正文：
完善的資料分析體系，是企業數位化轉型必備的基礎，企業在發展過程中，無論規模、性質如何，都離不開對使用者（顧客/客戶）的洞察，在新零售行業更是如此。全域資料中臺能夠提供：使用者洞察資料模型、使用者洞察分析、使用者畫像體系，幫助企業更加深入的了解使用者，企業可以通過深度分析給使用者提供更好的服務，建立客戶關係管理，完善使用者運營。
二、使用者洞察
以往在企業中，通常是通過註冊、消費來分析使用者的狀態，隨著採集技術的發展以及大資料技術的支援，我們可以實現分析處理更多維度的資料，從而豐富企業自有資料庫。通過oneid的建設，企業內資料可以實現串聯，從而實現對使用者行為較為完整的資料分析。
產品方面，通過資料中臺產品dataphin開發使用者洞察相關的底層模型，再在quick bi上做相關的資料分析，結合quick audience進行人群洞察圈選。
三、分析介紹
使用者洞察分析，是企業全域資料中臺企業自有資料應用分析的一部分，也是關鍵的部分。在使用者洞察解決方案中，分析體系主要從三種分析框架入手，從不同的角度，幫助企業了解其使用者資產。企業通過使用者資產（使用者生命週期角度）、使用者旅程分析aipl、使用者價值rfm分析三種分析思路幫助企業從不同角度了解其使用者資產，以適應不同場景下的分析需求。
企業可以選擇某種分析方法或者多種方法組合，實現以下內容的分析與洞察：
3.1 企業使用者資產分析
「使用者」是企業另一種形態的資產，我們從兩方面了解使用者的基本概況，首先是使用者生命週期的劃分，或者說是使用者狀態的劃分，更加精細的使用者劃分可以將人群的特點分析更加全面，再有就是使用者消費洞察，可以幫助企業了解使用者處於不同狀態下時對銷售業績的貢獻，幫助企業進一步了解使用者特點。
3.1.1 使用者生命週期狀態分析-full分析
我們從使用者的互動時間長度結合互動深度做消費者的劃分，從互動時長上劃分準（潛）、新、老三種基本型別，從互動深度上劃分出活躍、非活躍2種型別，相互交叉後，給出全新的使用者生命週期狀態定義。通過使用者生命週期的劃分，更加精細運營維護消費者資產。當一名使用者與企業或者品牌等發生互動行為起，即可被認作為企業或品牌的潛在會員群體，成為拉新的目標群體。該使用者消費以後，成為企業或品牌的活躍使用者，直至使用者流失。
企業或品牌可以結合報表分析指標和相應使用者生命週期的標籤畫像，作出當下最為合適的運營決策。比如對新非活躍會員給予新人優惠券的傳送，啟用其成為活躍會員。
3.1.2 使用者銷售洞察
企業可以結合使用者生命週期狀態，對不同狀態使用者的消費進行探查，通過銷售的基礎指標如金額、件數、頻次，了解當前使用者消費概況。結合趨勢、同環比等對當前的業務業績進行進一步的洞察。從而制定更加合理的營銷活動，圈選更加合適的營銷人群。
銷售洞察會分為多個分析：整體使用者洞察、非會員銷售洞察、（活躍）會員銷售洞察、新活躍銷售洞察、現期活躍銷售洞察、持續活躍銷售洞察、回歸活躍銷售洞察。由生命週期狀態人群洞察，到使用者銷售洞察，企業可以將人群及其貢獻更好的結合起來分析。對經營問題的診斷提供極大幫助。
3.2 aipl分析
aipl，把使用者劃分為認知、興趣、購買、忠誠四個階段，也被稱作消費者旅程分析。用於幫助品牌將消費者根據不同的行為階段進行分層管理，再依據不同的產品特性進行教育轉化，是品牌管理中經典的消費者行為理論。此模型更關心的是消費者與企業的互動深入程度，可以從消費者跟品牌的忠實程度劃分消費者資產，從這個角度對不同階段的客戶做不同的營銷活動。
a：awareness 認知
i：interests 興趣
p：purchase購買
l：loyalty 忠誠
使用者的購物行為描述為從認知到興趣，再從興趣轉化為購買，從購買轉化為忠誠的一連串先後發生的過程，這一過程被稱為消費者旅程。消費者可能會跳躍，比如從認知直接進入到購買，類似衝動型消費，或者從興趣直接到忠誠。aipl模型，可以幫助企業了解潛在使用者有多少，忠誠客戶有多少，以及各個環節的轉化率。企業可以圈選出不同階段的人群做相關的營銷活動。
3.3 rfm分析
3.3.1 使用者價值分析
使用者價值的劃分，是根據使用者的購買行為對使用者進行分類，通過購買行為中的購買時間、購買頻次、購買金額三項指標來評估使用者的價值，根據不同維度的劃分將使用者劃分為不同型別。圈選出人群，做特定的營銷活動推送，比如給予重要價值使用者vip權益，提公升使用者忠誠度；給予重要發展使用者一些滿送活動，提公升客戶的購買興趣，增加使用者複購可能性等。
r:使用者最近一次購買時間
f: 在企業定義週期內的的購買頻次
m:在企業定義週期內的購買金額
若把rfm各分2檔，最終可以得到8種客戶型別，分檔後可以演化為rfm標籤，可以針對不同企業制定不同的時間週期，也可針對需要設定或用其他分類名稱。企業可以根據實際需要將rfm劃分成更多的型別，比如只將r劃分為3檔，可以得到12種型別，如果都劃分為3檔，則是27種型別，但並非型別越多越好，企業還是按照實際運營來合理劃分。
以rfm各分2檔為例：
某週期內重要價值使用者
某週期內重要潛力使用者
某週期內重要深耕使用者
某週期內新客戶使用者
某週期內重要喚回使用者
某週期內一般維持使用者
某週期內重要挽留使用者
某週期內流失使用者
3.3.2 使用者複購分析
提供消費者複購分析，可以對一段時期內消費者頻次進行分組或者篩選具體範圍、數值對消費者的價值進行更深層次的挖掘。通過購買頻次的劃分，對於不同人群給予不同的營銷策略，提公升活躍度、忠誠度。
泛零售資料中臺如何真正落地？
有了數倉 資料平台，企業為什麼還需建設資料中臺？資料中臺建設如何在 人貨場 進行數智化應用？泛零售資料中臺最終如何落地？奇點雲資深資料產品專家追風在服務泛零售企業過程中，發現大多數泛零售企業存在類似以上列舉的共性困惑點。基於此，追風老師在9月2日帶來了 從0到1建設泛零售資料中臺 的直播分享。追風，...
高燈科技推出智慧型零售財稅中臺 助力零售企業快速轉型
作為萬達商業的重要合作夥伴，9 月 19 日高燈科技在萬達商業年會上宣布推出智慧型零售財稅中臺系統，通過打通企業與合夥人之間的資金 物流 票據資料，幫助連鎖零售企業快速轉型 降低成本，啟用釋放員工潛在活力。2019 萬達商業年會高燈科技展位 傳統的零售企業一直面臨著人事 程式設計客棧票稅 進銷 收付...
零售魔方 大資料質變零售企業價值
在這個資訊化迅速的當下，大資料已經悄然改變我們的生活。可能你不能直接觸碰的到資料的領域，但是一舉一動，卻在大資料分析下能夠清晰地描繪出你的 模樣 最初，大資料影響還是在電商平台，他們開始利用自己的 平台，對於消費者的購買習慣 瀏覽習慣和潛在消費能力都依靠資料去掌握。如今，大資料分析更是讓企業能夠洞悉...