数据可视化系列-03AIPL消费者行为全链路可视化模型实践

4.AIPL消费者行为全链路可视化模型实践

4.1、用户画像

1、用户画像：用户画像产生的原因、用户画像概述、用户画像构成原则、第一类用户画像、第二类用户画像 参考：什么是用户画像？如何构建用户画像？ 企业为什么要绘制用户画像？谈谈用户画像的真正作用 干货丨用户画像，没你想的那么简单！

用户画像产生的原因

用户画像实际上并不是什么数字化时代刚诞生的新鲜技术，它在社会中已经有了很长的历史。

很早以前，还没有什么电商平台，人与人之间的交易大多发生在线下，这时候数据还没有得到多大的重视。在这时路边的小店就已经开始区分生客、熟客，对不同顾客通过标签化的形式记录信息，提供更加精确的服务。 在谈到的用户画像其实就是打标签，通过在业务流程中的点餐、点单、支付等等不同节点收集用户的基础信息、消费习惯、兴趣爱好、财务实力等不同维度的数据信息。分析人员就是在这些数据的基础上，对不同用户或某个用户群体进行用户画像的绘制，然后再通过刻画的信息进行分析，挖掘出用户的需求，以此来对企业产品及服务进行相应的调整。

用户画像概述

同时，除了用户的基础信息外，每个行业都有属于自己的用户画像，例如，餐饮连锁企业可以记录用户的点餐信息，通过这些点餐信息就能分析出用户的喜好口味、菜品、服务等画像，以此企业就可以根据用户画像中揭示的用户需求及时做出调整。

属性标签 属性标签针对的是用户的基础信息，是企业获取最广泛的信息，一般是从业务活动中直接获取的数据，例如，用户姓名、性别、年龄、所在城市等。 行为标签 行为标签指向的是用户在企业业务流程中的活动，信息量会非常丰富，所包含的数据直接与企业产品和服务挂钩，例如，用户搜索、订单、点餐、支付等。 统计标签 统计标签是依托用户的属性、行为数据得到的，是企业用户画像的基础组成，一般用来描述某一个用户群体的用户画像，例如，青年人群的性别、搜索、活跃、喜好等。 规则标签 规则标签是在企业获取的其他用户数据的基础上，针对用户的行为和规律得到的数据，在实际绘制过程中，一般由业务人员和技术人员共同协商确定，例如有效用户、潜在用户、铁粉等。

用户画像构成原则

用户画像是如何“画”出来的呢？一个用户画像由多个标签组成，标签的构建通常需要经历4个步骤： 原始数据收集， 提炼事实标签， 搭建算法模型&预测标签， 输出策略标签：

第一类用户画像 User Persona

第一种用户画像（User Persona）是产品设计、运营人员从用户群体中抽象出来的典型用户：

在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户； 在产品原型设计、开发阶段，产品经理围绕这些虚拟用户的需求、场景，研究设计产品用户体验与使用流程； 当产品设计出现分歧时，产品经理能够借助用户画像，跳出离散的需求，聚焦到目标用户，不再讨论这个功能要不要保留，而是讨论用户可能需要这个功能，可能如何使用这个功能等等。

例如某招聘类产品在调研阶段构建的用户画像（User Persona）：

(图片引用自 https://www.clearvoice.com)

所以，这类用户画像（User Persona），本质是一个用以描述用户需求的工具，它帮助不同角色在产品研发过程中，站在用户的角度思考问题。

在产品设计阶段和原型开发阶段，产品经理会较多地借助用户画像（User Persona）理解用户的需求，想象用户使用的场景。随着产品上线后不断迭代，积累真实用户，仅通过用户画像（User Persona）难以量化地评估用户需求，也很难通过数据证伪，不确定用户画像（User Persona）虚构的人物是不是真的目标群体。同时，真实用户群体也随时间推移变化，在设计阶段虚构的用户画像（User Persona）需要重新调研、设想。

第二类用户画像User Profile

与此同时，我们也希望通过产品积累的用户行为数据，为产品运营提供更好的支撑，例如根据用户浏览记录向用户提供个性化服务。这就是本文着重介绍的第二种用户画像（User Profile）——根据每个人在产品中的用户行为数据，产出描述用户的标签的集合。例如猜他是男是女，生活工作所在地，乃至喜欢哪个明星，要买什么东西等。

随着“千人千面”等理念深入人心，在与许多企业客户的沟通中，我们希望客户更加清楚两种用户画像的差异。与第一种用户画像（User Persona）不同的是，用户画像（User Profile）的建设更加关注：

