如何构建完善的AARRR模型数据指标体系？

AARRR模型是什么？AARR分别代表五个单词，对应产品生命周期的五个阶段:获取（Acquisition）：用户如何找到(并来)您的产品？激活（Activation）：用户的第一次使用体验如何？留存（Retention）：用户会回到产品(重复使用)吗？收入（Revenue）：产品如何(通过用户)赚钱？传播（Refer）：用户愿意告诉其他用户吗？AARR模型指出了两个核心点：以用户为中心，以完整的用户生命周期为线索。控制产品的整体成本/收入关系和用户生命周期的价值(LTV)远远大于用户获取成本(CAC)与用户的运营成本（COC）产品的成功意味着产品的成功。02ARR数据指标1.获取用户（acquisition）获取阶段是产品推广阶段，也是产品运营的第一步。运营商通过各种推广渠道以各种方式获取目标用户，评估各种营销渠道的效果，从而更合理地确定投资策略，最大限度地降低用户获取成本(CAC)。此时需要注意的主要指标是:1)日新登用户数（DNU）定义：每日注册并登录游戏的用户数。这里注册为广义概念，对于一些APP来说，是第一次开始进入APP的用户。因此，DNU的定义也可以是：首次登录或启动APP的用户。需要注意的是，在移动统计中，有时用户也指设备。解决问题：渠道贡献的用户份额。宏观趋势，确定投放策略。是否有大量的垃圾用户。注册转化率分析。2.提高活动性（activation）新用户通过沉淀转化为活跃（Activation）用户。此时，我们需要*活动用户的数量、用户的使用频率和停留时间。1)日活跃用户数（DAU）定义:每天登录游戏的用户数。对于一些应用程序来说，启动是一个活跃用户，而另一些应该通过账户注册形成一个网络账户，这被视为一个活跃用户。活跃用户的计算是排重。解决问题：核心用户规模。产品生命周期分析。失去活跃用户，分解活跃用户。用户活动率，活跃用户计算用户数量。2)每周活跃用户数量（WAU）定义:最近7天(含当日)登录APP的用户数一般按自然周计算。解决问题：周期性用户规模。周期性变化趋势主要是推广期和非推广期的比较。3)月活跃用户数(MAU)定义:上个月即30日(含当日)登录APP的用户数一般按自然月计算。MAU是风向标，因为MAU变化小，产品用户规模稳定。但在推广期间，版本更新和运营活动调整对MAU的影响更为明显。此外，MAU的趋势在不同的生命周期阶段发生变化。解决问题：用户规模稳定性。促销效果评估。整体用户规模发生变化。4)日均使用时间(DAOT)定义:每日总在线时间/日活跃用户数。使用时间可分为单次使用时间、日使用时间、周使用时间等指标。通过区间分布和平均计算，了解参与的粘性。解决问题：分析产品质量问题。观察不同时间维度的平均使用时间，了解不同用户群体的习惯。渠道质量测量标准之一。保留是损失分析的基础。5）DAU/MAU可以通过DAU/MAU看到用户每月访问App的平均天数。比如一个App有50万DAU和100万MAU，DAU/MAU的比例为0.5-，即用户每月平均访问时间为30*0.5=15天。这也是评估用户粘性的重要指标。DAU/MAU介于3.33%到100%之间，但显然这两种情况在现实中基本上是不可能的。不同领域的应用程序将有不同的基准值可供参考。例如，移动游戏将以20%为基线，2017年6月和9月国王荣耀的价值基本在31%左右，而工具应用程序将以40%为基线。DAU/MAU的值越高，毫无疑问，App的粘性越强，意味着更多的用户愿意使用App。相反，如果DAU/MAU的值很低，但不能直接说这个App失败了。还需要结合产品属性(如定期理财/求职/买房/租房App，DAU的自然属性可能相对较低)、时间考虑(工作日/假期等)、通过对版本更新、操作活动、用户维度ARPU值等多种条件进行多维分析，得出结论。因此，正确理解DAU/MAU的意义非常重要。3.留存（retention）解决了活动问题，又发现了另一个问题:“用户来得快，走得快”。有时我们也说游戏没有用户粘性或保留。我们需要衡量用户粘性和质量的指标，这是判断APP早期用户和活跃用户规模增长的一种手段（Retention）是手段之一。保留率：一段时间内的新用户数，记为A，一段时间后，仍使用的用户占新用户A的比例为保留率。第二天的留存率(Day1)RetentionRatio）定义:日新用户在 1日登录的用户数量占新用户的比例。2)三日留存率(Day3)RetentionRatio）定义:日新用户在 3日登录的用户数量占新用户的比例。3)7天留存率(Day7)RetentionRatio）定义:日新用户在 7日登录的用户数量占新用户的比例。保留率已逐渐演变为判断产品质量的重要标准。在*留存率的同时，也要*流失率的分析。更关心的是，从用户获取的角度全面分析获取用户的渠道方式是否合理，产品用户的规模是否能够增加。流失率关心为什么一些用户离开应用程序，这可能是用户获取阶段的问题，但当应用程序稳定用户规模时，付费用户的流失可能会显著降低应用程序的收入。保留率的计算可以根据统计时间间隔来确定。例如，在计算周保留时，计算新用户周保留是每周保留总额的新增量。