蝌蚪互娱|如何用数据衡量海盗指标AARRR模型?

2007年戴夫·麦克卢尔Dave McClure提出了海盗指标AARRR理论,在之后的十几年里,这个增长理论几乎成为了创业者和创业公司的教条。海盗指标AARRR反映了增长是系统性地贯穿于用户生命周期各个阶段的:

  • 用户拉新Acquisition
  • 用户激活Activation
  • 用户留存Retention
  • 用户推荐Referral
  • 商业变现Revenue
海盗指标AARRR模型

当然这个模型到了现在,已经产生了不适用性。比如很多人认为现在“用户留存的重要性高于用户获取”,因为现在广告/社交渠道的流量价格已经很高,获客的成本与日俱增,市场情况和2007年已经完全不同。所以认为现在的产品应该更加需要更加关注用户留存分析,提出了RARRA理论体系。

RARRA理论体系
  • 用户留存Retention
  • 用户激活Activation
  • 用户推荐Referral
  • 商业变现Revenue
  • 用户拉新Acquisition

但无论是AARRR还是RARRA,除了优先级有差别,其他涉及到的工作内容仍旧大致类似。所以今天我们讨论的,仅仅是如何用数据模型来衡量拉新、激活、留存、变现等每一项指标。这些指标会告诉你,你的产品出现了什么问题,原因是什么,以及如何来改进它。

至于AARRR模型和RARRA模型两者的区别和差异,推荐阅读:

蝌蚪互娱“黑客增长”系列(二):海盗指标-AARRR模型

AARRR已是过去式,而RARRA才是更好的增长黑客模型

一、用户拉新,比较跨渠道的结果

假设你已经发布了App并且上架到Appstore和各大应用市场,你希望提高App的下载量,而且希望越多越好。

但问题是下载量是最不可靠的虚荣指标之一。

App下载量示例

当你查看用户拉新指标时,你需要了解哪些指标是可以为你提供最佳投资回报的。如果你只是查看下载量,你是否知道那些下载你App的人是否真的在使用它?

也有不少人通过比较不同应用市场和营销渠道的下载量来衡量,但这也没有用。即使你发现一个渠道的下载量是另一个渠道的2倍,你也无法知道这些人是否真正在使用你的应用。

那么如何做用户拉新?你需要将这种跨渠道对比的方法与实际使用用户相结合。

可操作的衡量标准:从下载到注册的转换率

如果一开始你就追踪用户行为,从用户看到你App开始到用户注册结束,然后将不同的渠道分开来分析,你就会准确了解自己的营销情况。任何人都可以下载App,但只有真正的用户才是你该关心的。

为此,你可以在App上设置一个从引导页到注册登陆页的漏斗:

  • 引导页
  • 注册页

然后比较不同渠道来源的用户,从下载到注册的转化率差异。

不同渠道用户的转化率差异

通过上图的这个漏斗分析,你可以很清楚的看到你的问题。下载你的App后,67%的Twitter推荐用户和75%的Google推荐用户并未实现注册转化。

但这里既有好消息也有坏消息。

坏消息是,虽然你只花一个月的Google AdWords广告就可以达到80000的下载量(对新产品来说,这是一个很漂亮的数据),但是75%的用户都没有完成真正的用户转化,你的营销费用损失是很大的。

好消息是,你在Twitter上做出了更好的广告效果,尽管Google AdWords渠道的用户多了近2万,但是Twitter的用户转化率高出一大截,这个渠道是可以为你节约营销费用的,而且帮助你了解到这个渠道质量是比较高的。

现在你要如何解决这些问题:

  • 做大量的用户引导页测试和A/B测试,快速实验,争取提高整体转化率。
  • 在转化率最高的优质渠道上增加营销,同时减少低质量的营销渠道经费投入。

二、用户激活,修复你的漏斗,让用户立即体验啊哈时刻

当谈到用户激活虚荣指标时,很多产品都会宣传诸如“平台累计播放歌曲1000万次”和“产品累计服务人次超过100万”等指标,但这些指标与用户激活有何关联?“播放的歌曲”和“提供服务人次”等指标是一个累积值,它们可能会让其他潜在用户相信你的产品的受欢迎程度,但当你夸耀这样巨大的虚荣指标时,它们对于实际工作中的“用户激活”毫无用处。这就是为什么你需要停止以累积方式来分析数据,而是在精细化的个人基础上查看用户体验的原因。你需要知道:

