随着互联网人口红利的消失，存量时代来临，企业增长必须靠消费者的精细化运营来实现。对于多品牌大企业而言，强大的消费者人群资产于企业而言，是机会优势，同时也是挑战。对于在2017年已经拥有雅士利、Arla、瑞哺恩、多美滋和朵拉小羊五大品牌的雅士利集团而言更是如此。
雅士利从最初的婴幼儿奶粉发展做起，同时也覆盖了成人奶粉等多个品牌、多个业务；2010年11月1日于香港交易所主板上市。
当集团变得越来越大，简单的业务沟通变得复杂。
- 集团业务口径不统一，沟通困难
不同品牌线有自己的系统，不同系统之间有自己的口径，搜集数据通道也存在差异。任何一个跨部门的沟通，都需要花费大量时间搜集数据，有时还会花大功夫去核对口径。
- 难以实现企业数据统一的汇总、管理、使用
由于数据分散，口径有差异，如果无法实现统一的汇总管理和使用，数据孤岛问题必然成为业务高速发展的拦路虎。
经多方调研了解后，雅士利最终决定利用阿里巴巴的品牌全域数据中台解决方案，来解决自己多品牌、全域分析的需求。
以下的案例为雅士利利用AIPL模型，并结合Quick BI实现品牌人群资产定量化分析的思路和示例。
AIPL模型结合雅士利业务
从用户对产品的认知-->兴趣-->购买-->忠诚的阶段，定义出关键的用户获取力、转化力、价值力这三个方面，从这三个方面出发，结合雅士利的业务实况，以及业务实际查看习惯，构建自上而下的分析看板。
品牌人群资产链路化可以直接指导相应的运营动作，以积累越来越多的人群资产为指导目标，对于所处链路中不同位置的人群，采用对应的沟通内容和渠道，尽快推动“A人群“—>“I人群“—>“P人群“—>“L人群”各链路人群高效流转，积累越来越多的“L人群”。
问题分析举例：假设此链路存在问题，就要分析是否是“A人群”太少？还是“I人群”到“P人群”转化率过低？
1.“A人群”太少：是否是品牌缺少曝光？现在的广告位是否存在问题？是触达用户的问题还是传播内容材料的问题？
2.“I人群”到“P人群”转化率过低：是否缺少销售转化机制，还是当前机制存在问题？是货品推送问题还是渠道流量存在问题（劣质流量）？
根据以上问题的分析延展，结合数据反馈的结果再做相应的业务运营优化动作或调整动作，真正实现以消费者为中心的精细化运营，从而提升营收目标。
实际案例效果与说明
1.示例一：消费者分层整体概览
页面名称：品牌门户_消费者总览
分析目标：让高层级用户可以从整体的角度把控不同品牌的当前分层用户的现状，以及判断趋势是否正常。
分析思路：首先看到整体上不同品牌在对应时点的上的用户情况，再看在近期这些用户的整体变化趋势，以及对比前日与前周的变化情况，确定是否存在异常情况。
如何结合Quick BI满足分析需求：
（1） 查询控件的范围有限定，从而实现看某一天数据与某段时间数据的需求。
（2） 使用tab容器功能，实现不同主题组件在同一容器中可快速切换，方便了用户的日常查看。
2.示例二：品牌力直接带来会员粉丝转化能力分析
页面名称：品牌转化力_会员粉丝
分析目标：让业务运营人员直接看到粉丝与会员累计量以及近期新增量，同时判断整体粉丝的质量水平。
分析思路：首先可以看到当前会员与粉丝总量以及最近30天新增会员与分析；再看到从不同渠道转化来的粉丝数以及处在不同阶段的粉丝数，以及不同时间来的粉丝质量如何（粉丝主动传播行为）。
3.示例三：新会员转化分析
页面名称：新客会员转化分析
分析目标：了解雅士利对于新客群的复购转化能力和转化原因，促进新客的精准转化
分析思路：划分渠道、年龄层、用户所处段位，来分析用户的二次、三次复购量，以及三次复购比率以及环比增长率。从而发现在一定时间段内，某渠道、某年龄段、某段位用户的复购率情况是较高还是偏低，对比上期是什么状况。
4.更多结合QuickBI满足业务需求示例
丰富图表样式更加清晰一目了然
除了常用条形图组合图发现组合趋势变化，极坐标图也会帮助用户快速归因复购影响
力最大的因素，从而发现相应举措的影响程度，针对影响力小的举措分析举措是否到位，是否需要调整；针对影响力大的可以考虑加大频率或复用推广到其他品牌。
联动钻取让分析更加流畅
在做品牌获取力分析，追踪商品收藏加购时，通过品牌大系列，钻取到的各系列商品状况，再联动到排行榜上，直接追踪到收藏/加购用户最多/最少的商品，从而发现用户加购收藏最多的商品，发现获取力做强/较差的商品。
数据建模
QuickBI数据建模只需两步，轻松搞定数据从无到有（获取数据），从有到优（创建数据集）；易学习易操作，可视化方式让没有变成能力的数据人也可轻松搞定。
1.数据源对接
（1）云数据库：支持各种云数据库-RDS、ADB、Hive、Presto...
（2）自建数据源：常用主流数据源均支持-MySQL、SQL server、Oracle、vertica...
（3）本地文件：Excel、CSV均支持，同时也可对追加上传。
2.数据集
即席分析SQL
SQL相比数据表来创建数据集，具有更高的灵活度，可实现：
（1）可从多个数据表上获取指定数据（字段），按条件汇总到1张数据集上，不需要开发将所有数据都存放在1张表上。
（2）数据规范化和数据归一化处理。
（3）提高复杂函数的运算效率。
数据集关联
除了使用即席分析SQL外，还可以通过数据集关联来完成多个来源数据整合；
例如：店铺销售额和品牌销售额分别在不同的表中，通过品牌名称和时间进行关联，即可在店铺表数据中获得品牌数据。（关联小技巧：选择颗粒度更小的表作为基础表，在这个数据集上进行左关联）
衍生指标
数据集本身可通过字段拖拽，函数计算等完成衍生指标的添加：
（1）度量之间的简单四则运算和函数运算，包括case when / if的判断，sum、average的聚合等；
（2）维度的字段提取以及文本操作；
（3）时间的特殊处理：例如时间的年月提取，度量在计算公式时可能用到的不同时间的数据获取。也可以对周字段自定义开始时间。
方案价值
结合雅士利业务自身特性，综合利用生意参谋的生意数据和数据银行的消费者指标数据，品牌实现了导购、门店、积分、营销活动等多个业务场景的数据化方案，并实现在QuickBI中展示集团、以及各个子品牌的QBI数据门户，提供数据的全局分析视角。以数据助力雅士利零售业务实现飞速增长。
2019年双11，雅士利通过品牌全域数据中台实现了短期快速提效的扎实效果，营销提效实现了去年同期增长92%。而旗下的新生羊奶粉品牌——朵拉小羊，更是利用品牌全域数据中台，实现了从0到1的成长突破。朵拉小羊是雅士利旗下的子品牌，聚焦在窄众细分的羊奶粉市场。2019年6月份才进军天猫，起初体量不尽如人意。应用品牌全域数据中台能力后，该品牌在双11期间，实现了消费者总量增幅达74倍，目标GMV完成率118%，主推单品销售提升1000%+。
