「蔚云科技」通过数字商业洞察、数字商业技术、数字商业运营三大核心引擎，为客户提供商业增长解决方案魏云科技通过三个核心引擎为客户提供业务增长解决方案:数字业务洞察、数字业务技术和数字业务运营。

数据银行的使用&分析？

越来越多的品牌开设了数据库。

数据银行的目的是整合商家平台的所有数据源，为品牌消费者的精细化分层运营提供数据支持。

数据银行可以分析品牌消费者的AIPL链接和关系转化，了解人群画像，进行精细化人群沟通，运营多渠道人群资产。

从分析的角度来看，基于以上功能特征，可以分析品牌群体的趋势、来源和转化；不同产品群的人群画像特征；多渠道触达人群的转化效率；人的等级转换等等。

虽然数据库提供了一些简单的报告，但更多的分析需要我们的数据分析师通过数据库的定制人群功能来完成。

数据库提供了自定义人群中的人群圈选择功能，不仅可以用来圈一些我们需要的人群包，还可以通过这个功能完成大量的数据计算。下面重点讲一下如何利用数据银行的自定义功能做一些人群数据计算和圈子选择。

数据银行的其他功能和应用场景会在后续文章中与大家分享。

也可以关注【魏云科技Vayone】微信官方账号，第一时间阅读最新内容。

数据银行的人群圈选逻辑

数据库使用集合运算:交集、并集和差集来计算和圈定人群。

【交集】:就是取同时有两套的部分。

比如我想把618买了，双11又买的人圈出来。也就是将【618个买家】交给【双11买家】，数据库可以计算出这些人的数量。

[合并]:存在于任何集合中。

比如我想在618或者双11前后圈，两个事件都有人买。那就是【618买家】和【双11买家】

【差异】:是指存在于第一套中，而不存在于第二套中的部分。

比如我想圈618买的人，但是双11没有买家。就是【618买家】比【双11买家】差

（图片为作者Wayne方便读者理解而绘画）(图为作者韦恩绘制，方便读者理解)

注:数据库的交、差运算是自上而下进行的。而人群范围是在品牌的人群资产里，也就是所有品牌接触过的，可以回流到数据银行的历史人群。

有熟悉数据银行的朋友说，“数据银行有2000人的限制。如果数字低于2，000，则不能显示任何数据”。诚然，数据库有这个限制，但我们仍然可以通过交差的集合运算，计算出2000人以下的人数。

低于2000的人群数据如何做数据分析？

对了，只要用交集和差集的计算，不仅是数据库，达摩盘，策略中心，甚至其他电商平台的数据工具都可以用下面的方法。

重点是要学会举一反三[自豪]

上面很简单，对吧？下面的内容就开始变得稍微复杂了。

如果一个数据圈小于2000，那么我想知道，我该怎么办？

举例:某品牌想统计某一天UD广告曝光回报人群的转化，但是这个数字不到2000，所以无法圈出具体数字。

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

这个时候我们就可以用一种很差的方法来计算人数了。

我们的问题:【UD广告回头客】交给【某天店铺购买人群】< 2000

首先，我们计算一下我们第一次收集的人数【UD广告回归人群】，人数是982243人。

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

然后计算【UD广告返回人群】和【某日店铺购买人群】的差异。

根据set的计算，支付【单日店铺购买人群】的【UD广告返回人群】人数等于【UD广告返回人群】人数减去【UD广告返回人群】与【单日店铺购买人群】之差。

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

计算出【UD广告返回人群】、【某日店铺购买人群】差的人数为982217人。

所以【UD广告回归人群】上交的人数【某日购买店铺人数】为982243-982217 = 26。

总结：

①【人群A】付费【人群B】人数< 2000。

可以先圈出[A人群]的人数，再圈出[A人群]中比[B人群]差的人数

②【人群A】中支付【人群B】的人数=【人群A】-【人群B】中贫困的【人群A】人数

（图片为作者Wayne方便读者理解而绘画）(图为作者韦恩绘制，方便读者理解)

又有一个问题：如果这里【人群A】差【人群B】）的人数小于2000怎么办？

那么我们可以用并集来代替。

①先算一下【人群A】的人数。

②计算【人群B】的人数

③然后计算人数([人群A]和[人群B])

④[人群A]到[人群B]的人数=人群A的人数+人群B的人数-([人群A]和人群B])

（图片为作者Wayne方便读者理解而绘画）(图为作者韦恩绘制，方便读者理解)

还是上面的例子。

计算【某一天在商店购买的人数】为2481人。

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

计算【UD广告回访人群】和【某日店铺购买人群】的数量为984698。

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

计算得出

【UD广告回访人群】付费人数【某日店铺购买人数】为:

(982,243+2481)-984,698=26

与上面的计算是一致的。

还有一个问题：假如【某日店铺购买人数】本身就少于2000，又有办法解决吗？

是的，有。

如果【A群】人数少于2000人，可以用任意一个2000人以上的【B群】，统计【A群】人数，然后发给【A群】统计人数。然后把这两个减去【人群A】的人数。

（图片为作者Wayne方便读者理解而绘画）(图为作者韦恩绘制，方便读者理解)

让我们用上面的例子。

【UD广告回头客人群】和【单日店铺购买人群】人数为984698人。

【UD广告返程人群】与【单日店铺购买人群】之差为982217人。

【某日某店购买人数】为984698-982217 = 2418。

与上述人数相符。这里用大于2000的人来证明计算公式的准确性。

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

（图片截图于阿里数据银行）(阿里数据库中的图片截图)

※作者韦恩的结束语:

以上是数据银行的人群圈子选择方法。

后一种人群计算方法，结合灵活运用，可以解决大部分数据银行圈子数量的问题。有了基本的圈数法，你就不会说当你需要分析一些数据的时候，会发现圈出不来了。

~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~作者分割线

作者：Wayne Chen，数据分析专家作者:韦恩·陈，数据分析专家

对于数据库的使用，请后台提问，我看到会及时解答。

~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~公司介绍分割线

“魏云科技”致力于成为数字化商业运营服务提供商。我们通过数字商业洞察、数字商业技术和数字商业运营三大核心引擎，为客户提供高瞻远瞩的商业增长解决方案。

后续会继续分享数据银行的实际分析案例。有兴趣记得关注我们。