AIPL模型|从分群到策略

简介: AIPL模型主要用于对用户进行人群资产的量化,在分析用户的过程中,我们通常会用新用户和老用户进行划分。换一个角度我们也可以将用户划分成认知(Awareness)、兴趣(Interest)、购买(Purchase)、忠诚(Loyalty)类人群。每个人群内的用户,在产生了某种特殊行为之后就会转变他的人群属性。

AIPL模型

一、概念

  • AIPL模型主要用于对用户进行人群资产的量化,在分析用户的过程中,我们通常会用新用户和老用户进行划分。换一个角度我们也可以将用户划分成认知(Awareness)、兴趣(Interest)、购买(Purchase)、忠诚(Loyalty)类人群。每个人群内的用户,在产生了某种特殊行为之后就会转变他的人群属性。

在这里插入图片描述

二、判断

  • 掌握了AIPL是什么,我们再来看一下如何去界定这些人群。

认知人群(A)

  • 认知类人群的特点通常是“第一次”,当用户第一次了解到品牌/商品的时候就是一个认知的过程,如果没有后续的行为,则该类人群就被称为认知类人群(A类人群),常见的人群特征如下:

    • 广告曝光
    • 公域页面曝光
    • 无品牌倾向搜索

兴趣人群(I)

  • 兴趣人群的特点通常是”互动行为“;怎样的行为能证明用户对品牌/商品感兴趣是思考该类人群的关键,对于行为我们又可以划分成付费类行为和非付费类行为,而在一个平台中(或者是对某个平台)进行非付费类行为的用户我们可以称之为兴趣人群(I类人群),常见的人群特征如下:

    • 点击广告
    • 参加粉丝互动
    • 进行品牌搜索
    • 关注/加购/收藏

购买人群(P)

  • 购买类人群的特点非常直接,就是“付费”,对于在公司中的用户的人群划分来说,付费和非付费是完全不同的两类用户,因此我们将“付费”用户划分为购买人群(P类人群),常见的人群特征如下:

    • 付费

忠诚人群(L)

  • 忠诚人群(L类人群)是购买人群的进阶群体,也可以理解为我们要重点“维稳”的一类用户,常见的人群特征如下:

    • 反复购买
    • 主动分享
    • 正面评论

三、策略

  • 对于AIPL模型,我们需要使用各种各样的策略进行用户运营,比如:如何引起消费者注意力?如何在竞品中引起用户的兴趣?如何让用户甘心付费?如何让用户爱上产品?接下来我们就简单的分析一下各类人群能够采取的运营策略。

认知:强化认知

  • 在现在的互联网时代下,用户对于品牌的注意力会因为诸多因素而被弱化,单次的广告曝光已经不足以让用户具有“认知”的感受,这也就让我们不得不想出一些新奇的方式来强化认知。简单列举几个方式:

    • 地推:传统又高效的模式(缺点就是有点费人)
    • 话题:通过引起大家的讨论与共鸣来强化认知(通过捐款事件认知鸿星尔克)
    • 蹭流量:通过别人的流量来带动认知(XX推出联名商品)

兴趣:引起兴趣

  • 当下能够让人们感兴趣产品的门槛变的越来越高,从二十年前的文字到十年前的图文到现在的短视频,刺激用户的感官显得尤为重要,方式列举:

    • 明星代言:(引起粉丝兴趣,获得大众信任)
    • AR/VR展示:(好奇->兴趣)
    • 实体带货:(大雪中卖羽绒服)

购买:促进购买

  • 现在的购买不单单是从产品质量和价格上的考虑,效率、售后、服务、创新也变成了人们衡量的标准,下面列举几个能够促购的策略:

    • 与消费者共创产品:(定制策略)
    • 首单优惠策略:(美团外卖首单:从低价行为让用户体验服务)
    • 蹭流量:(通过联名的方式促进购买)

