如果你的品牌里有部分商品是爆款，你想对爆款商品进行AIPL精细化人群运营。如果你在思考如何用相关货品去承接品牌目前已经积累下来的AIPL消费者人群，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。那么数据银行近期推出的品牌AIPL商品维度分析功能可以帮助你。
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，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的需求越来越迫切。于是数据银行有了商品维度分析功能的出现。
Part1 功能展示
以数据银行电商部为例
1.路径：在全链路分布页面底部有消费者品牌互动商品分布
SPU:
商品:
定义：商品类型分为淘系SPU、商品（item）两种，默认选中淘系SPU。
i.SPU：即标准产品单元
如：Apple Iphone6s 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
ii. 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
2.重要功能：
挖潜客
点击潜客挖掘，可针对单品/商品集进行潜客圈人，支持自定义调整人群量级。算法模型目前支持2类，找到易转化为商品购买的潜客，找到易转化为商品购买且是品牌新客的潜客。
强追踪
支持商品透视，追踪商品或商品集贡献的AIPL变化情况。如追踪的是商品集，可看到每个单品贡献的AIPL及渠道归属，帮助品牌进行渠道优化和快速圈人。
备注：以上两项功能暂未开通，由行业横向同学统一提交锁龙白名单开通。
Part 2
案例介绍
项目背景：品牌作为奶粉品类的品牌，产品存在不同系列，其中爆款系列产品销售占全店的50%左右，通过数据银行发现大量单品兴趣人群，品牌想通过对单品系列的人群进行精细化运营，提升人群运营效率
结论：本次投放人群为店铺爆款系列生成潜客人群，人群量级80万，其中新客占比73%，老客占比27%；整体效果新客与类目兴趣人群持平，高于认知及其他新客人群，招新效果较好；老客转化率与店铺持平，建议后期潜客人群可选择剔除老客人群用于新客人群引入。
如对商品维度分析功能感兴趣的小伙伴可了解一下此功能，做好爆款商品的深度人群运营与挖掘收割。