用戶分析 | 如何建立超詳細的AARRR模型數據指標體系?

發布者: 91運營  1793

AARRR模型是我們做用戶分析的經典模型,是一個典型的漏斗結構。它從生命周期的角度,描述了用戶進入平臺需經歷的五個環節,最終獲取商業價值。價值不僅直接源于用戶購買行為(獲取營收),還來自用戶作為推薦者(自傳播)和內容產生者(留存率)所帶來的營收。

WechatIMG2074 用戶分析 | 如何建立超詳細的AARRR模型數據指標體系?

 

 

01 什么是AARRR模型?

AARRR分別代表了五個單詞,又分別對應了產品生命周期中的五個階段:

  1. 獲取(Acquisition):用戶如何發現(并來到)你的產品?
  2. 激活(Activation):用戶的第一次使用體驗如何?
  3. 留存(Retention):用戶是否還會回到產品(重復使用)?
  4. 收入(Revenue):產品怎樣(通過用戶)賺錢?
  5. 傳播(Refer):用戶是否愿意告訴其他用戶?

AARRR模型指出了兩個核心點:

  1. 以用戶為中心,以完整的用戶生命周期為線索。
  2. 把控產品整體的成本/收入關系,用戶生命周期價值(LTV)遠大于用戶獲取成本(CAC)與用戶經營成本(COC)之和,就意味著產品的成功。

02 AARRR的數據指標

1. 獲取用戶(acquisition)

獲取階段即產品的推廣階段,也是產品運營的第一步。

運營者通過各種推廣渠道,以各種方式獲取目標用戶,并對各種營銷渠道的效果進行評估,從而更加合理的確定投入策略,最小化用戶獲取成本(CAC)。

這時需關注的指標主要為:

1)日新登用戶數(DNU)

定義:每日注冊并登錄游戲的用戶數。

此處注冊為廣義概念,對于一些APP而言,則是首次啟動進入APP的用戶。所以對于DNU的定義也可以是:首次登錄或啟動APP的用戶。

需要說明的是:在移動統計中,有時候用戶也特指設備。

解決問題:

  • 渠道貢獻的用戶份額。
  • 宏觀走勢,確定投放策略。
  • 是否存在大量垃圾用戶。
  • 注冊轉化率分析。

2. 提高活躍度(activation)

新增用戶經過沉淀轉化為活躍(Activation)用戶。這時我們需要關注活動用戶的數量以及用戶使用頻次、停留時間的數據。

1)日活躍用戶數(DAU)

定義:每日登錄過游戲的用戶數。

對于某些APP而言,啟動就是一個活躍用戶,而另一些則要通過賬號注冊,形成一個網絡賬號,才算作一個活躍用戶。活躍用戶的計算是排重的。

解決問題:

  • 核心用戶規模。
  • 產品生命周期分析。
  • 產品活躍用戶流失,分解活躍用戶。
  • 用戶活躍率,活躍用戶計用戶量。

2)周活躍用戶數(WAU)

定義:最近7日(含當日)登錄過APP的用戶數,一般按照自然周計算。

解決問題:

  • 周期性用戶規模。
  • 周期性變化趨勢,主要是推廣期和非推廣期的比較。

3)月活躍用戶數(MAU)

定義:最近一個月即30日(含當日)登錄過APP的用戶數,一般按照自然月計算。

MAU變化幅度較小,產品用戶規模穩定性來說,MAU是風向標。但在推廣時期,版本更新、運營活動的調整,對于MAU的沖擊則更加明顯。

此外,產品的生命周期階段不同,MAU的趨勢變化也不同。

解決問題:

  • 用戶規模穩定性。
  • 推廣效果評估。
  • 總體用戶規模變化。

4)日均使用時長(DAOT)

定義:每日總計在線時長/日活躍用戶數。

關于使用時長,可以分為單次使用時長、日使用時長和周使用時長等指標,通過對這些指標做區間分布和平均計算,了解參與黏性。

解決問題:

  • 分析產品的質量問題。
  • 觀察不同時間維度的平均使用時長,了解不同用戶群的習慣。
  • 渠道質量衡量標準之一。
  • 留存即流失分析的依據。

5)DAU/MAU

通過DAU/MAU可以看出用戶每月訪問App的平均天數是多少,比如:某個App擁有50萬DAU,100萬MAU,其DAU/MAU比值就是0.5——即用戶每月平均訪問的時間是30*0.5=15天。這也是評估用戶粘性的一個比較重要的指標。

