 日常工作中,我们会发现不同行业或者不同岗位上,大致会遵循着一些相同的流程,或长或短,或复杂或简单,而所有的流程基本都会为自身 ...
- 【NLP】经典分类模型朴素贝叶斯解读
贝叶斯分类器在早期的自然语言处理任务中有着较多实际的应用,例如大部分的垃圾邮件处理都是用的贝叶斯分类器.贝叶斯分类器的理论对于理解后续的NLP模型有很大的进益,感兴趣的小伙伴一定要好好看看,本文会详细 ...
- Python工程能力进阶、数学基础、经典机器学习模型实战、深度学习理论基础和模型调优技巧……胜任机器学习工程师岗位需要学习什么?...
咱不敢谈人工智能时代咋样咋样之类的空话,就我自己来看,只要是个营收超过 5 亿的互联网公司,基本都需要具备机器学习的能力.因为大部分公司盈利模式基本都会围绕搜索.推荐和广告而去. 就比如极客时间,他的 ...
- 深度运用LSTM神经网络并与经典时序模型对比
©作者 | 冯太涛 单位 | 上海理工大学 研究方向 | 概率论与数理统计 前言 RNN(循环神经网络)是一种节点定向连接成环的人工神经网络.不同于前馈神经网络,RNN 可以利用内部的记忆来处理任意时 ...
- 【转】动态模型及其求解介绍–番外篇
上一篇文章(中篇)里 面,我用的示意图是因子图,而里面也出现了Psi函数,本来应该当时就解释清楚的,但实在没有精力写那么多东西,所以就想放到下篇讲的.后来发现,讲条件 随机场要结合有向无向图和inde ...
- 20个数据分析师必会的营销模型,赶紧收藏
之前看到过一个经典的面试题,问"如果我们要推广一个买菜app,你准备怎么做?"没经验的人完全就是一头雾水,根本不知道从何开始做:有经验的人,虽说能说出一些像"多渠道投放& ...
- 智能运维之时间序列预测中的经典时序模型
# 技术黑板报 # 第七期 推荐阅读时长:12min 智能运维领域时间序列预测都有哪些典型应用场景?典型的算法有哪些?这些算法在实际落地应用中有哪些优缺点?让我们一起来看看云智慧对此是怎样理解的. 章 ...
- 华为战略规划落地的核心:VDBD(价值驱动业务设计模型) 盈利模式(利润模型)详细介绍
华为战略规划落地的核心:VDBD(价值驱动业务设计模型) & 盈利模式(利润模型)详细介绍 本文作者 | 谢宁,<华为战略管理法:DSTE实战体系>.<智慧研发管理>作 ...
最新文章
- esp32 linux内核,【小狂系列】跟着小狂玩ESP32之编译环境搭建篇
- ORACLE的数据类型
- python pyyaml模块使用示例:读取yaml文件内容
- PHP-代码审计-代码执行
- ant design 分页中文字_给你代码:ant-desgin-vue使用
- 火狐配置java_java selenium+firefox环境搭建
- Android 安装详解---Mr.Zhang
- linux 配置apache的虚拟主机
- BUG_ON WARN_ON in Linux Kernel
- IP/TCP IP分组的交付与转发
- ffmpeg结构体以及函数介绍(二)
- 【职场攻略】比你的工资更重要的十件事
- 微信公众号账号测试申请
- 【业务知识】金融、银行业务知识点(转载)
- python手机价格预测论文_基于Python的微博发表意向预测研究
- poi导出数据到word,带图片且图片数量不确定(能确定数量范围,这里是3-20张)
- som聚类用matlab实现,使用SOM对数据进行聚类
- 1617: Special Formation - 规律题
- JavaScript之Three.js
- caffe学习笔记31-理解全连接层
热门文章
- Pytorch教程(十五):element-wise、Broadcasting
- 深入理解javascript原型和闭包(13)-【作用域】和【上下文环境】
- Python Bokeh 库进行数据可视化实用指南
- 整理一份程序员常用的各类工具、技术站点
- 从Zero到Hero,一文掌握Python关键代码
- wince 德赛西威2413_【图】GPS导航/Wince6.0系统 德赛西威迈腾车载导航改装评测_汽配中国网...
- ipa去除时间锁_【解密了!】影响沸石分子筛转轮去除效率的因素
- oracle分页查询前10条,Oracle查询前十条记录及分页查询(第5条到第10记录)
- 机器学习-分类算法-模型的保存和加载12
- Codeforce 1182B Plus from Picture