上面提到的 3日或者 第三天和第七天的概念旨在强调。请注意，在计算保留率时，新增日不计入天数，即我们提到的保留用户。是指新用户增加后的第一天、第三天、第七天的保留。解决问题：APP质量评估。用户质量评估。衡量用户规模。流失:用户在统计时间间隔内在不同时期离开APP。4)日流失率(Day1)ChurnRatio)定义:统计日登录APP，但未登录APP的用户占统计日活跃用户的比例。5）周流失率(WeekChurnRatio)定义:上周登录APP，本周未登录APP的用户占上周活跃用户的比例。6）月流失率(MonthChurnRatio)定义:上个月登录APP，但本月未登录APP的用户占上个月活跃用户的比例。流失率是APP进入稳定期需要*的指标。如果*保留是*APP用户早期进入APP的情况，那么*流失率是*产品用户稳定性和产品中后期收入能力的转变。稳定期的收入和活动非常稳定。如果损失率较大，则需要通过该指标发挥警告作用，并逐步找出哪些用户离开了应用程序，问题出在哪里。特别是对付费用户流失的分析，更需要*。解决问题：分析活跃用户的生命周期。渠道的变化。版本更新对用户流失的影响评估是拉动收入的操作手段。流失率高的时期。行业比较和产品中期评估。4.收入（revenue）收入来源很多，主要包括:ARPU(客户单价)等应用付费、应用内功能付费、广告收入、流量实现等。主要注意:1)付费率(PR或PUR)定义:付费用户数量占活跃用户的比例。一般来说，付费率也叫付费渗透率，在移动APP市场，大部分只关心日付费率——即DailyPaymentratio。在不同类型的APP产品中，付费率的高低并不意味着付费用户增加或降低付费率。解决问题：产品收入转化能力标准。关键点和转化周期的用户支付。付费转化效果评估。2)活跃付费用户数量(APA)定义：在统计时间范围内，成功付费的用户数量。一般按月计算，在国际市场也叫MPU（MonthlyPayingUsers）。在数据分析中，更加*日付费用户和周付费用户，主要是因为用户生命周期短，短期付费成为*的焦点。计算活跃付费用户数量的公式如下：APA＝MAU×MPR解决问题：产品付费用户规模。鲸鱼用户、海豚用户、小鱼用户的比例和收入能力是APA的组成。付费群体的价值是对整体稳定性的分析。3)每个用户的平均收入(ARPU)定义:活跃用户在统计时间内产生的平均收入。一般以月计。每个用户平均收入的计算公式如下：ARPU＝Revenue/UserMonthlyARPU＝Revenue/MAU是指总收入除以总活跃用户数，一般按月计算。严格定义的ARPU不同于国内知名的ARPU，国内ARPU=总收入/付费用户数。因此，付费ARPU往往被强调，这里有一个叫做ARPU的特殊术语。ARPU在产品定位初期不同规模下的收入估计也是LTV的重要参考。解决问题：判断不同渠道的用户质量。产品收入贡献分析。活跃用户人均收入与交付成本的关系。4)平均每付费用户收入(ARPPU)定义：付费用户在统计时间内产生的平均收入。一般以月计。平均每付费用户收入的计算公式如下：ARPPU＝Revenue/PaymentUserMonthlyARPPU＝Revenue/APA是总收入除以总付费用户数，一般按月计算。受鲸鱼用户和小鱼用户的影响，ARPPU在分析时应谨慎。ARPU和APA、MPR的结合可以分析付费用户的保留情况，深入分析特定付费群体的损失，保证付费质量和规模。解决问题：付费用户的付费能力和梯度变化。付费用户的整体付费趋势与不同的付费阶层不同。挖掘鲸鱼用户的价值。5)生命周期价值(LTV)定义:用户在生命周期内创造的总收入。可视为长期积累的ARPU。每个用户的平均LTV计算如下。LTV＝ARPU×LT(平均生命周期按月或日计算)其中，LT为LifeTime(生命周期)：也就是说，用户通常从第一次启动APP到最后一次计算平均值，LT按月计算，即保留APP的平均月数。例如：APPARPU＝￥2，LT＝5.然后LTV＝2×5＝￥10。理论上，上述计算方法是可行的，实际上我们采用以下LTV计算方法。跟踪一天或一周的新用户，计算接下来的7天、14天和30天的累计收入贡献，然后除以新用户的数量，即累计收入/新用户＝积累ARPU（LTV）。这种方法可以计算不同生命周期阶段新用户的粗略生命周期价值。解决问题：用户收入贡献周期。LTV和CPA衡量用户群和渠道的利润贡献。LTV不区分付费用户和非付费用户，看待整体价值。5.传播（refer）自传播又称口碑传播或病毒传播。K因子是一个重要的指标。K因子的计算公式并不复杂，过程如下：K＝(每个用户向他的朋友发送的邀请数量)×(收到邀请的人转化为新用户的转化率)。假设每个用户平均向20个朋友发出邀请，平均转化率为10%，K＝20×10%＝2。当K＞1.用户群会像滚雪球一样增加。当K＜当用户群达到一定规模时，就会停止通过自传播增长。大多数应用程序不能完全依赖于自我传播，而且必须与其他营销方法相结合。然而，有必要在产品设计阶段增加有利于自我传播的功能。毕竟，这种免费的推广方式可以部分减少CAC。以上是AARR模型的数据指标系统。只有建立完善的数据指标系统，才能对用户行为进行更全面的分析。