DAU/MAU介于3.33%到100%之間,但顯然這兩種情況現實中基本不可能出現。在不同領域的App會有不同的基準值可參考,例如:移動游戲會以20%為基線,王者榮耀在2017年6月和9月的值基本都在31%左右,而工具類App會以40%為基線。

DAU/MAU的值越高,那么毫無疑問,App的粘性越強,表示有更多的用戶愿意使用App。

反之如果DAU/MAU的值很低,但并不能直接說這個App是失敗的。

我們還需要結合產品屬性(比如定期理財/求職/買房/租房的App,可能天然屬性DAU會相對低)、時間考量(工作日/假期等)、版本更新、運營活動、用戶維度的ARPU值等多個條件進行多維分析,才能得出結論。

所以,正確理解DAU/MAU的意義很重要。

3. 留存(retention)

解決了活躍度的問題,又發現了另一個問題:“用戶來得快、走得也快”。有時候我們也說是游戲沒有用戶粘性或者留存。

我們需要可以用于衡量用戶粘性和質量的指標,這是一種評判APP初期能否留下用戶和活躍用戶規模增長的手段,留存率(Retention)是手段之一。

留存率:某段時間的新增用戶數,記為A,經過一段時間后,仍然使用的用戶占新增用戶A的比例即為留存率。

1)次日留存率(Day 1Retention Ratio)

定義:日新增用戶在+1日登錄的用戶數占新增用戶的比例。

2)三日留存率(Day 3Retention Ratio)

定義:日新增用戶在+3日登錄的用戶數占新增用戶的比例。

3)七日留存率(Day 7Retention Ratio)

定義:日新增用戶在+7日登錄的用戶數占新增用戶的比例。

留存率逐漸演變為評判產品質量的重要標準。

在關注留存率的同時,也要關心流失率的分析。留存率更加關心的是,從用戶獲取的角度綜合分析獲取用戶的渠道方式是否合理,產品用戶規模是否能夠增長。而流失率則關心為什么有些用戶離開APP,這可能是在用戶獲取階段就存在的問題,但是當APP存在穩定用戶規模后,一個付費用戶的流失,卻可能讓APP收入大幅下滑。

留存率的計算可以按照統計的時間區間來劃定,例如:在計算周留存時,計算新增用戶周留存則是一周總計的新增量在隨后每周的留存情況。

上面提到的+3日或者+7日,意在著重強調,第3日和第7日的概念。注意,計算留存率時,新增當日是不被計入天數的,也就是說我們提到的留存用戶。指的是新增用戶新增后的第1天留存、第3天留存和第7天留存。

解決問題:

  • APP質量評估。
  • 用戶質量評估。
  • 用戶規模衡量。

流失:統計時間區間內,用戶在不同的時期離開APP的情況。

4)日流失率(Day 1Churn Ratio)

定義:統計日登錄APP,但隨后7日未登錄APP的用戶占統計日活躍用戶的比例。

5)周流失率(Week Churn Ratio)

定義:上周登錄過APP,但是本周未登錄過APP的用戶占上周周活躍用戶的比例。

6)月流失率(Month Churn Ratio)

定義:上月登錄過APP,但是本月未登錄過APP的用戶占上月月活躍用戶的比例。

流失率是在APP進入穩定期需要重點關注的指標,如果說關注留存是關注APP用戶前期進入APP的情況,那么關注流失率則是在產品中期和后期關心產品的用戶穩定性,收益能力轉化。

穩定期的收益和活躍都很穩定,如果存在較大的流失率,則需要通過該指標起到警示作用,并逐步查找哪部分用戶離開了APP,問題出在哪里。尤其是對付費用戶流失的分析,更需要重點關心。

解決問題:

  • 活躍用戶生命周期分析。
  • 渠道的變化情況。
  • 拉動收入的運營手段,版本更新對于用戶的流失影響評估。
  • 什么時期的流失率較高。
  • 行業比較和產品中期評估。

4. 收入(revenue)

收入的來源有很多種,主要包括:應用付費、應用內功能付費、廣告收入、流量變現等,主要考核的指標比如ARPU(客單價)。

主要關注:

1)付費率(PR或者PUR)

定義:付費用戶數占活躍用戶的比例。

通俗地說,付費率也稱作付費滲透率,在移動APP市場,多數只關心日付費率——即Daily Payment Ratio。

付費率的高低不代表產品的付費用戶增加或減少付費率在不同APP類型的產品中表現也是不同的。

解決問題:

