从AIPL到GROW，谈互联网大厂的营销分析模型

大家好，我是爱学习的小xiong熊妹。

上一篇《一文看懂：搭建活动分析体系》分享以后，有小伙伴问：那做活动分析，是不是也有模型呢？答：不但有，而且很多。而且互联网大厂尤其热衷于创造新模型，以至于每年都有新词冒出来，诸如：AIPL、FAST、GROW、RISE、5A……等等，看得人头晕目眩。今天就跟大家简单聊聊这些营销模型背后的底层逻辑。

一、营销模型的本质

遇到新名词，先不要急着“熟读并背诵”，那样越看越晕。俗话说得好：“不信广告，信疗效”。要搞懂这些营销模型在说啥，得先看营销本身需要什么。

从本质上看，营销是正常销售节奏以外的辅助。

因此，想打好辅助，需要搞清楚三个问题：

• 当前正常节奏是什么
• 辅助要打在哪个点上？
• 辅助实际打上去效果如何？

这三个里，最重要的就是识别正常节奏。只有准确把握现状，才能知道到底从哪里发力。几乎所有的营销模型，其内核都是：用多个指标描述现状，发现机会。

二、如何识别节奏

最简单的识别方法，就是看“销售额”指标。销售额低了，就上个活动刺激下。但是只看销售额的弊端是很明显的，比如销售额增长，来自于同一波用户反复割韭菜。那一旦韭菜割完了，销售额自然无可挽回地往下掉。所以，至少得再看一个“消费用户数”的指标，而且最好能区分新老用户来看。

当看的指标多了，就需要有逻辑地把指标组成模型，系统观察。特别是互联网业务，互联网公司都是先烧钱圈用户再收割，因此不能只盯着销售额。

理论上，用AARRR模型也能识别节奏，上一篇文章分享过，在业务扩张期、稳定期、衰退期，需要关注的重点指标不同。通过监控业务渗透率，用户增长速度，用户流失速度，也能衡量出：业务目前在扩张、稳定还是衰退（如下图）。

互联网大厂，掌握的数据更多，因此能站在二层楼，对整个行业的大盘进行观察。

三、AIPL、FAST、GROW三件套

阿里系有三个营销模型：AIPL、FAST、GROW。这三个模型的底层数据，都是基于阿里生态里众多的数据源(天猫、淘宝、聚划算、youku、土豆、UC、大麦、飞猪、盒马……)，从不同角度对品牌发展节奏进行识别。

比如AIPL，包括：

• A（Awareness），品牌认知人群。包括被品牌广告被动触达、品类词搜索的人；
• I（Interest），品牌兴趣人群。包括广告点击、浏览品牌/店铺主页、品牌词搜索等等主动互动行为的人群。
• P（Purchase），品牌购买人群，指有购买品牌商品行为的人。
• L（Loyalty），品牌忠诚人群，指有复购、评论、分享行为的人。

这个模型的逻辑是很好理解的。想做大销售，如果认知不够就加大投放，如果购买转化不够，就加强产品、促销。这样能清晰地展示现状，知道营销方向。

FAST的逻辑类似，只是更加突出了“用户价值”的概念，包括：

• F（Fertility）：全网消费人数总量。
• A （Advancing），消费转化率。
• S（Superiority），高价值人群总量。
• T（Thriving），高价值人群活跃率

F、A主要衡量用户数量，有足够的消费基数与转化率，就能做大销售盘子。S、T则衡量用户质量，有足够多高价值、活跃用户，就能稳定销售，获取更多利润。在获取数量、提升质量两方面，营销活动有很多固定玩法，因此区分数量和质量，可以更好地配合业务行动。

GROW模型，则是站在品类角度，看：

• 渗透力（Gain）: 指消费者购买更多类型品类/产品对销售增长的贡献；
• 复购力（Retain）: 指消费者更频繁 / 重复购买产品对销售增长的贡献；
• 价格力（Boost）: 指消费者购买价格升级产品对销售增长的贡献；
• 延展力（Widen）: 指消费者购买关联类型产品所贡献的总增长机会。

基于阿里数据，对每个消费品类的GROW指标，都有数据支持。

这个指标，其实就是传统商品运营四个策略：

• 扩宽品类→渗透力
• 二次购买→复购力
• 增量购买→价格力
• 交叉购买→延展力

因此懒汉做法，可以直接选择品类看对应指标，然后上营销策略即可。

四、如何自己建个营销模型

可能看了一堆，小伙伴们会很迷茫：说了半天，我们家就是个小厂子，拿不到这么多数据，我们该咋自己弄个营销模型呀！

这里有个更简单的懒人方法。就是直接用结构分析法，把销售额做拆解，比如我们现在的销售额，按订单拆解如下图：

传送门：九大数据分析方法：结构分析法

那么直观地看，就有两个营销策略：

• 继续做低价的订单，薄利多销
• 做高价促销（买赠或者满减），拉高单价

至于哪个可行，除了打嘴仗，还能用测试来检验。完全可以两个活动，选两个自然销售额差不多的月份，各做一次，最后哪个效果明显，继续用哪个，漂亮！

这样确实很简单粗暴，但是没办法，数据少的时候只能将就了。

作者：小熊妹。数据界新人，喜欢数据分析、数据挖掘。