概述

模型概念

AARRR 是用户获取(Acquisition)、用户激活(Activation)、用户留存(Retention)、获得收益(Revenue)、推荐传播(Referral),这个五个单词的缩写,分别对应用户生命周期中的 5 个重要环节。AARRR 模型又叫海盗模型,是用户运营过程中常用的一种模型,解释了实现用户增长的 5 个指标:获客、激活、留存、收益、传播,整个 AARRR 模型形成了用户全生命周期的闭环模式,不断扩大用户规模,实现持续增长。

应用意义

  1. Acquisition:获取用户

    运营一款产品的第一步,毫无疑问是获取用户,也就是大家通常所说的推广。此时推广人员经验很就显得重要:首先要分析自己产品的特性以及目标人群,与渠道用户进行定位和匹配,要摸清楚每个渠道量级与用户质量,不同产品时期选择不同渠道,是前期铺量还是稳定期保质量。

    • 渠道量级指标:曝光量、点击、下载、安装、激活(注册激活,主动激活、推送激活、交易激活)、累计新增。
    • 渠道质量指标:CTR(点击率),激活率,安装率,CPA 等每用户成本、用户 LTV、1次/1日用户量,用户使用时长、留存率、付费率、ARPU(每用户平均收入)。
  2. Activation:提高活跃度

    如何将新增转化为活跃用户,是运营者面临的第一个问题。

    首先我们要理解下什么是活跃? DAU 日均活跃用户数量 = 当日新增 + 累计历史日留存

    即今日活跃的用户中,一部分是新增,另外绝大部分都是以往的留存用户,产品运营周期越长,新用户占比越少。所以影响活跃最主要因素就是产品的留存表现,另外一点就是产品粘度。

    分析活跃可以从两个角度出发:

    • 活跃用户构成

      • 新老用户占比、新老用户活跃率、忠诚用户数、回流用户数、1次/1日登录用户占比等指标,根据不同产品运营时期,不同的参考数值。
    • 产品粘度

      • 产品黏度很关键的指标,它说明了用户对产品的喜欢接纳程度,我们通常用 MAU/DAU 来定义产品的黏度指标,比值代表用户回访的天数(几天会用一次产品),当 MAU/DAU=1 的话说明这款产品用户每天都用;
      • DAU/MAU * 30 代表用户一个月会用几次产品。
      • 7 日回访率、日均使用时长、日均登录次数等都是产品粘度的重要指标,分不同类型产品,依次分析。
  3. Retention:提高留存率

    通常维护一个老用户的成本要远远低于获取一个新用户的成本,所以熊瞎子掰苞米(掰一个,丢一个)的情况是产品运营的大忌。分析出用户在哪里流失,为什么流失,才能有的放矢的解决问题。

    留存率跟产品的类型有很大关系。通常工具类应用的首月留存率可能普遍比游戏类的首月流存率要高,有些产品不是需要每日启动的,看周留存率、月留存率等指标,会更有意义。分析留存必须清楚用户是在哪些环节流失,所以每款产品,都必须有自己的流失漏斗,越细致越好,前期数据埋点要尽可能详细。另外,分析人员必须明白,你分析的是流失率还是流失占比,还是流失概率,这之间差距很大。

    产品的活跃与留存息息相关,必须放在一起去分析,提升活跃与留存 4 种方式:

    • 有效触达,唤醒用户:指的是通过手机 PUSH、短信和微信公众号等能够触达到用户,唤醒沉睡用户启动 APP 的方式,是提升留存的非常有效的方法之一。如游戏老用户短信召回,电商老用户召回,召回肯定是有成本的,所以要根据用户以往行为,进行分析定为,找到召回率最高的那部分用户,(如 RFM 模型定为核心用户)

    • 搭建激励体系,留存用户:好的激励体系,可以让平台健康持续发展,让用户对平台产生粘性,对提升留存非常有效。通常使用的激励方式有成长值会员体系、签到体系、积分任务体系。

    • 丰富内容,增加用户在线时长:这点游戏产品做的非常好,各种玩法活动本身就吸引用户投入时间成本,游戏又不断强化社交属性,更增加用户粘度与成本投入。

    • 数据反推,找到你的关键点:比如知乎,评论超过 3 次,用户就会留存下来,很难流失。比如有些游戏产品,一旦玩家跨过某个等级就就很难流失。这些都是你需要通过数据分析才能找到的关键节点。

    另外,只有留下来的才是你的用户,降低流失很重要,但也不必过分纠结于用户的流失,要清楚谁才是你的目标用户。

  4. Revenue:获取收入

    获取收入其实是产品运营最核心的一块。极少有人开发一款应用只是纯粹出于兴趣,绝大多数开发者最关心的就是收入。

    • 基本指标:ARPU(每用户平均收入)、ARPPU(每付费用户平均收益)、付费率(区分新老)
    • 了解付费用户构成:高额、中额、低额用户分布
    • 付费破冰点,付费卡点是否合理?付费点设计不合理时,付费点会变成流失点
    • 持续付费能力分析:回购率,回购点是哪些功能,用户付费频率,时间间隔是多久?
    • 付费功能和环节分析:不同拉收入的活动或功能,哪些反馈较好,哪部分用户反馈好,人均充值额,付费率各是多少?

