符鹏飞（悦福） 阿里云数据中台解决方案架构师
10年大快销行业数据咨询、数据分析经验，曾支持多家500强企业完成数字化转型。

一、全域营销典型场景

（一）基于AIPL方法论体系在品牌的“适配”

通常，我们会按照AIPL方法论体系开展工作。基于这个体系，可以做消费者的分层分类，人群的运营逻辑，这个过程是人群跟品牌之间的递进关系。

比如，A是品牌的认知人群，认知度越深，证明消费者和品牌之间的递进关系越近。

收藏加购人群可以归到I人群，P和L人群相对比较简单，就是购买和复购。但是如何把P人群转回成L人群，这是一个比较难的过程。

（二）全域营销场景总览

基于这些策略，我们在背后做整合营销的时候，会去建立这样一个体系。

站在消费者角度看，消费者资产平台分为两个层面，一是消费者的洞察，先看清楚
消费者特征、价值诉求、营销偏好、渠道偏好、售点偏好等，二是消费者运营，基于对消费者的洞察配合合适的运营手段，将这些消费者人群运营得更好。

（三）消费者投资平台 – 消费者洞察

如上所示，消费者资产平台的消费者洞察模块，会对消费者做非常多的人群分析，可大致分为潜力用户、活跃用户、睡眠用户和流失用户。

将人群看清楚后，针对不同的人群开展不同的策略，和实际业务做进一步的结合，比如核心指标就是提升GMV或销售额，之后可给予业务思路开展营销等业务策略及内部组织协同，协助完成目标。

（四）营销场景 - 短信营销

针对消费者洞察，发现一些可能流失的客户，他们对短信渠道的打开率相对较高，可针对此类用户开展短信营销的尝试。

短信营销也会分为很多的波次，第一波怎么做，第二波怎么做，这个过程中会涉及到一些行为，比如在发的时候应该发什么样的券、什么样的内容，根据什么样的人发不同的内容，其实就是根据客户偏好，在不同合适的时间点上去触达，尽可能提升打开率，进而进一步提升转化率。

（五）营销场景 - 私域营销

关于私域营销，以某公众号为例，有些品牌有一个公众号一个小程序，有些品牌有非常多的小程序和公众号，需要思考如何将这些数据整合。

比如，消费者点了一个关注，但我们不知道消费者的偏好。此时给消费者推三个商品A/B/C，看看消费者会点哪个。根据消费者的选择，可以大概知道消费者的偏好。但当有大量数据以后，就可以做精细化的策略。有了A的偏好，就可以添加行为，比如点了A以后会给发一个A的券，有些消费者可能拿到券就马上去买商品做核销。针对没买的消费者，在一段时间后可以再给消费者去做一个触发，提示他再不用这个券就过期了。

这样提升进一步的管控，这是一个精细化的过程，如果我们不去做这样的事情，都是粗犷式的管理和运营，那么打开率、转化率一定远不如精细化运营之后的效果。

除此之外，根据产品商品渠道偏好，各种不同类型的标签，针对不同人群做精细化运营。

（六）营销场景 – 自媒体端营销

现在看待消费者的时候，会员并不仅限于已有的订单客户，对于品牌来，媒体曝光的人群、哪些人群做了关注，这些人群都是潜在的消费者。

通过运营的策略，可以将媒体曝光触达的人群变成整个资产，比如在社区电商平台做第一波投放与数据采集，回流大量社区电商平台的粉丝和品牌互动的数据，这些数据往往都是非常大数据量级的，之后通过分析洞察手段，将这些数据变成可用的消费者资产，具体如下：

第一步：数据回流与沉淀，将媒体投放数据回流回来，然后做这些标签的圈选和标签的分析，针对这些人群依然可以在短视频平台上再做投放，因为这拨人可能也是短视频平台的活跃用户，之后再投放再回流，实现的逻辑是面对同样的一拨人群，在不同的平台去触达这些人群。

第二步：跨平台营销，通过跨平台触达营销，控制同一个人不要被过多的曝光，比如触达了七次以上就不要通过广告方式触达了。

第三步：沉淀运营策略，定出目标人群后，根据标签做圈选与推荐，之后选择渠道。一般情况，不同人群有不同的渠道偏好，根据不同渠道的特性可以做不同的运营策略，选择完渠道以后就是选择内容，选择不同的素材，选择不同的内容，选择不同的产品，之后通过不同的渠道去做触达，最终完成结构的承接。在这样的过程中，除了能够提升运营人员的能力，还能沉淀数据与策略，这样即使后期企业做人员变更，策略与体系也能够复用，保证了业务持续不断的稳定发展。

二、全域营销解决方案

（一）全域营销产品支撑 - Quick Audience

Quick Audience的核心逻辑基于媒体回流、品牌的素材、会员、投放、订单、商品等系列数据进行消费者洞察和运营。

基于Dataphin的能力，生成消费者标签，当然，如果品牌有自己的采集工具，我们可以把这些数据整合进来。有了这些数据，第一步做洞察，所以它内置了很多的分析模型，比如RFM、AIPL等，那么我们就可以做消费者的分析和圈选。

分析完之后会生成不同的策略人群包，可以基于一定的逻辑，比如业务部门按照诉求及消费者洞察的结果，圈选出想要的人群，那就用到受众圈选这个功能。圈选完之后，按照消费者渠道偏好等标签，完成人群触达，比如通过短信、微信的公众号、媒体端、电商端等。