是否反应受众的真实需求：用户画像（User Profile）这个词的字面意义，是关注人口属性、生活状态等静态信息，但这些信息并不一定直接反应用户兴趣。产品更关注的往往是某用户“最近喜欢看哪类视频”、“准备买多少钱的手机”这样能帮助产品运营的动态信息； 时效性：用户的兴趣偏好随时都在发生变化，需要及时更新用户标签； 覆盖度：用户画像（User Profile）既要勾勒出用户感兴趣的内容，也要记录用户不感兴趣的信息，尽量多地满足产品运营的需要。 但同时，除了人口属性等明确的属性外，大多数用户画像的正确与否是没有意义的。如“最近喜欢看搞笑视频”这个标签，并不表示用户下一次一定观看搞笑视频，因此执着于提升标签的准确度，不如设计出多更清晰描述受众需求的标签，更多时候我们注重提升用户画像的覆盖度，同时提供更细粒度的画像。

4.2、标签体系

2、标签体系：标签体系简介、标签体系简介、标签分类、贴标签的方式、标签的优化、用户画像标签和权重 参考：标签体系- 数仓用户画像-标签体系详解 如何构建用户标签体系？

标签体系简介

标签是人为设定的、根据业务场景需求，对目标对象运用一定的算法得到的高度精炼的特征标识。 标签是对对象某个维度特征的描述与刻画，是某一种用户特征的符号表示，每一种标签都规定了我们观察认识描述对象的一个角度，用于对象的标注、刻画、分类和特征提取。

所谓标签体系，就是对企业需要的多种标签进行归类、同时对标签属性加以定义，从而更方便的对标签进行管理维护。标签体系包含两部分（标签分类体系即标签类目+标签内容信息），最好能通过标签系统来维护。也可按描述对象分类。

标签分类

现实世界中标签还有三种表现形态：实物标签、网络标签和电子标签。 实物标签(Label)是用于标明物品的品名、重量、体积、用途等信息的简要标牌，例如：商品标签、价格标签、车检标签、服装吊牌、车票、登机牌都是实物标签； 网络标签(Tag)是一种互联网内容组织方式，是相关性很强的关键字，它能帮助人们通过关键词快速建立对内容总体印象；用户画像里的标签，实际上属于网络标签(Tag)。 电子标签又称RFID射频标签(Label)，是一种识别效率和准确度都比较高的识别工具，通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，可工作于各种恶劣环境。

贴标签的方式

标签由平台运营团队创建，结合业务场景梳理出一批原始标签；注意标签创建要紧贴业务场景，为用户“贴标签”通常有两种形式，即用户是否感知到自己被“贴了标签”。 第一种隐性标签：后台给用户打标签，用户无法感知；后台结合用户前端的点击浏览行为等用户行为操作，自动为用户贴上相应类别标签，这种方式的好处在于用户行为真实度极高，平台易获取无修饰无加工的用户行为数据，不足之处对于平台来讲前期人工成本较高。 第二种显性标签：用户主动给自己打标签，即用户在产品前端页面手动选择自己感兴趣的标签，用户通过触发标签机制，后台机器匹配数据直接打标签。这种方式优点在于高效，不足之处在于数据真实度偏低（初始标签存在无法满足所有用户的风险，用户也许会选择近义词也许跳过不选）。这种方式一般陌生社交产品和社区产品使用较多，目的是提升千人千面的精准度，提升用户体验。 若选择第二种形式，需要注意标签机制的设计规则（如标签默认前台固定页面展示，需用户手动选择后，标签自动隐藏不再显示）。其次后台注意标签选择排重，如出现A用户的标签既是后台添加又是用户自己选择，则保留用户自己选择标签。 最后要牢记：“用户也不知道自己要什么”，不是用户自己选择标签之后就万事大吉了，要结合用户行为数据持续优化标签。

标签的优化

第一种机器优化：机器根据数据反馈持续更新，优点在于机器的高效智能，不足之处在于投入的技术成本以及机器欠缺一定的精准性。这种方式比较适合产品发展期，用户量较多，且有一套成熟的标签体系，机器已经可以达到一般的智能化，只需运营抽样进行精准度测试和标签规则优化即可。 第二种人工优化：人工对标签规则调整优化，优点是精准度高，不足在于人工运营成本高。这种方式适合产品初期，用户量小机器识别还不是很成熟，可以达到准确优化。 两种方式的选择需要结合产品周期和用户体量运用，无论何种方式，人工都需要持续根据产品业务场景对标签的规则进行调整优化，切记图省事忽略标签体系的优化，标签数据模糊，用户画像自然也会立不住，产品设计也会差强人意。

