1. 概述

AARRR是用户获取(Acquisition)、用户激活(Activation)、用户留存(Retention)、获得收益(Revenue)、推荐传播(Referral)这个五个单词的缩写,分别对应用户生命周期中的5个重要环节。该模型广泛的应用于互联网行业中,每个环节都会有对应的指标,是To C产品评估、优化的重要模型。
AARRR用户运营分析 - 图1

2. 准备数据

本文将对某APP的这5个发展过程进行分析演示。在开始演示之前,我们需要将示例数据导入本产品并完成数据建模,示例数据可在文末的附件中下载,操作可参考新建数据连接新建模型,本文不在赘述。
AARRR用户运营分析 - 图2

3. 案例演示

打开报告编辑页面,引入上一步创建的AARRR示例数据和传播数据模型。

3.1 获取


运营一款APP的第一步,毫无疑问是获取用户,也就是大家通常所说的推广。通常情况下会有多个推广渠道,但如何选出最优渠道,第一个要做的就是渠道分析。

通常情况下渠道分析有两个维度:获客数量和获客质量(本文以平均打开 APP 的浏览时间作为获客质量评价标准)。
AARRR用户运营分析 - 图3

用户数 = COUNTD([联系电话])

结论:通过推广渠道对比:得出「线下活动推广」的获客数量和获客质量(即平均一次浏览时间)最好。需要加大线下活动推广的投入,获得最优的获客效果。

3.2 激活


很多用户可能是通过终端预装、广告等不同的渠道进入应用的,这些用户是被动进入的,如何把他们转化为活跃用户?激活要做的就是活跃客户,重点关注用户对于产品核心功能的使用情况。

例如:短视频软件需要新用户观看到一定时长、聊天软件需要新用户完成一次对话才算激活。获客之后,用户在 APP 中成功购买了一次算激活成功。

下图为2020年各月份的用户激活率COUNTD(IF [是否激活] = "是" THEN [联系电话]) / COUNTD([联系电话])情况的区域图:
AARRR用户运营分析 - 图4

结论:10 月份激活率下降,需要排查激活率异常的原因。

3.3 留存


解决了活跃度的问题,又发现了另一个问题:“用户来得快、走得也快”。我们需要可以用于衡量用户粘性和质量的指标,这是一种评判APP初期能否留下用户和活跃用户规模增长的手段,留存率(Retention)是手段之一。

(1)当日留存率

新建一个名为“当日留存率”的计算字段,输入表达式COUNTD(IF [激活_登录时间差]=0 then [联系电话] else "")/COUNTD([联系电话]),如下图所示:
AARRR用户运营分析 - 图5

公式说明:

公式 说明
IF [激活_登录时间差]=0 then [联系电话] else "" 判断是否为当日登录,若是,返回电话,否则返回空值
COUNTD(····) 计算当日登录的用户数(对当日登录用户联系方式进行去重计数)
COUNTD(····)/COUNTD(联系电话) 计算用户留存率:当日登录用户数/当日激活的用户数

(2)第一周留存率

新建一个名为“第一周留存率”的计算字段,输入表达式COUNTD(IF ([激活_登录时间差]>=1 and [激活_登录时间差]<7) then [联系电话] else "")/COUNTD([联系电话]),如下图所示:
AARRR用户运营分析 - 图6

第二周内、30天内留存率同理计算。

(3)拖入计算字段

将激活用户的当日/一周/两周/30天留存率字段拖入表格,最终得出激活率分析表。如下图所示:
AARRR用户运营分析 - 图7

结论:总体来看,该 APP 留存率提升的空间还很大。一周留存率相比当日平均下降了 37%,需要分析流失原因,进一步提高产品体验,挽留召回已有客户。两周留存率相对下降趋缓,说明已经进行了一部分转化,需要对这些用户进行精细化运营管理,帮助用户稳定转化。

3.4 收益


收入的来源有很多种,主要包括:应用付费、应用内功能付费、广告收入、流量变现等。本文我们以用户转化为付费的会员用户为提高收益的的一个主要方式。我们将用户分为三个大类:低活跃用户、普通用户、会员用户。

使用漏斗图展示,如下图所示:
AARRR用户运营分析 - 图8

结论:低活跃用户数量庞大,活跃低活跃的用户,保持会员用户。

3.5 推荐


这个环节也叫自传播、口碑传播或者病毒式传播。其中有一个重要的指标是K因子。

K=(每个用户向他的朋友们发出的邀请的数量)×(接收到邀请的人转化为新用户的转化率)

假设平均每个用户会向20个朋友发出邀请,而平均的转化率为10%,则K=20×10%=2。当K>1时,用户群就会像滚雪球一样增大;当K< 1时,用户群到某个规模时就会停止通过自传播增长。

通过指标卡可将几项传播数据指标展示出来,如下图所示:
AARRR用户运营分析 - 图9

结论:该 APP K值已经大于1 ,拥有了自传播的力量。可通过“老带新”等运营活动进一步提高 K 值,加快传播速度。