这里面也包含自动化营销，再往上层是面向于不同的行业有行业标签体系，不同行业的标签和消费者的分层分类不一样。

有的客户有非常多的品牌，有些不同品牌之间的数据希望聚合在一起，有些品牌的数据需要割裂，这里会涉及到账号和权限管理的体系。

另一个层面是数据服务。当做完数据以后它能触达的一些渠道，通过自动化对接的方式去做一些对接。比如要做美团的营销，这些人群就可以通过API的服务，对接想对接的一些平台去做整个全渠道的触达。

平台的数据所有权属于品牌，同时它的使用权、触达端，品牌都可以按照自己的需求去做具体转化。比如在分析模型这个地方，品牌基于自有的数据怎么去搭建AIPL，进行趋势、流转、贡献度的分析。

（二）分析模型示例

也可以基于RFM模型，根据消费者的交易时间、交易频次、交易额等拆分出不同用户，可分为流失用户、价值用户、高危用户。

基于RFM模型做核心种子用户的定义和圈选，这些都是内置好的模型，然后把数据输入到这个平台里面，基于这些模型可以自动化做消费者的画像、消费者的分析。

这个过程中，我们可以得到需要的一些字段类型，包括标签数据、销售数据、订单数据等。基于这些数据可以自动化配置，比如根据我们的时间间隔、频次、得分等，输出保持客户、潜在客户、发展客户等。

生成不同人群后，可以针对这些人群制定不同的策略，比如针对重点人群该怎么去做，针对流失用户怎么去做。

（三）透析分析示例

商家将不同渠道人群的结合，根据对应的标签，自动呈现可视化数据，圈选和数据生成以后，就以这可视化的方式，帮你把这些数据能够呈现出来，通过点击不同的标签可以看到不同人群的偏好信息。

（四）受众圈选

做完以上工作后，可以进行自有标签圈选，人群行为优选，进而进行人群包分类，例如VIP分群优选，针对不同人群可以制定不同方式。

例如，过去触达客户的方式是通过通投的方式，不分内容，不分情况，不分时间。经过受众圈选的工作后，我们可以对不同标签的人群以不同的方式，在适时的情况通过不同的渠道进行精准触达，这个过程不仅自动化，也更有针对性，既提升用户体感，也使我们的运营更加行之有效。

（五）营销触达 – 广告营销

人群圈选后可以将人群包推送到各营销媒体后台，营销媒体平台会将人群包拆解，根据不同人群的标签去进行相应的营销。

（六）营销触达 – 内容营销及管理

在内容营销中心，可以制定邮件、短信、微信、微博等不同内容营销模板，根据人群不同的兴趣、购买力、忠诚度、沉睡情况等，可以通过不同的渠道如短信营销、邮件营销、私有APP等方式，去推送不一样的内容，简言之就是对不同的人群用不同渠道进行不同内容的营销。

（七）媒体回流

媒体回流是在我们对用户展开一次运营策略后，将曝光、点击的消费者数据尽可能的回流至品牌自有的数据中台，以便于分析诊断以及再营销。

目前支持的主流媒体广告数据回流平台与数据字段回流如上所示。

（八）自动加工媒体数据标签

媒体回流后，Quick Audience会自动加工媒体数据标签，之后我们再进行营销的时候，可以根据业务的策略与需求，勾选不同的标签进行精准触达。

（九）媒体回流人群再运营

媒体回流后的人群可以根据不同喜好与购买力分成不同的人群，如品牌高复购价值人群，是后续投放的第一优先级人群。品牌高触达价值人群，可在蓄水期、预热期通过多种素材进行测试转化。品牌高转化价值人群，可进行高频次、多优惠、多素材的触达。潜力触达人群，可在蓄水期集中火力进行攻坚，提前种草。

（十）社交互动

社交互动在营销中也占据十分重要的地位，核心能力是粉丝运营、粉丝裂变和粉丝转化。

我们可以通过公众号、小程序等渠道与客户进行社交互动，例如发放优惠券、转发抽奖、线下活动、直播活动等，结合运营的策略开展工作。

（十一）社交互动数据采集

我们可以通过四大类数据来源渠道覆盖用户全链路互动行为：兴趣（自有线上数据）、促进关系深度（营销数据）、入会（会员数据）和进店/参加活动（自有线下数据）。

通过不同类型的数据来源对用户互动行为进行分析与拆解，进一步提升消费者消费体验与完成复购。

（十二）社交活动矩阵，提升和消费者粘性

在社交活动矩阵上，有许多我们常见的社交活动，如上所示。

不同的社交活动有不同的核心目的与设计重点，针对不同的场景举行不同的活动可以达到事半功倍的营销效果。

（十三）精准内容推送，提升消费者体验

这样做到的意义可能不在于用户购买，更多的是提升客户满意度，让客户从顾客的身份慢慢变成粉丝，提升客户认可度与忠诚度。

（十四）行业标签体系

不同行业、不同品牌、不同场景都有一套标签体系。根据不同的情况制定不同的客户标签体系，这个工作量较为繁琐与复杂，这里面包括了客户的信息、价值、消费互动、营销互动等数据，将标签体系完善后，后续可以按照前面的逻辑与运营方式，将这些数据持续利用起来。