四、拓展实训

实训1 AIPL模型与FAST模型应用

1. 实训背景

FAST模型即消费者运营健康度指标体系，其能在大数据、云计算、物联网、人工智能等数字化时代中，以及新零售线上线下进一步融合的背景下，为数字化导向的消费者管理体系赋能，旨在在传统流量运营之上进一步挖掘消费者价值，解决过去GMV指标无法考虑消费者转化时间和消费者质量等维度的问题。

F（Fertility），指全网消费人群总量，即AIPL总量。

A（Advancing），指AIPL人群转化率，即消费者从认知，到产生兴趣，再到购买，并成为忠诚用户各个阶段的转化率。品牌方依据AIPL人群转化率，可以实现品牌内沉淀人群细分，对消费者进行分层运营、差异化营销，促进整体消费者的流转与转化。

S（Superiority），高价值人群总量，即会员总量。会员/粉丝人群对于品牌而言价值巨大，能够为品牌大促提供惊人的爆发力。品牌方可通过线上线下联动、联合品牌营销，以及借助平台的新零售等场景扩大品牌的会员/粉丝量级，为后续的会员/粉丝运营打下基础。

T（Thriving），高价值人群活跃率，即会员活跃率。品牌方需要借势大促，提高会员/粉丝的活跃度，激发会员/粉丝的潜在价值，为品牌完成GMV目标提供助力。

FAST模型能够更加准确地衡量品牌营销运营效率，同时也将品牌运营的视角从一时的输赢（GMV）转向对品牌价值健康、持久的维护。

2. 实训内容

某品牌在7月拟采用AIPL模型和FAST模型对本年“双十一”GMV目标进行拆解。拆解思路是先把总的GMV目标拆解成新客销售目标和老客销售目标，然后将新客销售目标拆解为A的销售额和I的销售额，再根据以往对等量级的大促活动中A人群和I人群的销售转化率和客单价，推算出这次的A人群体量需求和I人群体量需求；同理也可以反推出P、L人群的体量需求，再与当前该品牌已有的AIPL人群进行对比，找到缺口并提出对策。

已知该品牌本年GMV目标为6000万元，上年“双十一”实际GMV为3800万元。其中，新客销售额占比62%，老客销售额占比38%。新客销售额中A人群占比60%，销售转化率均值为2.2%，客单价为120元；新客销售额中I人群占比40%，销售转化率均值为3.8%，客单价为180元。老客销售额中P人群占比80%，销售转化率均值为9.5%，客单价为230元；老客销售额中L人群占比20%，销售转化率均值为18%，客单价为280元。该品牌本年7月A人群总量为400万人，预计月均增加8%；I人群总量为150万人，预计月均增加6%；P人群总量为80万人，预计月均增加6%；L人群总量为9万人，预计月均增加5%。

3. 实训要求

本实训要求学生单独完成并提交《GMV目标拆解报告》，形式为Excel表格，字数不限，要求准确应用AIPL模型和FAST模型，计算过程清晰，数据准确，逻辑严密。

实训2 大数据相关工作岗位招聘信息分析

1. 实训背景

目前大数据行业人才缺口较大，而且大数据覆盖各行各业，应用领域十分广泛。近年来，人工智能、物联网也发展迅速，而大数据是这些新兴技术的基础。未来大数据还将成为全行业的基石。

大数据行业的薪资普遍较高。IT行业本就是薪资较高的行业，而大数据作为IT行业的新宠，高薪也是很常见的。目前，大数据行业的平均月薪为15000～20000元，非常优秀的大数据人才的月薪可达30000元。

大数据专业的就业方向实际上可以划分为3个大类：大数据开发、系统研发、大数据分析。而对应的基础岗位为大数据开发工程师、大数据系统研发工程师、大数据分析师。

2. 实训内容

学生自主选择一家招聘网站，获取30个大数据相关工作岗位的招聘信息，统计分析招聘公司的主营业务、员工规模，以及招聘岗位、招聘人数、学历要求、经验要求、岗位内容、技能要求等。2～3名学生一组，完成后提交《大数据相关工作岗位招聘信息分析报告》。

3. 实训要求

2～3名学生一组，合作完成并提交《大数据相关工作岗位招聘信息分析报告》，字数不限，要求合法获取大数据相关工作岗位的招聘信息，数据精确，用图文展示，分析到位，逻辑严密。