用户画像标签和权重

参考:用户画像标签数据开发之标签权重计算

4.3、用户画像大数据应用

3、用户画像大数据应用：用户画像与推荐系统、基于用户的协同过滤算法、用户画像与智能营销、用户画像与电话营销、用户画像与电话回访、用户画像与二次营销、用户画像与投诉

4.4、AIPL模型介绍

4、AIPL模型介绍：AIPL模型的产生背景、消费者精细化运营解决方案、AIPL模型简介 参考：AIPL模型-阿里巴巴三大营销模型之一 阿里3大营销模型：AIPL、FAST、GROW

AIPL模型｜从分群到策略

AIPL模型的产生背景

AIPL模型指的是来源于美国的一个营销模型，AIPL的意思分别是认知(awareness)、兴趣（interest）、购买（purchase）和忠诚（loyalty），就是用户从看到你→点你→产生兴趣→购买的过程。 AIPL其实就是从认知→兴趣→购买→忠诚的过程，如果用淘宝的角度去看，就是从展现→点击→收藏加购货比→成交→复购或者转介绍的过程。 AIPL模型可以帮助商家通过不同的付费工具，匹配不同的场景，加上溢价和创意，分别匹配不同的策略，满足不同阶段的客户需求。

消费者精细化运营解决方案

最里面一环的当然是大家都知道的天猫、淘宝、聚划算、猫超这些域内频道；

第二环是阿里收购或投资的一些域外媒体或平台，比如优酷、UC浏览器、高德地图、饿了么、盒马等，甚至还包括一些线下资源，比如互动吧派样机、银泰商业大屏等。

而这些还不够，第三环是阿里妈妈现在还大力在合作域外更多的媒体平台，比如：微博、抖音、小红书、B站等，通过阿里Uni Desk投放工作台在这些媒体上投放，收获的AIPL人群资产也可以回流到数据银行。

好了，介绍完AIPL模型，以及背后大致运作机制后，接着就来说说这个“仪表盘”对于精细化运营最重要的一个作用：让品牌人群资产链路化运营。

简而言之就是，对于所处链路中不同位置的人群，品牌采用对应的沟通内容和渠道，最终的目的累积人群资产，并实现链路高效流转：让“A人群“尽快转化成”I人群“，以此类推，试想一下你的品牌拥有数不完的“L“人群，你应该再也不用愁生意做不好了吧。

1.首先，需要通过数据银行账号分析：品牌当前的“A-I-P-L“人群资产存在什么问题？ 比如是相对于竞品“A人群”量太少了、或者“I人群”到“P人群”流转率太低了、亦或者品牌旗舰店自身的“A-I-P-L“人群占比相对于其他C店、经销店太少了…… 2.然后，就可以针对链路中具体问题采用对用的解决策略了。 比如：针对“A人群”量太少这个问题，除了在站内可以通过“一夜霸屏”资源投放品牌广告外，还可以整合品牌市场部的资源来做投放拉新。传统媒介投放都是媒体投完之后，媒介公司给到甲方一些传播层面的数据，比如有多少曝光、多少点击这样，但是如果这些媒体用Uni Desk做投放，这些触达的用户数据还可以通过阿里的Uni ID匹配沉淀到数据银行，成为新增“A人群”。 再比如：针对链路中“I人群”到“P人群”流转率太低的问题，说明店铺目前缺少销售转化机制，做法是先把“I人群”根据标签分成不同的群组，有的可能是对促销折扣敏感，那就可以通过钻展给他们推送店铺折扣信息来做收割；而有的是通过明星活动拉进来的，那或许可以通过一些明星周边货品来吸引他们做下一步的购买动作。

AIPL模型简介

A（Awareness），品牌认知人群。包括被品牌广告触达和品类词搜索的人； I（Interest），品牌兴趣人群。包括广告点击、浏览品牌/店铺主页、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，指购买过品牌商品的人； L（Loyalty），品牌忠诚人群，包括复购、评论、分享的人。

4.5、AIPL模型人群界定

5、AIPL模型人群界定

4.6、消费者行为全链路

6、消费者行为全链路：消费者行为全链路简介、链路指标、消费者行为全链路价值

消费者行为全链路简介

要了解全链路营销,我们先来看一下整合营销的概念及其诞生的背景。“整合营销”(integrated marketing communications),是1991年唐·舒尔茨提出的,主要指:我们要把企业所有的营销活动(例如户外广告、公共关系、SEM、内容营销、终端促销等)看成一个整体,让不同的传播活动共同创造统一的品牌形象。简单来说,整合营销就是:在不同的地方,用同一个声音说话。