    另外,有些产品内部会有自身货币系统,如漫画类产品的逗币流通,游戏产品的钻石,金币等产品内部货币,产出消耗是否平衡,严重关系到产品的收入。

  5. Referral:自传播

    病毒式传播是每个产品向往的推广方式,除了好的营销方式铺垫,更重要的还是要靠产品自身的品质。自传播中的数据指标,可以参考口碑指数、百度指数、网站 PR 值、搜索引擎收录数、反向链接数据来衡量。

    自传播有个很重要的指标 K 值,K = (每个用户向他的朋友们发出的邀请的数量)*(接收到邀请的人转化为新用户的转化率),即每位用户能带来多少个新用户。当 K 值大于 1 时,说明具有自传播的能力,可以进一步通过“邀请获奖励”等运营活动进一步提高 K 值,加快传播速度。

    还可以通过计算用户完成从传播到转化新用户所需要的时间(传播周期),通常传播周期越短,意味着用户裂变传播的效果越好。

实战

基础数据

这里选择某 APP 的数据进行分析,数据字段为:

  • login_time:登录时间
  • register_time:注册时间
  • is_active:是否激活
  • area:地区
  • phone:电话号码
  • channel:推广渠道
  • login_after_register_day:登录—注册天数差
  • member_type:会员类型
  • browse_time:浏览时间

部分数据如下:

login_time register_time is_active area phone channel login_after_register_day member_type browse_time
2020-04-03 00:00:00 2020-04-02 00:00:00 北京 189xxx2927 线下活动推广 1 低活跃客户 200
2020-05-05 00:00:00 2020-04-22 00:00:00 南京 188xxx9721 新媒体推广 13 低活跃客户 384
2020-09-25 00:00:00 2020-09-16 00:00:00 北京 138xxx6943 新媒体推广 9 普通用户 160
2020-05-26 00:00:00 2020-05-26 00:00:00 深圳 185xxx8775 线下活动推广 0 低活跃客户 559
2020-07-03 00:00:00 2020-06-21 00:00:00 成都 182xxx3136 线下活动推广 12 低活跃客户 299
2020-08-31 00:00:00 2020-08-12 00:00:00 武汉 138xxx3702 线下活动推广 19 普通用户 410

数据处理

  1. 用户获取(Acquisition):对比各个渠道的获取用户数(获客渠道数量),平均浏览时长(获客渠道质量)。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    SELECT
    "channel",
    COUNT ( DISTINCT "phone" ) AS "user_num",
    ROUND( AVG ( "browse_time" ), 2 ) AS "avg_browse_time"
    FROM
    "aarrr"
    GROUP BY
    "channel"
    ORDER BY
    "user_num" DESC

  2. 用户激活(Activation):每月激活率。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    SELECT
    "register_month",
    ROUND( COUNT ( DISTINCT "phone" ) FILTER ( WHERE "is_active" = '是' ) :: NUMERIC / COUNT ( DISTINCT "phone" ) * 100, 2 ) AS "active_ratio"
    FROM
    ( SELECT to_char( "register_time", 'yyyy-mm' ) AS "register_month", "phone", "is_active" FROM "aarrr" ) t1
    GROUP BY
    "register_month"
    ORDER BY
    "register_month"

  3. 用户留存(Retention):

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    SELECT
    "register_month",
    ROUND( COUNT ( DISTINCT "phone" ) FILTER ( WHERE "login_after_register_day" = 1 ) :: NUMERIC / COUNT ( DISTINCT "phone" ) * 100, 2 ) AS "retent_ratio1", -- 次日留存率
    ROUND( COUNT ( DISTINCT "phone" ) FILTER ( WHERE "login_after_register_day" <= 7 ) :: NUMERIC / COUNT ( DISTINCT "phone" ) * 100, 2 ) AS "retent_ratio7", -- 周留存率
    ROUND( COUNT ( DISTINCT "phone" ) FILTER ( WHERE "login_after_register_day" <= 30 ) :: NUMERIC / COUNT ( DISTINCT "phone" ) * 100, 2 ) AS "retent_ratio30" -- 月留存率
    FROM
    ( SELECT DISTINCT to_char( "register_time", 'yyyy-mm' ) AS "register_month", "phone", "login_after_register_day" FROM "aarrr" ) t1
    GROUP BY
    "register_month"
    ORDER BY
    "register_month"

  1. 获得收益(Revenue):将提高用户购买活跃度作为提升收益的主要指标。将用户分为三个大类:低活跃客户、普通用户、会员。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    SELECT
    "member_type",
    COUNT ( DISTINCT "phone" ) AS "member_num"
    FROM
    "aarrr"
    GROUP BY
    "member_type"
    ORDER BY
    "member_num" DESC

  1. 推荐传播(Referral):使用另一个数据集计算自传播 K 值。

    1
    SELECT SUM("接受推荐人数")/SUM("推荐人数") FROM t1

数据可视化

  1. 用户获取:各个渠道的获取用户数(获客渠道数量),平均浏览时长(获客渠道质量)。 AARRR用户运营分析 - 用户获取

  2. 用户激活:每月激活率。 AARRR用户运营分析 - 用户激活

  3. 用户留存:次日留存率,周留存率,月留存率。 AARRR用户运营分析 - 用户留存

  4. 获得收益:将用户分为三个大类:低活跃客户、普通用户、会员。 AARRR用户运营分析 - 获得收益

  5. 推荐传播:自传播 K 值。 AARRR用户运营分析 - 推荐传播