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，我们需要关注活动用户的数量、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。在关注留存率的同时，也要关注流失率的分析。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进入稳定期需要关注的指标。如果关注保留是关注APP用户早期进入APP的情况，那么关注流失率是关注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，更需要关注。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，更加关注日付费用户和周付费用户，主要是因为用户生命周期短，短期付费成为关注的焦点。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。