TGI是英文Target Group Index的缩写，直译为“目标群体指数”。计算方法非常简单：
TGI = [目标群体中具有某一特征 的群体所占比例/总体中具有相同特征的群体所占比例]*100
举个简单的例子。我在读大学时，我们专业的男女比为1:3，即女生所占比例为75%。显然，这是一个让其他理工科专业男生十分羡慕的男女比，因为我们同级3000多人中，女生占比约为50%。
在这种情况下，我们专业女生性别TGI = 75%/50%*100 = 150。而TGI大于100，则说明我们专业中女生占比更高。
但是大家再考虑一种状况：如果我们专业归属在女校之中（假设我们专业比较特殊，允许招收男生），那么大家还会觉得我们专业的女生更多吗？
显然不会。因为锚定的群体中，女生占比接近100%（因为还有我们几个男生在，分子略小于分母），而我们专业中的女生比例只有75%，少于大盘。
让我们回到一开始的小故事中。如果60%凯迪拉克车主都爱去洗浴中心，而整个豪车群体只有30%的车主爱去，那么凯迪拉克车主在“爱去洗浴中心”的TGI指数为60%/30%*100=200，远高于100，那么可以说凯迪拉克车主“更”爱去。
需要注意的是：如果只看60%这一单一的数字，我们无法是无法“更爱去”这个结论的，顶多说他们“爱去”。如果中国车主60%去洗浴中心，那么凯迪拉克车主并未表现出明显的偏好性，只是符合一般规律而已。
我们上初中时就知道：当掷硬币的次数越多，正面出现的概率越来越趋近于0.5。
将大数定律延伸到我们的人群画像中也类似、我们观察的某个群体数量越多，其在某个特征的分布，应该越来越趋近于整体大盘的分布水平。
考虑到大众汽车销量很高，并且在中国汽车市场上有较大的保有量，我们可以假设大众车主的男女比例、省份分布，跟中国4.39亿汽车车主的男女比例、省份分布应该是类似的。即，子集在某个维度上的分布，应该与大盘相同。
但是，我们经常会发现，子集在某个维度上的分布，比大盘要高或者低。那到底是什么因素导致的呢？
实际上，我们市场营销理论的基石是“同质人假说”——某个品牌的目标消费者（Target Audience），是一群有着相似年龄、性别、地域、消费能力、价值观的群体。比如，很多品牌官网上可能会明确介绍：我们品牌和产品，主要面向25-30岁的白领女性，她们居住在一线和新一线，追求新鲜的事物，等等。
同质人假设有其合理性：一方面品牌可以更明确找到符合其特征的目标消费者，可以有针对性地开发特定产品，并利用特定媒体渠道进行广告触达，即品牌更希望找到某一类人；另外一方面，从消费者的视角看，可以通过这些品牌定位和理念，来快速找到适合自己的产品和品牌，即某一类人也会找到适合自己的品牌。
同质性假说造成的结果则是某个相似群体在某个品牌下的高度聚集。比如提到奔驰车主，我们就觉得这是一个有钱人的群体。
所以，如果我们观察的群体，在某个维度上的分布，跟大盘相比出现了较大的异常（过高/过低），我们可以假设是品牌造成的这种差异（毕竟在真实社会中，要准确计算某个因素的解释力非常困难），而这往往可以评估品牌建立的有效性。
比如品牌A希望吸引25-30岁的一线白领女性，通过CRM数据分析发现：该品牌符合这些条件的消费者占比是20%，比例与大盘中符合上述条件的人群占比一样。我们可以认为品牌形象并未成功建立；换句话说，即使品牌什么都不做，来消费者的中白领女性比例跟现在也没什么差别。
我们在分析数据的时候，遇到TGI指数过高或者过低的维度，往往是一个突破口，我们可以在这个维度上继续深挖。
参考链接：https://view.inews.qq.com/a/20221121A04WAX00?refer=wx_hot