上篇文章《如何量化全链路品牌消费者资产》讲到了阿里品牌数据银行的AIPL数据模型，对于用户在AIPL的状态之间的转变情况，本篇文章进行分享。
01、什么是流转分析
首先，什么是流转分析？
A、I、P、L其实代表的是截止某个时间节点，用户的状态。针对区间时间，即两个时间节点之间，用户状态发生变化的情况分析，就是链路流转分析。
比如，3月1日处于【认知】状态（A），3月31日转变成了【购买】状态（I）。我们想分析转化的情况或者流转原因，就是流转的分析。
流转分析，可以帮助品牌能快速定位流转人群的特征，更好的挖掘处于品牌不同阶段消费者转化的原因及机会点，高效给到品牌消费者运营的指导和参考。
从分析内容上，流转分析主要包括了两块主要内容：【链路流转分析】以及【流转原因分析】。
02、链路流转分析
链路流转分析，提供在起始日期的消费者，在截止日期发生的流转数据情况。
我们可以看看品牌数据银行，默认展现的是认知/兴趣/购买/忠诚各层人群流转到下一层的数量/流转率/环比流转率。因为正常情况下，到下一层是最多的。
点击“查看更多流转”可以看到认知/兴趣/购买/忠诚各层人群流转到其他阶段的数据。
这里两个指标的含义是：
- 流转率：某一层用户流转到下一层的百分比，比如认知——兴趣流转率，即兴趣用户数/认知用户数。
-
环比流转率：所选周期前一个周期的流转率
这里需要注意的一点是，链路流转分析，分析的是两个时间点的变化，若用户在时间区间内发生了多次变化，从阿里数据银行的链路流转分析中，是体现不出来的。但在京东数坊中，针对过程中的流转，有进行深入分析。
03、流转原因分析
我们知道了用户发生了不同状态之间的流转，那具体是哪些触点或者哪些特征的消费者流转的更多呢？
这就是流转原因的分析。
流转原因分析，提供在起始时间的消费者，在截止日期，不同流转情况客户的具体特征。
在阿里品牌数据银行中，目前提供的包含：消费者属性、历史关系和触点三种不同特征的原因分析。
选择任意两个对比阶段，点击“分析原因”——查看流转率和覆盖人数矩阵。
流转率越高，说明这个特征对于流转的贡献是越大的；覆盖人数则代表这个特征覆盖的用户量。
根据流转率和覆盖率的高低，分成四种不同类型的矩阵，根据流转率情况和覆盖消费者数量情况的高低，分别是覆盖多流转高>覆盖少流转多>覆盖多流转少>覆盖少流转少。
对于覆盖高流转率又高的触点（或者人群特征）需要格外关注。
各个矩阵中提供相对应的标签属性，提供：属性名称、起始人数、覆盖率、流转人数和流转率。
关于用户的流转分析，本次就先分享到这。用户增长系统的其他分享，敬请关注