忠诚:留住忠诚

  • 对于忠诚用户的策略通常是长期的,我们需要在用户的整个忠诚周期内尽可能的提高用户购买频次,对于这类用户,我们可以理解为是平台的VIP,对待VIP就一定要有全方位提高的用户体验:

    • 发放VIP代金券:(攻克价格心理)
    • 增强用户与产品的互动性:(化妆品牌体验官计划)

四、总结

  • 从本文对于AIPL的分析,大家不难发现,AIPL模型的人群划分是从一个完全没有品牌认知的用户到忠诚用户的过程,而当平台拥有了大量的忠诚用户后,就该去考虑如何进行创收了。
相关文章
|
21天前
|
存储 分布式计算 MaxCompute
使用PAI-FeatureStore管理风控应用中的特征
PAI-FeatureStore 是阿里云提供的特征管理平台,适用于风控应用中的离线和实时特征管理。通过MaxCompute定义和设计特征表,利用PAI-FeatureStore SDK进行数据摄取与预处理,并通过定时任务批量计算离线特征,同步至在线存储系统如FeatureDB或Hologres。对于实时特征,借助Flink等流处理引擎即时分析并写入在线存储,确保特征时效性。模型推理方面,支持EasyRec Processor和PAI-EAS推理服务,实现高效且灵活的风险控制特征管理,促进系统迭代优化。
45 6
|
6月前
|
算法 搜索推荐
推荐系统,推荐算法01,是首页频道推荐,一个是文章相似结果推荐,用户物品画像构建就是用户喜欢看什么样的文章,打标签,文章画像就是有那些重要的词,用权重和向量表示,推荐架构和业务流
推荐系统,推荐算法01,是首页频道推荐,一个是文章相似结果推荐,用户物品画像构建就是用户喜欢看什么样的文章,打标签,文章画像就是有那些重要的词,用权重和向量表示,推荐架构和业务流
|
算法 UED 开发者
推荐算法真的是用户最优选择吗
简述推荐算法真的是用户最优选择吗
|
8月前
R语言资产配置策略量化模型:改进的移动平均线策略动态回测
R语言资产配置策略量化模型:改进的移动平均线策略动态回测
|
8月前
R语言动量交易策略分析调整后的数据
R语言动量交易策略分析调整后的数据
|
8月前
|
数据处理
使用马尔可夫链对营销中的渠道归因建模
使用马尔可夫链对营销中的渠道归因建模
|
8月前
|
搜索推荐 算法 前端开发
基于用户特征的个性化网络小说推荐系统的设计与实现
基于用户特征的个性化网络小说推荐系统的设计与实现
260 0
|
机器学习/深度学习 数据采集 自然语言处理
用户意图预测
用户意图预测
176 0
|
机器学习/深度学习 运维
不平衡数据集的建模的技巧和策略
不平衡数据集是指一个类中的示例数量与另一类中的示例数量显著不同的情况。 例如在一个二元分类问题中,一个类只占总样本的一小部分,这被称为不平衡数据集。类不平衡会在构建机器学习模型时导致很多问题。
132 0
|
搜索推荐 算法 UED
推荐算法如何影响我们的生活
在生活中,我们经常面对需要决策的问题时,会使用多种策略来帮我们做出决策。诸如“我应该买哪个品牌手机?”,“我应该看哪部电影?”,“中午吃什么好?”等问题。我们做出选择时一般会依赖于朋友的推荐、在线评论、网上搜索和其他方法。 网上购物的兴起只会让这个决策过程变得更加复杂,因为购物者现在面临着更多的选择。互联网让我们从物质匮乏的时代变成了物质丰富的时代! 推荐引擎是帮助我们进行决策的工具。从推荐产品、要观看的电影、微信上的朋友到朋友、要阅读的新闻文章、搜索引擎优化、餐厅等等。在某种程度上,这些算法正在改变我们的决策过程。
247 0

热门文章

最新文章