用户行为分析——AARRR 模型 和RARRA模型
AARRR是一个漏斗模型，是一整套数据分析的思路、逻辑框架。从上往下分别是
- Acquisition 获取用户：用户如何找到我们？
- Activation 提高用户活跃度：用户的首次体验如何？
- Retention 提高留存率：用户会回来吗？
- Revenue 获取收入：如何赚到更多的钱？
- Referral 自传播（推荐）：:用户会告诉其他人吗？
在这个漏斗过程中,用户可能会一步一步慢慢流失,剩下的部分用户实现最终转化，需要注意的是AARRR模型并不是严格按照顺序来执行，每一个环节也不是绝对必要的。分别说一下以下每一个环节:
1 Acquisition：获取用户
获取用户，也就是大家通常所说的推广。此时推广人员经验很就显得重要：首先要分析自己产品的特性以及目标人群，与渠道用户进行定位和匹配，要摸清楚每个渠道量级与用户质量，不同产品时期选择不同渠道，是前期铺量还是稳定期保质量。
渠道量级指标： 曝光量、点击、下载、安装、激活（注册激活，主动激活、推送激活、交易激活）、累计新增。
**渠道质量指标：**CTR，激活率，安装率，CPA等每用户成本、用户LTV、1次/1日用户量，用户使用时长、留存率、付费率、ARPU
最后还要进行 假量排查\color{red}{假量排查}假量排查。
2 Activation：提高活跃度
如何将新增转化为活跃用户，
首先我们要理解下什么是活跃？ DAU = 当日新增 + 累计历史日留存
即今日活跃的用户中，一部分是新增，另外绝大部分都是以往的留存用户，产品运营周期越长，新用户占比越少。所以影响活跃最主要因素就是产品的留存表现，另外一点就是产品粘度。
分析活跃可以从两个角度出发：1.活跃用户构成 2.产品粘度
1)活跃用户构成：新老用户占比、新老用户活跃率、忠诚用户数、回流用户数、1次/1日登录用户占比等指标，根据不同产品运营时期，不同的参考数值。
2)产品粘度：
产品黏度很关键的指标，它说明了用户对产品的喜欢接纳程度，我们通常用MAU/DAU 来定义产品的黏度指标，比值代表用户回访的天数（几天会用一次产品），当MAU/DAU=1的话说明这款产品用户每天都用；
DAU/MAU * 30 代表用户一个月会用几次产品。
7日回访率、日均使用时长、日均登录次数等都是产品粘度的重要指标，分不同类型产品，依次分析。
Retention：提高留存率
通常维护一个老用户的成本要远远低于获取一个新用户的成本，所以熊瞎子掰玉米的情况是产品运营的大忌。分析出用户在哪里流失，为什么流失，才能有的放矢的解决问题。
留存率跟产品的类型有很大关系。通常工具类应用的首月留存率可能普遍比游戏类的首月流存率要高，有些产品不是需要每日启动的，看周留存率、月留存率等指标，会更有意义。分析留存必须清楚用户是在哪些环节流失，所以每款产品，都必须有自己的流失漏斗，越细致越好，前期数据埋点要尽可能详细。另外，分析人员必须明白，你分析的是流失率还是流失占比，还是流失概率，这之间差距很大。
产品的活跃与留存息息相关，必须放在一起去分析，提升活跃与留存4种方式：
1. 有效触达，唤醒用户：指的是通过手机PUSH、短信和微信公众号等能够触达到用户，唤醒沉睡用户启动APP的方式，是提升留存的非常有效的方法之一。如游戏老用户短信召回，电商老用户召回，召回肯定是有成本的，所以要根据用户以往行为，进行分析定为，找到召回率最高的那部分用户，（如RFM模型定为核心用户）
2. 搭建激励体系，留存用户：好的激励体系，可以让平台健康持续发展，让用户对平台产生粘性，对提升留存非常有效。通常使用的激励方式有成长值会员体系、签到体系、积分任务体系。
3.丰富内容，增加用户在线时长：这点游戏产品做的非常好，各种玩法活动本身就吸引用户投入时间成本，游戏又不断强化社交属性，更增加用户粘度与成本投入。
4.数据反推，找到你的关键点：比如知乎，评论超过3次，用户就会留存下来，很难流失。比如有些游戏产品，一旦玩家跨过某个等级就就很难流失。这些都是你需要通过数据分析才能找到的关键节点。
留存用户需要关注的指标：
