全链路分布主要是对AIPL模型的细化数据展示，主要为四部分：（1）消费者全链路分布；（2）每个链路细化数据

（1）消费者全链路分布

Aware 认知: 消费者相对被动与品牌接触

Interest 兴趣: 消费者主动与品牌发生接触

Purchase 购买: 最近2年半（2*365天+180天），购买了品牌商品的所有消费者（包括在品牌号通过Passport支付购买的消费者、包括预售付尾款的消费者、购买商品后淘宝彩蛋扫码人群、包括线下云POS支付的消费者、包括iStore小程序购买的消费者）减去“Loyalty 忠诚”的消费者。

活跃购买: 最近365天内购买过品牌商品的消费者。

Loyalty 忠诚: 365天内有过正向的评论\正向的追评，或365天内购买过该品牌商品（包括在品牌号通过Passport支付购买的消费者、包括预售付尾款的消费者、包括线下云POS支付的消费者、包括iStore小程序购买的消费者）大于等于2天的消费者。

可以看到每个状态每天新增和减少的人群，新增即是当日状态开始，减少即是当天状态结束

（2）每个链路细化数据

AIPL链路细化的数据均有互动触点分布，这里各渠道加和不等于100%，原因是这里的基数是当前A/I总量，这部分人当天回踩这些触点的人群，即是这个状态下触点互动的人群，也可以理解为这个触点触达了多少状态为A/I的人群。我们可以和同行业TOP5品牌平均做对标，看下触达能力相较于行业的强弱，以及自己的优势渠道。当点击一级触点的时候，会在右侧出现其二级触点的分布，其中搜索渠道没有二级触点。

P链路独有的细化数据为：购买足迹（最近一天购买距今时长，购买渠道分布）

L链路独有的细化数据为：“复购”消费者购买足迹分析（最近一年复购的天数，复购周期分布、购买渠道分布）

P链路的最近1天购买距今时长可以和L链路的复购周期结合来看，抓住复购的营销时机，例如：P链路的最近1天购买距今时长，主要分不在60天左右，而复购周期主要也分布在60天左右，那么我们就可以做一场会员的回馈活动，促进复购。

P/L的购买渠道分布可以作为会员回馈活动的主要运营平台，例如：天猫旗舰店是复购的主要渠道，仅在此渠道复购消费者占比较大，那么我们就可以把会员的主要活动放在天猫官旗去做。

L链路中的最近1年的复购天数，如果是2天，那我们再做老客复购的时候就要剔除最近1年已经复购>=2天的人群，来保证引进来的是高复购需求的老客

（3）消费者品牌互动商品分布

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。

商品范围： 只计算和展示品牌授权店铺下的商品，不包含非授权店铺和天猫超市的商品。

商品的分布占比：与商品有过互动的 “购买” 消费者人数 / 品牌总体 “购买” 消费者人数（加和不是100%）。 例如，当前 “购买”人群的总数是100万， 其中，最近15天内和商品有过互动行为的有50万，则该商品的 “购买” 消费者分布占比为50/100=50%，按照消费者占比取前50个商品

占比增长： 商品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A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

这地方主要是告诉我们每个链路的行为人群主要偏好品牌的哪些商品，不同的行为喜欢怎样的产品，可以在不同行为人群运营的时候给到货品参考，也可以根据占比同比的情况看到不同行为对产品偏好的波动

（4）搜索词

TOP50的品牌搜索词的上游词和下游词，可以看出，在搜索我们之前用户搜索了什么词，来源自哪里，搜索我们之后，用户又搜索了什么词，又流失到了哪里。通过上游词可以间接的知道哪些类目或者词适合主打搜索渠道

（5）人群透视

消费者人群透视：一般会有基础标签和行业标签两大块，一般我们关注：性别、年龄、月均消费金额、人生阶段、城市等级这些通用基础标签，其他会根据每个行业的一些特性来关注

人群透视差异对比：可以选择一个人群作对比，可以对比全部品牌消费者，也可以看到不同日期的画像对比差异，或者自己圈的人群也可以拿来对比