名詞

描述

工作空間

簡稱為空間。Quick Audience可以創建多個空間，空間之間數據隔離，通常屬于不同細分品牌或部門。

使用者需要加入空間，成為空間成員，才能在空間中進行與該品牌或部門相關的用戶洞察、用戶營銷等業務操作。

計算源

計算源是存儲分析對象底層數據表的數據庫，并由計算源進行ID Mapping，完成用戶身份識別和全渠道數據整合。

同一個MaxCompute數據庫可以添加到不同的空間作為計算源。

分析源

原始數據在計算源中完成ID Mapping后，將被導入分析源，用于后續的分析圈選和營銷投放。

同一個Hologres、AnalyticDB MySQL 3.0數據庫可以添加到不同的空間作為分析源。

數據源

數據源是計算源、分析源的統稱。

用戶ID

簡稱為ID。ID可以表示一個用戶的身份，要導入的用戶數據表至少需要包含一個ID字段，ID字段要求請參見Quick Audience數據表樣例。ID可用于營銷、推送等。

用戶ID分為四類：

• 用戶標識：本質上能夠代表一個用戶，在用戶注冊三方平臺、企業一方賬號時可能需要填寫，例如：手機號碼、電子郵箱等。

• 設備ID：電子設備自帶的ID，通常通過App埋點收集，例如：IMEI、IDFA、IMSI、OAID、MAC地址等，并非與人本身綁定。

• 企業一方ID：由企業一方的業務系統為用戶生成的ID，例如：企業一方CRM的會員ID。

• 三方平臺ID：用戶在三方平臺里的ID，例如：UnionID、OpenID、淘寶ID、淘寶昵稱、支付寶ID、微博ID等。

用戶ID進入Quick Audience后，將通過ID Mapping生成唯一身份標識QAID，實現跨來源渠道、跨ID類型的用戶身份識別、數據拉通。

QAID

QAID是Quick Audience內部專有的ID類型，是系統為每個用戶賦予的唯一身份標識。

在將數據表從計算源導入Quick Audience，或者Quick Audience收到上報的事件數據時，系統將進行ID Mapping，基于ID進行用戶身份識別（將同一個ID識別為同一個用戶，進行去重），然后為每個用戶賦予一個QAID。

在后續的用戶分析、人群篩選、營銷發送等操作中，QAID將作為用戶的唯一身份標識。在需要使用、推送其他ID類型、標簽等數據時，將根據QAID匹配出該用戶的所有ID字段、數據。

標簽

標簽分為以下幾類：

• 導入的標簽：用戶標簽表記錄用戶的一系列維度特征。導入Quick Audience時，通過為字段配置標簽別名的方式給用戶打標簽，后續使用標簽時，實質上是在使用對應的字段。

• 自定義標簽：基于已導入的各類數據，自行定義標簽規則，從而對滿足規則的用戶打標簽。

  支持自定義以下標簽：

  • 偏好類標簽：基于用戶行為表、訂單明細表數據，將用戶出現次數最多或數值最大的維度特征作為標簽值。例如：用戶偏好的購物時段/價格區間/渠道/主題/品類、用戶購買的最高單品價格。

  • 忠誠度標簽：基于用戶行為表、訂單明細表數據，將用戶最后一次或首次行為的時間等維度特征或距今天數，或者累計行為天數作為標簽值。例如：最近一次購買/訪問時間或距今天數、累計消費/活躍天數。

  • 購買力標簽：基于用戶行為表、訂單明細表數據，將用戶的訂單金額/次數/互動行為的統計值作為標簽值。例如：近一年的累計購買金額/購買件數/訂單數、平均/最高/最低訂單金額。

  • 用戶階段標簽：按照您需要的用戶分層邏輯對用戶進行篩選，類似于人群篩選，篩選出滿足不同條件的用戶，給他們打上不同的分層標簽。例如：篩選出購買總金額≥1000且愛好美食的用戶，打上營銷優先級1的標簽；篩選出購買總金額在100~999且屬于人群A的用戶，打上營銷優先級2的標簽。

• 標簽列表還包含用戶屬性，以及社交互動、零售CRM模塊的用戶標簽。

用戶屬性

用戶屬性規定了用戶的基礎信息體系，實際取值來源于導入的用戶標簽表，當表字段映射了用戶屬性時，用戶屬性值采用該字段的值。后續使用時，僅展示映射的用戶屬性，不再展示原始標簽。

用戶屬性與ID Mapping配合使用，幫助您構建跨來源渠道的用戶基礎信息體系，為用戶畫像提供依據。

用戶畫像

用戶畫像是指根據用戶的屬性、標簽、偏好、行為記錄、購買記錄、營銷記錄等信息抽象出來的標簽化用戶模型。在用戶360頁面，我們將經過ID Mapping進行身份識別后的用戶的相關信息集中展示，并提供便捷的打標簽功能，便于您進行線索分析和售后跟進。

RFM模型

RFM模型是一種通過用戶的R消費間隔（Recency）、F消費頻率（Frequency）、M消費金額（Monetary）三項指標來衡量用戶價值的手段。

Quick Audience的RFM模型是基于訂單明細表、訂單匯總表創建的，可以用于RFM分析、人群篩選等。

AIPL模型

AIPL模型是一種將用戶與品牌相關的行為劃分親密度階段的手段，以此來衡量用戶的價值。其中：A品牌認知（Awareness）、I品牌興趣（Interest）、P品牌購買（Purchase）、L品牌忠誠度（Loyalty）。且在不同的時間段，用戶的相關行為不同，親密度階段可能發生轉化。

Quick Audience的AIPL模型是基于用戶行為表創建的，可以用于AIPL用戶分析、AIPL流轉分析、人群篩選等。

人群

Quick Audience中的人群是多個用戶的QAID集合。

與全量用戶不同，人群可以是為實現特定目的，或為滿足特定條件，從全量用戶中篩選后產生的。人群的創建方式包括：從導入的數據表篩選滿足指定條件的用戶（即人群篩選），上傳用戶ID列表，利用已有人群進行交、并、差計算生成新人群，從用戶分析、短信、郵件、push營銷的結果中以及分析報表中篩選需要的用戶等。

人群可用于洞察分析、營銷發送、推送到數據銀行、達摩盤或Kafka等。

推送

將某些數據發送到其他渠道，用于在其他渠道存儲、使用。

• 人群推送：支持推送到品牌數據銀行、達摩盤、阿里云Kafka或開源Kafka，還支持推送到社交互動、零售CRM、媒體投放模塊，供這些模塊使用。

• AIPL模型推送：支持推送到品牌數據銀行。

自動化營銷

自動化營銷是通過可拖拽的畫布式配置工具，制定差異化營銷策略后，由系統自動執行的智能化產品。

行為事件

簡稱為事件。將用戶在指定渠道的某些操作定義為事件，由渠道按指定格式上報實時事件數據，用于自動化營銷。其中包括一類訂單事件，聚焦于用戶購買商品的相關行為。

支持將事件數據存儲在分析源，一般行為事件保存為用戶行為表，訂單事件保存為訂單明細表，用于人群篩選、生成RFM/AIPL模型、自定義標簽等等。