次日留存率：（当天新增的用户中，在第二天使用过产品的用户数）/第一天新增的总用户数第3日留存率：(第一天新增的用户中，在第3天使用过产品的用户数)/第一天新增的总用户数第7留存率：（第一天新增的用户中，在第7天使用过产品的用户数）/第一天新增的总用户数第30天留存率：（第一天新增的用户中，在第30天使用过产品的用户数）/第一天新增的总用户数
Facebook著名的40-20-10法则：新用户次日的留存率为40%，7日之后的留存率20%，30天后留存率10%，这个表现的产品属于数据较好的产品。
Revenue：获取收入
获取收入其实是产品运营最核心的一块。极少有人开发一款应用只是纯粹出于兴趣，绝大多数开发者最关心的就是收入。
基本指标：ARPU、ARPPU、付费率（区分新老）
了解付费用户构成：高额、中额、低额用户分布
付费破冰点，付费卡点是否合理？付费点设计不合理时，付费点会变成流失点
持续付费能力分析：回购率，回购点是哪些功能，用户付费频率，时间间隔是多久？
付费功能和环节分析：不同拉收入的活动或功能，哪些反馈较好，哪部分用户反馈好，人均充值额，付费率各是多少？
另外，有些产品内部会有自身货币系统，如漫画类产品的逗币流通，游戏产品的钻石，金币等产品内部货币，产出消耗是否平衡，严重关系到产品的收入。
Refer：自传播
病毒式传播是每个产品向往的推广方式，除了好的营销方式铺垫，更重要的还是要靠产品自身的品质。自传播中的数据指标，可以参考口碑指数、百度指数、网站PR值、搜索引擎收录数、反向链接数据来衡量。之前一直想分析产品的自传播系数，现实数据中，无法剥离哪部分用户真正是靠自传播而来的，所以自传播系数比较难量化。
三、RARRA模型，它强调用户运营，以精细化运营带动二次购买、交叉销售和拉新获客
2019年，托马斯·佩蒂特Thomas Petit和贾博·帕普Gabor Papp提出RARRA模型，它是对海盗指标-AARRR模型的优化，可以说是一个反向漏斗的模型。它强调通过运营核心用户实现用户留存，先获取用户本身的价值，再通过用户去帮我们转化新的用户扩宽市场。
RARRA模型突出了用户留存的重要性，不再一味关注用户增长；由此企业由野蛮的用户增长时代开始进入用户的精细化运营时代。
RARRA模型中，R代表Retention，即用户留存；A代表Activation，即用户激活；R代表Referral，即用户分享；R代表Revenue，即用户价值；A代表Acquisiton，即拉新带来新用户。
- Retention：首先是让用户留存下来，企业要想办法为用户提供价值，让用户回访。
- Activation：用户回访后，确保让用户看到产品的价值，激发用户的兴趣。
- Referral：用户对产品感兴趣后，让用户对转发、分享、讨论和评价，一是帮助企业进行产品和口碑的传播，二是这些行为有助于进一步激发用户的购买行为。
- Revenue：用户评论和转发产品后，用户购买产品，对企业贡献了价值。
- Acquisition：用户向周围人推荐产品或企业，帮助企业引入了新用户。
RARAA的第一步也是最重要的工作是做好用户留存，这就要用到用户留存率曲线和Cohort分析（用户同期群分析），找到用户流失的时间节点、流失用户和留存用户的特征，基于这些分析做到在正确的时间节点采取正确的留存运营手段防止用户流失；同时根据现有留存用户特征寻找类似的新目标用户（这样带来的新目标用户既可以提高留存率又可以转化率）。
RARAA模型的真正价值在于，让新用户产生初次购买，让老用户产生二次购买或交叉购买，让老用户拉新带来新用户。
- 让未产生购买行为的老用户实现购买，为公司贡献价值。
- 让产生购买行为的老用户实现二次购买/复购，拉长用户的生命周期，增加用户生命周期价值LTV。
- 让产生购买行为的老用户实现交叉购买（比如让已购买数学课程的用户购买语文课程），增加用户的交叉购买价值。
- 让老用户进行传播，影响其他新用户，实现低成本的拉新获客。
参考引用:AARRR
Joan的数据分析
用户行为分析——AARRR 模型 和RARRA模型相关推荐
- 【用户增长模型-上篇】从AARRR模型到RARRA模型，互联网到底经历了什么？
做用户运营的同学必然学过比较经典的AARRR模型,随着互联网环境变迁,这两年RARRA模型也可谓大行其道,今天我们聊聊两个模型的概念,以及从AARRR模型到RARRA模型变迁过程. AARRR模型的概 ...
