Quick Audience V4版本有哪些基本概念_智能用户增长(Quick Audience)-阿里云帮助中心

本文介绍Quick Audience V4版本涉及的基本概念，便于您理解功能。

名词	描述
工作空间	简称为空间。Quick Audience可以创建多个空间，空间之间数据隔离，通常属于不同细分品牌或部门。使用者需要加入空间，成为空间成员，才能在空间中进行与该品牌或部门相关的用户洞察、用户营销等业务操作。
计算源	计算源是存储分析对象底层数据表的数据库，并由计算源进行ID Mapping，完成用户身份识别和全渠道数据整合。同一个MaxCompute数据库可以添加到不同的空间作为计算源。
分析源	原始数据在计算源中完成ID Mapping后，将被导入分析源，用于后续的分析圈选和营销投放。同一个Hologres、AnalyticDB MySQL 3.0数据库可以添加到不同的空间作为分析源。
数据源	数据源是计算源、分析源的统称。
用户ID	简称为ID。ID可以表示一个用户的身份，要导入的用户数据表至少需要包含一个ID字段，ID字段要求请参见Quick Audience数据表样例。ID可用于营销、推送等。用户ID分为四类：用户标识：本质上能够代表一个用户，在用户注册三方平台、企业一方账号时可能需要填写，例如：手机号码、电子邮箱等。设备ID：电子设备自带的ID，通常通过App埋点收集，例如：IMEI、IDFA、IMSI、OAID、MAC地址等，并非与人本身绑定。企业一方ID：由企业一方的业务系统为用户生成的ID，例如：企业一方CRM的会员ID。三方平台ID：用户在三方平台里的ID，例如：UnionID、OpenID、淘宝ID、淘宝昵称、支付宝ID、微博ID等。用户ID进入Quick Audience后，将通过ID Mapping生成唯一身份标识QAID，实现跨来源渠道、跨ID类型的用户身份识别、数据拉通。
QAID	QAID是Quick Audience内部专有的ID类型，是系统为每个用户赋予的唯一身份标识。在将数据表从计算源导入Quick Audience，或者Quick Audience收到上报的事件数据时，系统将进行ID Mapping，基于ID进行用户身份识别（将同一个ID识别为同一个用户，进行去重），然后为每个用户赋予一个QAID。在后续的用户分析、人群筛选、营销发送等操作中，QAID将作为用户的唯一身份标识。在需要使用、推送其他ID类型、标签等数据时，将根据QAID匹配出该用户的所有ID字段、数据。
标签	标签分为以下几类：导入的标签：用户标签表记录用户的一系列维度特征。导入Quick Audience时，通过为字段配置标签别名的方式给用户打标签，后续使用标签时，实质上是在使用对应的字段。自定义标签：基于已导入的各类数据，自行定义标签规则，从而对满足规则的用户打标签。支持自定义以下标签：偏好类标签：基于用户行为表、订单明细表数据，将用户出现次数最多或数值最大的维度特征作为标签值。例如：用户偏好的购物时段/价格区间/渠道/主题/品类、用户购买的最高单品价格。忠诚度标签：基于用户行为表、订单明细表数据，将用户最后一次或首次行为的时间等维度特征或距今天数，或者累计行为天数作为标签值。例如：最近一次购买/访问时间或距今天数、累计消费/活跃天数。购买力标签：基于用户行为表、订单明细表数据，将用户的订单金额/次数/互动行为的统计值作为标签值。例如：近一年的累计购买金额/购买件数/订单数、平均/最高/最低订单金额。用户阶段标签：按照您需要的用户分层逻辑对用户进行筛选，类似于人群筛选，筛选出满足不同条件的用户，给他们打上不同的分层标签。例如：筛选出购买总金额≥1000且爱好美食的用户，打上营销优先级1的标签；筛选出购买总金额在100~999且属于人群A的用户，打上营销优先级2的标签。标签列表还包含用户属性，以及社交互动、零售CRM模块的用户标签。
用户属性	用户属性规定了用户的基础信息体系，实际取值来源于导入的用户标签表，当表字段映射了用户属性时，用户属性值采用该字段的值。后续使用时，仅展示映射的用户属性，不再展示原始标签。用户属性与ID Mapping配合使用，帮助您构建跨来源渠道的用户基础信息体系，为用户画像提供依据。
用户画像	用户画像是指根据用户的属性、标签、偏好、行为记录、购买记录、营销记录等信息抽象出来的标签化用户模型。在用户360页面，我们将经过ID Mapping进行身份识别后的用户的相关信息集中展示，并提供便捷的打标签功能，便于您进行线索追踪和售后跟进。
RFM模型	RFM模型是一种通过用户的R消费间隔（Recency）、F消费频率（Frequency）、M消费金额（Monetary）三项指标来衡量用户价值的手段。 Quick Audience的RFM模型是基于订单明细表、订单汇总表创建的，可以用于RFM分析、人群筛选等。
AIPL模型	AIPL模型是一种将用户与品牌相关的行为划分亲密度阶段的手段，以此来衡量用户的价值。其中：A品牌认知（Awareness）、I品牌兴趣（Interest）、P品牌购买（Purchase）、L品牌忠诚度（Loyalty）。且在不同的时间段，用户的相关行为不同，亲密度阶段可能发生转化。 Quick Audience的AIPL模型是基于用户行为表创建的，可以用于AIPL用户分析、AIPL流转分析、人群筛选等。
人群	Quick Audience中的人群是多个用户的QAID集合。与全量用户不同，人群可以是为实现特定目的，或为满足特定条件，从全量用户中筛选后产生的。人群的创建方式包括：从导入的数据表筛选满足指定条件的用户（即人群筛选），上传用户ID列表，利用已有人群进行交、并、差计算生成新人群，从用户分析、短信、邮件、push营销的结果中以及分析报表中筛选需要的用户等。人群可用于洞察分析、营销发送、推送到数据银行、达摩盘或Kafka等。
推送	将某些数据发送到其他渠道，用于在其他渠道存储、使用。人群推送：支持推送到品牌数据银行、达摩盘、阿里云Kafka或开源Kafka，还支持推送到社交互动、零售CRM、媒体投放模块，供这些模块使用。 AIPL模型推送：支持推送到品牌数据银行。
自动化营销	自动化营销是通过可拖拽的画布式配置工具，制定差异化营销策略后，由系统自动执行的智能化产品。
行为事件	简称为事件。将用户在指定渠道的某些操作定义为事件，由渠道按指定格式上报实时事件数据，用于自动化营销。其中包括一类订单事件，聚焦于用户购买商品的相关行为。支持将事件数据存储在分析源，一般行为事件保存为用户行为表，订单事件保存为订单明细表，用于人群筛选、生成RFM/AIPL模型、自定义标签等等。