从AIPL到GROW,谈互联网大厂的营销分析模型

简介: 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)。


image.png


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


image.png



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!


image.png


相关文章
|
6月前
|
搜索推荐 算法 数据挖掘
十个最全网站营销方法案例分析
本文探讨了10种网站营销策略:SEO优化提升搜索引擎排名;内容营销建立品牌信任;社交媒体营销扩大影响力;搜索引擎广告吸引目标用户;电子邮件营销促进销售;网站设计优化提升用户体验;移动端优化适应移动设备;数据分析驱动策略优化;视频营销吸引关注;合作伙伴营销扩展品牌覆盖。AokSend提供高效验证码发信服务,助力企业营销。选择合适策略,持续优化,以实现最佳营销效果。
|
6月前
|
机器学习/深度学习 算法 数据挖掘
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-2
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6月前
|
机器学习/深度学习 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-4
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
5月前
自适应IT互联网营销企业网站pbootcms模板
一款蓝色自适应IT互联网营销企业网站pbootcms模板,该模板采用响应式设计,可自适应手机端,适合一切网络技术公司、互联网IT行业,源码下载,为您提供了便捷哦。
54 2
|
6月前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
|
6月前
EDM营销平台有哪些?Top5平台分析
探索五大热门EDM营销平台:蜂邮EDM以其丰富功能备受喜爱;Constant Contact以用户友好体验著称;Sendinblue结合短信营销与广告管理,适合中小企业;GetResponse提供营销自动化解决方案,适合各类企业;AokSend以其历史底蕴和分析工具吸引用户。各平台特色各异,企业可根据需求选择。
|
6月前
|
算法 数据可视化 数据挖掘
聚类建模对智能助眠灯市场营销分析
聚类建模对智能助眠灯市场营销分析
|
6月前
|
搜索推荐
8个邮件营销平台分析及对比
本文对比了8个热门邮件营销平台:Aoksend适合初创企业,Constant Contact用户友好,Sendinblue提供多元营销服务,GetResponse功能全面,蜂邮EDM适合大规模活动,MailerLite价格实惠,Campaign Monitor专业定制,ActiveCampaign侧重营销自动化。选择时应考虑自身需求和预算。
|
6月前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-3
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6月前
|
机器学习/深度学习 数据可视化 数据挖掘
【视频】结构方程模型SEM分析心理学营销数据路径图可视化|数据分享
【视频】结构方程模型SEM分析心理学营销数据路径图可视化|数据分享