“ 用户增长的基础在洞察，洞察的基础在数据模型。”

在上一篇《用户增长与运营系统》中，有提过AARRR、AIPL等用户增长模型。今天分享一下阿里品牌数据银行中，关于用户增长的核心模型：AIPL。

一、AIPL的业务背景

2017年，阿里推出了品牌数据银行，通过数据化的方式运营品牌消费者资产。以下是阿里品牌数据银行的主页截图，其核心就是AIPL模型。

对于一个品牌而言，比如“戴森”品牌，在以往的营销中，基本都是围绕着已有客户进行的，因为通常只能获得已有客户的数据。这里的“已有客户”往往是成交的客户，可以拿到一些成交客户的手机等信息。

问题是，对于成交客户而言，营销活动能做的无非是复购、购买同品牌其他产品，或者推荐给新客户。如果想做新市场的开拓，通常是通过各类广告等方式的推广，但这个过程，很难直接进行量化。一方面，广告的投放到最终成交是个间接的过程，另一方面用户真的是否看到了广告，也是难以直接判定的。

但在目前的电商环境下，全量用户行为线上数字化，使得量化人群的流转过程，成为了可能。

因此，阿里提出的AIPL模型以及品牌数据银行，对品牌人群实现量化的管理与营销

二、AIPL的含义

AIPL模型及品牌数据银行，其实是一个典型发挥数据应用的数据产品。

首先，AIPL代表了用户对于一个品牌从初识到忠诚的全过程。

• A（Awereness）:品牌认知人群。表示用户对品牌刚刚建立认知，了解到有这个品牌、是干啥用的，是消费者相对被动与品牌建立的接触
• I（Interest）：品牌兴趣人群。表示用户对这个品牌在有一定兴趣，存在着一定的购买的想法，是消费者主动与品牌建立的接触
• P（purchase）：品牌购买人群。表示用户已经购买过该品牌，使用过了该品牌的产品或服务
• L（Loyalty）：品牌忠诚人群。表示用户对该品牌非常认同，愿意多次购买，或者愿意将该品牌推荐给自己的亲朋好友

在传统的线下环境中，要准确衡量一个品牌的购买、忠诚用户不难，只要用成交数据做统计即可，但衡量认知及兴趣是很难的。我作为一个用户，可能是偶尔看到了一个品牌，品牌商怎么会知道我有认知呢？

但在纯线上的电商环境下，衡量用户品牌全链路的AIPL，成为了可能。

三、AIPL的计算逻辑

AIPL模型，本质上是将各类的电商行为数据进行了一系列清洗，建立了一个综合模型。包括品牌商品的曝光、点击、浏览，用户的搜索、成交、加购、分享等等行为。是一个综合的计算模型。

这里要引入一个重要概念：触点。

触点，就是品牌和消费者建立联系的一个环节、或者实物。比如消费者通过电视广告认知到了汰渍品牌，那么电视广告就是一个触点；比如消费者通过京东购买了汰渍，那么京东就是一个触点。

当然，触点是可以细分的。比如是通过京东的自营购买的还是POP，那自营店和POP店就是京东平台触点下细分的二级触点。具体的触点划分方式，可以按照业务需求来。关于触点，后面详细介绍。

以下是阿里AIPL的计算逻辑：

从这个详细的逻辑可以了解到，涉及的数据计算、数据量是非常大的。因此对于阿里这种体量的大厂，对品牌数据银行的准入门槛也是比较高的，不然跑不动数据呀！

在这个计算模型的基础上，计算每个品牌有多少认知用户、多少兴趣用户、多少购买忠诚用户，成为了可能。所有的四类用户合起来，就是该品牌的消费者资产，都是可以用来进行营销的。

同时，也可以对消费者资产进行数据监控，衡量各个活动的效果，和传统的相比，有了量化的衡量尺度，就是质的提升，对营销来讲相当于有了很好的标准。品牌数据银行这个数据产品，就基于该模型，进行了各个维度的洞察分析。

今天主要分享这些，关于如何用该模型进行营销活动、以及品牌数据银行的产品设计，后续进行分享。