品牌数据银行帮助中心
背景说明
随着消费者运营的不断深入，人货结合的分析场景也越来越多，品牌商家希望能够在现有银行的基于人维度的分析洞察基础上增加货品维度，分析不同商品对于当前品牌AIPL的贡献分布，找到消费者增长的机会点，以及如何通过商品去落地消费者增长运营。通过前期商家和服务商的走访调研，总结商品维度分析的场景主要集中在以下两个：
1.拉新：即潜客挖掘（货找人），对不同货品（或分组）感兴趣和购买的人都是哪些人，这些人有什么特征，如何从这些人辐射到公域人群中，通过该货品去定向拉更多的品牌新客潜客，不断扩张品牌消费者人群体量，实现品牌消费者资产的持续增长；如新品拉新客等。
2.人货匹配：即人找货，针对品牌目前已经积累下来的AIPL消费者人群，如何用相关货品去承接这些消费者，以促进AIPL的关系不断递进，实现高价值消费者的挖掘和留存。
功能介绍
本期功能针对货找人场景，在全链路分布中实现了将品牌AIPL细分到商品维度，商品包含了淘系SPU、商品（item）等两种粒度，用户可以分析品牌AIPL消费者在商品维度上分布结构与增长趋势，寻找消费者增长的机会点。本次数据银行品牌AIPL商品维度分析，将在数据银行电商部、市场部角色上线。
商品的数据范围：① 本期项目的商品不包含“天猫超市”的商品；②商品（item）数据不包含非授权店铺的商品，如有需要请先申请店铺授权。
电商部
（1）路径
全链路分布（选择类目为“全部”）——“消费者品牌互动触点分布”下方“消费者品牌互动商品分布”
（2）定义详解
商品类型分为淘系SPU、商品（item）两种，默认选中淘系SPU。
1、SPU：Standard Product Unit，即标准产品单元，举例说明：Apple Iphone 6s 就是一个SPU。
a）SPU的分布占比 = 与SPU下商品有过互动的 “兴趣”消费者人数 / 品牌总体 “兴趣” 消费者人数（加和不是100%）
例如，当前 “兴趣”人群的总数是100万，其中，最近15天内和某SPU下的商品有过互动行为的有50万（加和去重），则该SPU的“兴趣” 消费者分布占比为 50/100=50%，按照消费者占比取前50个SPU
b）占比增长：在当前日期的分布占比-15天前的分布占比，如当前时间日期选择的是12月25日，SPU-A的分布占比为50%，而12月10号的分布占比45%，则占比增长为50%-45%=5pt
2、商品（item）
a）各层级在所选日期前15天内的互动品牌商品分布，可以帮助您分析消费者在不同商品下的互动分布。
b）商品的分布占比 = 与item商品有过互动的 “兴趣” 消费者人数 / 品牌总体 “兴趣” 消费者人数（加和不是100%）
例如，当前 “兴趣”人群的总数是100万，其中，最近15天内和某item有过互动行为的有50万，则该商品的 “兴趣” 消费者分布占比为50/100=50%，按照消费者占比取前50个商品
c）占比增长：item在当前日期的分布占比-15天前的分布占比，如当前时间段选择的是12月25日，商品itemA的分布占比为50%，而12月11号的分布占比45%，则占比同比为50%-45%=5pt
（3）备注说明
每页最多展示10个SPU/商品，按当前 人数占比降序排序，超过10个后翻页，共5页，取前50个SPU/商品；由于每个SPU下有若干个商品，当点击一个SPU的名称时，会跳转到商品分布页面，显示该SPU下的商品分布。
市场部
（1）路径：消费者分析”（选择类目为“全部”）——“消费者品牌互动触点分布”下方增加“消费者品牌互动商品分布”
（2）区别于电商部：电商部描述的时间窗为单一某天品牌AIPL在商品维度下的情况，而市场部角色更站在品牌市场部角色的视角下，以最近30天累计的品牌AIPL在商品维度下的情况为维度。
消费者AIPL商品互动行为明细
为了方便大家更清晰的区分AIPL行为在货品上的归属，特梳理了商品互动行为明细，详见：