  • 有多少用户未被激活
  • 需要采取哪些措施来解决它

可操作的衡量标准:转换渠道和拆分测试

从注册到激活的过程是一个危险的过程,而解决激活问题的最佳方法是创建一个漏斗,其中包含该旅程中的每个步骤,用漏斗分析的方法跟踪每个步骤的转化率,以及找到用户流失的位置。

假设你构建了一个基于社区论坛的App,该App注重用户评论。一旦用户开始进行讨论并对社区做出贡献,他们往往会坚持下去,但其中一些人显然是潜水党,从未发言过,他们就有很大的可能性会流失掉。

如果你要了解这些用户为什么没有被激活以及该如何解决这个问题,那么你可以创建一个漏斗。将你的转化窗口缩短到一天:特别是现在的移动端应用,你需要让用户尽快体验到你的产品啊哈时刻Aha Moment,要越快越好。

“注册产品-加入社区-激活发言”分步骤漏斗示例

通过上图的漏斗分析,有两个事实很明显:

  • 80%的用户根本不加入社区。
  • 93%加入社区的用户会发表评论,代表他们已经激活了。

一旦用户加入了社区,绝大部分人都会被激活,即都会发言。

最大的问题在于——大量用户根本就没有加入社区。

但是,在注册和加入社区之间有80%的巨大流失率,这一事实也意味着你有足够大的空间来改善。而且,既然你已经知道加入社区与用户活跃度和留存率紧密有关,那么代表着这是真正用“数据驱动增长”的可靠途径,它比那些虚荣指标更有价值。

现在你要如何解决这些问题:

  • 做用户引导页Onboarding测试和A/B测试。用户引导页Onboarding主要是引导用户,向用户传递你的产品功能和价值。A/B测试是快速实验,对那些流失率很高的环节和步骤,不管是文案还是交互都要快速测试,争取提高转化率,降低用户流失率。
  • 让用户体验到啊哈时刻Aha Moment。换句话说,用户来到你的网站或者下载你的App,就是冲着你的产品核心价值来的。如果你能让用户体验到产品的啊哈时刻,那么这个用户很有可能成为你产品的超级用户和宣传大使。拿抖音举例,抖音是一个专注年轻人的15秒音乐短视频社区。用户可以通过这款软件选择歌曲,拍摄15秒的音乐短视频,形成自己的作品。从用户打开抖音,发现自己能够轻松地拍摄短视频,而且不需要任何拍摄成本和制作成本,内容又有趣又有传播性,又可以表达自我。这时候她就有了惊喜的感觉,而这就是他的啊哈(AHA)时刻。

三、用户留存,群组分析来识别留存特征

衡量用户留存的最常用方法是每日活跃用户DAU或每月活跃用户MAU,但是这会遇到一些问题:

  • 定义“活跃”很困难,每天启动App就算“活跃”吗?还是需要完成特定核心功能才能称为“活跃”?通常我们都会选择最大的那个最大值的DAU去定义(对外宣传活跃用户数时,你可以按照最大值去宣传,但是对内进行产品分析的时候,你需要清楚真正的活跃用户到底有多少)。
  • 如果你的产品正在增长,那么新用户注册数会扭曲你当日的用户留存,很多人会混淆这个数据,而且你无法分析有多少用户回访。

用DAU来衡量用户留存是否合适,我们可以来看一个例子。

假设你上架了一个音乐App。你通过一系列的媒体宣传和活动营销,让你的下载量和DAU获得了爆发式的增长。

DAU
DAU和Song Plays

通过上面的两张图,我们可以清楚的看到:

虽然你的产品的下载量和DAU仍然每天都在增加,但每天使用你产品核心功能,即听音乐的用户并没有持续增长,反而是在慢慢流失,也就是说你的用户留存率一直在降低。

如果你不对此进行干预,那么最终你的产品会这样:

最终结果:低留存,高流失

可操作的衡量标准:用户行为群组分析

你若要做好用户留存,你需要分析用户行为

我们先来看两张留存率表,分别是7日留存和30日留存。

7日留存率
30日留存

我们再来细化,看第一天Day1的用户流失情况,用漏斗模型来看会非清楚。

第一天Day1用户留存情况

你会注意到,7日留存图、30日留存图以及单独Day1的留存分析,我们发现一个非常引人注目的核心问题,那就是——大约一半的用户在第一天Day1的时候就流失了。这几乎是所有产品在面对新用户时的症结。

我们应该怎么做?

