AARRR模型

对于大量的用户数据，我们通常要进行用户生命周期建设去理解和维护用户，这时就需要用到大名鼎鼎的AARRR模型了。

一、AARRR概念

AARRR模型因为其爆炸性的增长方式通常又被称为海盗模型，其本质由获客、激活、留存、收益、传播5个阶段组成，对这五个阶段的解释如下：

Acquisition（获客）：用户从不同的渠道进入产品；
Activation（激活）：用户在产品内部使用核心功能（完成某个特定任务）；
Retention（留存）：用户连续性的使用产品；
Revenue（收益）：用户对产品产生了付费行为；
Referral（传播）：用户推荐他人来使用你的产品。

对于AARRR，我们可以用漏斗图来表示整体的转化过程，示例图如下：

从转化链路来看，从获客到传播的整个过程中，每向下深入一个层级，对应的用户数就会照上一层有一定的损失，因此层级越向下，对应的漏斗也就变的越窄，在使用实际数据绘制漏斗图的情况下我们也可以从漏斗的变化中看出对应转化率的变化。

二、AARRR策略

从策略的角度看，几个过程中应该做出的思考如下：

获客：怎样找到用户？怎么让用户找到你？
激活：怎么给用户良好的“初体验”？
留存：怎么让用户留下来？
收益：怎么让用户消费？
传播：怎么让用户和其他人进行分享？

有了这些思考，该怎样去解决这些问题呢？我们以“PDD”平台为例来进行拆解。

1. 获客：砸钱，投广告

对于各大平台来说，最有效率的获客方式就是进行广告投放，PDD也不例外，我们在各大互联网平台、电视节目、线下商场中都看到过他进行投放的广告，这就是一种最普遍的获客方式。

2. 激活：转盘、助力、砍刀

可以说获客多数情形下是交给“别人”去做的事情，而从激活开始就是平台自身需要进行思考的问题了，当我们第一次进入到PDD平台的时候，通常会直接弹出一个红包让你打开，这个红包里可能是无门槛优惠券，也可能是让你免费获得某个商品进行砍价的资格，但无论是什么，它的目的都是给用户展示出“豪横”的一面，这也不失为一种有效的激活方式。

除了第一印象，剩下的就是根据各种算法去推荐用户喜欢的商品从而提高用户的活跃度与使用体验。

3. 留存：促销、优惠、免费

让用户留在平台是一个很头疼的问题，在这个问题上PDD提供了两个有趣的方向：1、助力玩法，免费获取商品，2、卖场销售模式，低价购物，这两个方向充分抓住了人们对于“免费”和“低价”的重视程度，从而也就解决了留存的问题。

4. 收益：购物

作为一个能够进行购物的电商平台，当用户收到优惠券的时候，产生消费行为就不是什么难事了。

5. 传播：帮忙砍价

关于传播，相信很多人都小有获益（shen shou qi hai）：七大姑八大姨让你帮忙的链接接踵而至；天天有人追着屁股让你砍他一“刀”；突然出现不知名的互助群…此类事件的出现也充分体现了PDD在传播上玩法的强大之处。

从上面的例子中我们可以总结一下对于这几个阶段可以执行的策略：

阶段	核心	策略
获客	获取用户	1、设计精致的曝光内容 2、选择不同的曝光渠道（抖音、朋友圈、百度等）
激活	提高活跃度	1、设计具有吸引力的初次展示页 2、快速根据用户行为判断偏好 3、根据偏好推荐，从而提高活跃度
留存	提高留存率，减少流失	1、对用户分层，对待流失用户提供策略 2、收集用户需求，提供有价值的服务
收益	获取收入	1、促销吸引用户购买 2、发放优惠券，吸引用户购买
传播	自传播	1、通过奖励，鼓励用户传播 2、根据影响力，制定不同的奖励策略

三、AARRR指标

对于AARRR模型的5个不同阶段，我们需要通过不同的指标去进行衡量，对于每个阶段常用的衡量指标如下：

获取

日新增用户数（DNU）：每日注册并登陆的用户数。

激活

日活跃用户数（DAU）：每天登陆过产品的用户数（还有周活（WAU）、月活（MAU））
日均使用时长（DAOT）：平均每天每个用户使用时间（日总计在线时长日活跃用户数\frac{日总计在线时长}{日活跃用户数}日活跃用户数日总计在线时长）