- 【数据分析实战经验】淘宝用户行为分析①-AARRR、RMF模型（数据量：百万级，工具mysql)
电商平台的用户行为分析,能一定程度的推动运营.产品等迭代,提供决策支持. 数据集来源: 阿里云池 样本量: 3835331 方法工具: 本文用2017年11月至12月的淘宝用户行为,AARRR模型及R ...
- 利用python进行用户行为分析
用户行为分析 文章目录 用户行为分析 1.什么是用户行为分析 1.1 了解用户行为分析 1.2 用户行为分析的目的 1.3 用户行为分析指标 1.4 实施用户行为分析 1.4.1 行为事件分析 1.4 ...
- 哪个是更早的时间 date_淘宝用户行为分析（漏斗模型+pv,uv,pv/uv,复购率,用户活跃时间段）...
数据来源https://tianchi.aliyun.com/dataset/dataDetail?dataId=46 用户行为表:用户ID,商品ID,用户行为.用户地点,商品大类ID,时间 需求:该 ...
- 基于多模型融合的用户画像分析统计方法研究
摘 要 随着信息技术的快速发展和大数据技术的广泛应用,企业的营销和产品的设计,对精细化.精准化的要求越来越高.主流的电商平台.搜索引擎以及短视频平台均推出了基于用户画像的个性化推荐服务,这其中相当一 ...
- 【用户行为分析】 用wiki百科中文语料训练word2vec模型
本文地址: http://blog.csdn.net/hereiskxm/article/details/49664845 前言 最近在调研基于内容的用户行为分析,在过程中发现了word2vec这个 ...
- 用户行为分析的背景以及几种模型分析、实例分析——淘宝用户行为分析
这里写目录标题 1. 绪论 1.1了解用户行为分析 1.2用户行为分析的目的 2.用户行为分析的具体内容 2.1用户行为分析的指标 2.2用户行为分析模型 2.2.1漏斗模型分析 2.2.2用户留存分 ...
- 基于机器学习技术的用户行为分析:当前模型和应用研究综述（A survey for user behavior analysis based on machine learning technique）
A survey for user behavior analysis based on machine learning techniques: current models and applica ...
- 【机器学习-贷款用户逾期情况分析2】3.stacking模型融合
3.0 任务说明 用你目前评分最高的模型作为基准模型,和其他模型进行stacking融合,得到最终模型及评分果. 3.1 stacking模型融合 Stacking(有时候也称之为stacked ge ...
- 数据挖掘与数据化运营实战. 3.8 用户（买家、卖家）分层模型
3.8 用户(买家.卖家)分层模型 用户(买家.卖家)分层模型也是数据化运营中常见的解决方案之一,它与数据化运营的本质是密切相关的.精细化运营必然会要求区别对待,而分层(分群)则是区别对待的基本形式. ...
最新文章
- 比特大陆发力边缘计算，详解终端AI芯片BM1880
- 关于R语言的一些编程经验
- java 高效io框架_Java基础之IO框架
- oracle12c安装卡住_windows上安装oracle 12c到69%时卡住不动解决方案
- oracle查询执行过的sql语句,如何查询已经执行过的SQL语句曾经的执行花费时间
- 算法复杂度为O(N) 的排序算法
- linux 之间 copy 传输文件方法：ftp、samba、sftp、scp、sz/rz
- 附录：更多有序集合操作命令
- 【需求对接】ATR“春雨”博士后联合基金指南
- 苹果iPhone 13 Pro机型有望采用LTPO技术屏幕 支持120Hz刷新率
- XmlHttpRequest错误：Access-Control-Allow-Origin不允许使用原点null
- Java map遍历
- SQL SERVER 事务例子
- Python秒求四位玫瑰数
- PKM2 - PKManager (基于内容的个人知识管理工具) 5M 绿色免费
- 互联网大数据时代下亚马逊是如何解决数据存储的
- Scratch编程（十）扩展模块：视频侦测模块
- 【图像超分辨率】Satellite Image Super-Resolution via Multi-Scale Residual Deep Neural Network
- 【STM32】实战2—用STM32产生PWM信号驱动舵机MG996R（一）
- win10 android虚拟,win10系统安卓模拟器使用的操作方法