  • 產品的收益轉化能力標準。
  • 用戶付費關鍵點和轉化周期。
  • 付費轉化效果評估。

2)活躍付費用戶數(APA)

定義:在統計時間區間內,成功付費的用戶數。一般按照月計,在國際市場也稱作MPU(Monthly Paying Users)。

在數據分析中,更加切實地關注日付費用戶和周付費用戶,主要原因是用戶的生命周期短暫,短期付費成為關注焦點。

活躍付費用戶數的計算公式如下:

APA=MAU×MPR

解決問題:

  • 產品的付費用戶規模。
  • APA的構成情況,鯨魚用戶、海豚用戶、小魚用戶的比例以及收益能力。
  • 付費群體的價值即整體穩定性分析。

3)平均每用戶收入(ARPU)

定義:在統計時間內,活躍用戶產生的平均收入。一般以月計。

平均每個用戶收入的計算公式如下:

ARPU=Revenue/User

Monthly ARPU=Revenue/MAU

即總收入除以總活躍用戶數,一般按照月計。

嚴格定義的ARPU不同于國內所認識的ARPU,國內的ARPU=總收入/付費用戶數。所以,很多時候會強調付費ARPU,此處有專門的術語叫作ARPPU。

ARPU用于產品定位初期的不同規模下的收入估計,也是LTV的重要參考依據。

解決問題:

  • 不同渠道用戶質量的判斷。
  • 產品收益貢獻分析。
  • 活躍用戶人均收入與投放成本的關系。

4)平均每付費用戶收入(ARPPU)

定義:在統計時間內,付費用戶產生的平均收入。一般以月計。

平均每付費用戶收入的計算公式如下:

ARPPU=Revenue/Payment User

Monthly ARPPU=Revenue/APA

即總收入除以總付費用戶數,一般以月計。

ARPPU容易受到鯨魚用戶和小魚用戶的影響,分析時需謹慎。

ARPPU與APA、MPR的結合可以分析付費用戶的留存情況,對特定付費群體的流失進行深度分析,保證付費質量和規模。

解決問題:

  • 付費用戶的付費能力和梯度變化。
  • 付費用戶的整體付費趨勢和不同付費階層差異。
  • 對鯨魚用戶的價值挖掘。

5)生命周期價值(LTV)

定義:用戶在生命周期內為創造的收入總和。可以看成是一個長期累積的ARPU。

對每個用戶的平均LTV計算如下。

LTV=ARPU×LT(按月或天計算平均生命周期)

其中,LT為Life Time(生命周期):即一個用戶從第一次啟動APP,到最后一次的時間,一般計算平均值,LT以月計,就是留存在APP的平均月的數量。

例如:一款APP的ARPU=¥2,LT=5,那么LTV=2×5=¥10。

以上的計算方式在理論上是可行的,在實際中我們采取以下的LTV計算方法。

跟蹤某日或者某周的新增用戶,計算該批用戶在隨后的7日、14日、30日的累積收入貢獻,然后除以該批新增用戶數,即累積收入/新增用戶=累積ARPU(LTV)。

此種方式可計算該批新增用戶在不同生命周期階段的粗略生命周期價值。

解決問題:

  • 用戶收益貢獻周期。
  • 用戶群與渠道的利潤貢獻,LTV與CPA的衡量。
  • LTV不區分付費與非付費用戶,看待整體的價值。

5. 傳播(refer)

自傳播也叫作口碑傳播或者病毒式傳播。其中有一個重要的指標K因子。

K因子的計算公式不算復雜,過程如下:

K=(每個用戶向他的朋友們發出的邀請的數量)×(接收到邀請的人轉化為新用戶的轉化率)。

假設平均每個用戶會向20個朋友發出邀請,而平均的轉化率為10%,則K=20×10%=2。

當K>1時,用戶群就會像滾雪球一樣增大。

當K<1時,用戶群到某個規模時就會停止通過自傳播增長。

絕大部分APP還不能完全依賴于自傳播,還必須和其他營銷方式結合。但是,在產品設計階段就加入有利于自傳播的功能,還是有必要的,畢竟這種免費的推廣方式可以部分地減少CAC。

以上是AARRR模型的數據指標體系,只有建立完善的數據指標體系,我們后續才可以對用戶行為進行更全面的分析。

 

作者:從南

 


勾搭小編微信號ludan202088,加入91運營官方社群,會運營的人都在這里了

¥ 打賞支持
分享到:

?

掃碼加入91運營社群

二肖中特马资料