留存

次日留存率：前一天新增的用户数在第二天使用的比例（还有三日留存率、七日留存率等）。
日流失率：统计日使用产品，但随后7日未使用产品的用户占统计日活跃用户的比例。
周流失率：上周使用过产品，但本周未使用产品的用户占上周活跃用户的比例。
月流失率：上个月使用过产品，但是本月未使用产品的用户占上月活跃用户的比例。

收益

付费率（PR）：付费用户占活跃用户的比例。
活跃付费用户数（APA）：在统计时间区间内，成功付费的用户数。
平均每用户收入（ARPU）：在统计时间内，活跃用户产生的平均收入。
平均每付费用户收入（ARPPU）在统计时间内，付费用户产生的平均收入。
生命周期价值（LTV）：用户在生命周期内创造的收入总和。

传播

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）

四、Python绘制AARRR模型

通常我们需要用图像的形式去展示AARRR模型，从而制定相应的运营策略，我们可以使用python中的pyecharts进行绘制，绘制后会生成对应的html文件。

对于数据我们只需要知道每个阶段对应的用户数就可以了。

使用Pyecharts进行绘制

from pyecharts import options as opts
from pyecharts.charts import Funneldata = [13543, 11413, 10982, 7765, 5918]
phase = ['新用户', '激活用户', '留存用户', '消费用户', '传播用户']funnel = Funnel(init_opts=opts.InitOpts())
funnel.add("阶段", [list(z) for z in zip(phase, data)])
funnel.set_global_opts(title_opts=opts.TitleOpts(title="AARRR模型"))
funnel.render("AARRR.html")

得到的结果如下：

AARRR（海盗模型）｜原理+Python可视化实现相关推荐

ARIMA（p,d,q）模型原理及其实现 --------python
1.简介 ARIMA模型(Autoregressive Integrated Moving Average model),差分整合移动平均自回归模型,又称整合移动平均自回归模型,时间序列预测分析方法之 ...
python可视化多个机器学习模型在独立测试集（test data set）上面的AUC值、可视化模型效能
python可视化多个机器学习模型在独立测试集(test data set)上面的AUC值.可视化模型效能 # x_lables为模型名称列表,包括,逻辑回归.朴素贝叶斯.支持向量机.随机森林.xgb ...
python可视化多个机器学习模型在训练集(train set)上交叉验证（cross validation）的AUC值、可视化模型效能
python可视化多个机器学习模型在训练集(train set)上交叉验证(cross validation)的AUC值.可视化模型效能 # 所有的模型中填写的参数都是通过randomsearchcv ...
可对Python运行原理进行可视化分析的工具
Python Tutor Python Tutor是一个对Python运行原理进行可视化分析的工具,网址为: http://www.pythontutor.com 使用范例参考链接转载于:http ...
LDA主题模型原理解析与python实现
本文转自:LDA主题模型原理解析与python实现_wind_blast的博客-CSDN博客 python实现: #-*- coding:utf-8 -*- import logging impo ...
时间序列分析ARMA模型原理及Python statsmodels实践（上）
目录 1. 时间序列及相关基本概念 1.1. 时间序列分解 1.2. 时间平稳序列 1.3. 自相关与自相关函数(ACF) 1.4. 白噪声及Ljung-Box检验 1.4.1. 白噪声 1.4.2. ...
机器学习之EM算法的原理及推导(三硬币模型)及Python实现
EM算法的简介 EM算法由两步组成:E步和M步,是最常用的迭代算法. 本文主要参考了李航博士的<统计学习方法> 在此基础上主要依据EM算法原理补充了三硬币模型的推导. 1.EM算法的原理 ...
数据可视化之饼状图（原理+Python代码）
数据来源于Kaggle数据集,链接:https://www.kaggle.com/Cornell-University/arxiv 目录 00.前言一.原理介绍二.代码实现三.结果解释 00.前 ...
【业务模型】AARRR模型（海盗模型）
一.海盗模型指标体系是什么 AARRR 包括了五个指标,这五个指标包括了从客户注册产品或者服务到付费的全过程. 获取用户(Acquisition) 首先让用户知道了解产品,通过社交媒体.内容营销.免费 ...

AARRR（海盗模型）｜原理+Python可视化实现