用户增长模型:AARRR

简介: AARRR是用来分析用户增长的一个框架。分别表示获取(Acquisition)、激活(Activation)、留存(Retention)、变现(Revenue)和传播(Referral)。

AARRR是用来分析用户增长的一个框架。分别表示获取(Acquisition)、激活(Activation)、留存(Retention)、变现(Revenue)和传播(Referral)。

获取也就是我们说的拉新,用户通过各个渠道接触并使用了我们的产品,我们称之为获取。来的用户里,有一部分走了,一部分留下了,留下的部分我们称之为激活用户。如果这个用户经常使用我们的产品,就可以理解为留存。而让用户给我们产生收益则是变现,变现的方式有很多,比如软件内购买消费、看广告等等。还有一个很重要的指标就是传播,当用户推荐我们的产品给到其他用户,就能给我们带来更多的用户增长。

这5个环节,并不一定要按固定顺序去做增长。有很多公司就要求先把留存做好,再去做拉新。这样做的好处是拉新的转化效率会很高,很多公司只知道拉新,但用户进来后并没有办法留下来,就更别说变现了。

一般情况下,在产品早期会更关注激活和留存,然后去慢慢验证变现逻辑。等产品功能相对完善的时候,才会考虑获客和传播。建议在一个阶段里只专注其中一个环节,这样便于我们看效果。

现在互联网流量非常的贵,所以我比较关注留存和推荐这两个指标。用户留存则表示你的产品能对用户产生价值。用户推荐则表示你的产品不仅产生了价值,还愿意用自己的信用为产品做背书。在流量这么贵的当下,推荐不仅能带来更多的增长,而且数据显示推荐用户的付费率也更高。

这类指标怎么看呢?我们需要建立一个可用数据检测的指标公式。以留存为例,你需要先定义什么是留存。假设你定义的是:用户有打开应用则表示留存。理想情况第一天进来100个人,第二天这100个人里有90个人再次打开了应用。这样次日留存率就是90%,7天后这100人里有30人打开,则7日留存率为30%。

除了这种常用指标外,还有一些跟业务相关的关键指标,这些指标会极大促进增长。比如亚马逊的增长飞轮。贝佐斯说要关注用户长期不变的东西。什么是长期不变的呢?

  1. 无限的选择(更多的商品)
  2. 最低的价格
  3. 快速的配送

image.png

通过这3个关键指标打造了属于亚马逊的增长飞轮。真的是Beautiful Amazing!

目录
相关文章
|
3月前
|
存储 JavaScript 前端开发
共享购融合推三返一:推动裂变增长,增加用户黏性
本文概述了将“共享购”与“推三返一”模式转化为技术实现的简化框架,涵盖后端开发(如技术栈选择、核心功能实现)、前端开发(如用户界面、状态管理)、数据库设计、安全性考虑及测试部署等方面,旨在为开发者提供指导。
|
5月前
|
存储 分布式计算 数据处理
面向业务增长的数据平台构建策略
【8月更文第13天】为了构建一个能够支持企业业务增长的数据平台,我们需要考虑几个关键的方面:数据的收集与整合(数据集成)、存储、处理和分析。本文将详细介绍这些步骤,并提供具体的代码示例来帮助理解。
178 1
|
8月前
|
人工智能
Sora对哪些行业影响较大?
【2月更文挑战第9天】Sora对哪些行业影响较大?
120 1
Sora对哪些行业影响较大?
|
存储 自然语言处理 安全
用户增长实战-商业模型
有路必有福,有路必有胜。
153 0
|
前端开发
IS215UCVGH1A VMIVME-7666-111000 随着潜在外围设备数量的增长
IS215UCVGH1A VMIVME-7666-111000 随着潜在外围设备数量的增长
116 0
IS215UCVGH1A  VMIVME-7666-111000  随着潜在外围设备数量的增长
|
人工智能 安全 5G
数字弹性:消费者调查发现有足够的增长空间
数字弹性:消费者调查发现有足够的增长空间
108 0
|
物联网 Serverless 开发者
无服务器计算对用户的价值
无服务器计算对用户的价值自制脑图 自阿里云函数计算上线以来,被开发者广泛的用于大规模多媒体数据并行处理,日志/物联网数据的流式处理,网站后端服务等场景中。从实际使用情况来看,serverless 计算在工程效率、可靠性、性能、成本和安全性等方面给用户带来了巨大的价值。
166 0
无服务器计算对用户的价值
|
机器学习/深度学习 分布式计算 大数据
客户流失?来看看大厂如何基于spark+机器学习构建千万数据规模上的用户留存模型 ⛵
如何在海量用户中精准预测哪些客户即将流失?本文结合音乐流媒体平台 Sparkify 数据,详细讲解一个客户流失建模预测案例的全流程:探索性数据分析 EDA、数据处理、进一步数据探索、建模优化、结果评估。【代码与数据集亲测可运行】
5121 3
客户流失?来看看大厂如何基于spark+机器学习构建千万数据规模上的用户留存模型 ⛵
|
SQL 机器学习/深度学习 监控
拥有几百个模型的机构和企业,怎么进行模型管理
数百个模型放在面前,金融机构要如何高效管理
115 0
拥有几百个模型的机构和企业,怎么进行模型管理
|
存储 SQL NoSQL
深度 | 实时历史数据库存储成本惊人,怎么破?
深度 | 实时历史数据库存储成本惊人,怎么破?
1550 2
深度 | 实时历史数据库存储成本惊人,怎么破?