我们一步步来,我们可以尝试群组分析模型。

我们先来比较两个群组:第一个群组是“所有新用户”,第二个群组是 “第一天Day1就加入社区的用户”,我们对这两组来进行用户留存率的比较,分别是7日留存率、30日留存率、Day1留存率,你会看到以下情况:

“所有新用户”VS “Day1加入社区的用户”7日留存率比较
“所有新用户”VS “Day1加入社区的用户”30日留存率比较
“所有新用户”VS “Day1加入社区的用户”Day1留存率比较

通过上面的三个留存率的对比,我们很请粗的发现,“所有新用户”和“Day1加入社区的用户”这两个群组的7日留存图、30日留存图以及单独Day1的留存率,有一个显著的差异,那就是——“第一天就加入社区的用户”这个群组,在Day1的留存率明显高出很多。

这样,我们就可以:

  • 洞察用户行为随着时间是如何变化的
  • 寻找影响用户留存/流失的确切原因
  • 找到最佳手段和方法去挽回流失用户

关于群组分析,我不再具体展开叙述,推荐阅读:

群组分析Cohort Analysis:提高用户留存率的关键

如何使用群组分析Cohort Analysis来减少用户流失

用户漏斗模型:用户分层、群体分析、提高转化率

四、用户推荐,病毒营销背后病毒系数K值是关键

在做病毒营销和分析用户推荐时,病毒系数K值是主导指标。

想象一下,你有一个新产品,计划通过病毒营销来获取用户。你有10个朋友是第一批种子用户,他们开始邀请朋友来注册你的产品。

变量名 描述 示例值
Custs(0) 初始种子用户 10
i 每个用户发送的邀请数量 10
Conv% 每个用户邀请成功转化率 20%

病毒系数K值相关要素和变量(示例)

表格中和病毒系数K值相关的三个要素和变量分别是:

  • Custs(0),即初始种子用户Customer;
  • 即每个用户发送的邀请数量Invitation;
  • Conv%,即每个用户邀请成功转化率Conversion Rate;

我们需要计算的第一件事就是每个现有用户能够成功带来多少新用户,这是一个非常重要的变量,被称为病毒系数K。计算病毒系数K的公式非常简单:将每个用户的邀请数乘以邀请成功的转换率,即:

病毒系数是K = i * Conv%

现在让我们来看看在你新产品经历病毒感染的第一个周期,K是如何影响用户增长的。我们最初的10个客户将分别发出10个邀请(i),每个人邀请成功的转化率是20%(Conv%),病毒系数K=10*20%=2,即每个现有用户带来了2个新用户。

因此,第一个周期后的总用户数将等于初始种子用户10,加上新的20,等于30。

大多数人谈论实现的目标是让病毒系数K>1,这代表着用户将以指数方式增长,也就是我们说的病毒营销/用户裂变,因为平均而言,你的每个现有用户将带来多个新用户,这是超线性增长。

病毒系数K>1时用户指数增长

但事实上这种指数增长是非常罕见的。根据Rapportive创始人拉胡尔·沃赫拉(Rahul Vohra)的说法,病毒系数K>1是暂时的,甚至是不常见的,连增长黑客实验的践行者Dropbox都没有做到。

可操作的的衡量标准:提高邀请数和邀请成功率

根据Vohra的细分:病毒系数K从0.15到0.25是好的,病毒系数K=0.4是非常好的的,病毒系数>0.7是非常出类拔萃的。病毒系数在一年的时间内,每提高0.1就可能会为你带来数十万用户。

要做到这一点,你需要提高你的Conv%即邀请成功转化率或i即每个用户发送的邀请数量。时刻记住:

病毒系数是K = i * Conv%

  • 即每个用户发送的邀请数量Invitation;
  • Conv%,即每个用户邀请成功转化率Conversion Rate;

首先,查看你的推荐页面获得的流量类型以及实际参与该计划的流量。在这里,你将看到三个步骤:

  • 用户注册(也包含微信授权等这种情况)
  • 用户到达需要被推荐的页面
  • 用户发送推荐链接给其好友
用户推荐Referral三个步骤

95%的用户在他们注册后低达你的产品推介页面,然而只有15%的人发送了一个邀请给好友。

借此,你就可以分析,为什么用户不愿意分享?

你是否可以采取用户激励机制引导用户分享?

如果你专注于优化你的漏斗并提高病毒系数K值,那么你就可以做到病毒营销和用户裂变。关于病毒营销,我也不再展开具体叙述,推荐下面的文章,有很详细的阐述。

增长黑客&病毒营销&用户裂变背后的病毒系数K

为您推荐