4种用户增长模型：从简单到精细！

 

最简单的增长模型AARRR模型：

优点：容易搭建，可以快速显示出影响北极星指标的所有因素

缺点：它是定性模型，因此比较粗略，没有说明每个因素对北极星增长在数值上的影响，也没有标出每个因素之间的相互关系。

使用场景：可以作为第一版的增长模型，帮助团队对增长因素，有大体认识，也可以对不同产品进行对比。

02

半精细增长模型：全链漏斗型和因子分解型

优点：不仅可以分解出影响增长的因素，还可以找到对应的细分指标及数值，并用简化的公式表示他们的关系，因此可以找到机会点和进行简单的计算。

缺点：和AARRR模型相比，搭建要更费时，需要的数据较多尤其是因子分解型；和定量模型相比，公式较简化不能预测未来趋势和进行假设分析；

使用场景：信息量较大，搭建起来不太复杂建议作为日常使用的增长模型

Q

案例：全链漏斗型–谷歌的广告收入模型

全链漏斗型更多来说就是对于我们北极星指标的一个乘法分解，把所有的因素“点击率”“广告印象数”“点击平均成本”拆解出来从而进一步分解哪些因素可以影响到这些要素。

Q

案例：因子分解型—某互金借贷产品的利润增长模型

因子分解型更多来说就是更进一步我们希望通过一个公式 来真正的去计算我们最后的北极星指标，以上利润模型在这些要素里面 “坏账“比例和“出借人利息”是很难控制的，对于获客成本是可以影响的 那么针对获客成本进行进一步分解“ 复借获客成本”（老用户再一次借贷的成本）和“首借获客成本”首借又可以分解成新用户量和首借转化率等等 ，针对这些细分指标去做针对性的运营提升

03

最精细 的增长模型:全定量模型

分解出影响增长的因素和对应的细分指标，并把所有指标组合在Excel里计算北极星指标

优点：可观测历史趋势预测未来北极星指标的数值，并进行假设分析，量化不同指标变化对北极星指标的影响。

缺点：组装和维持起来比较费力每月更新

使用场景：适合有一定的数据基础，需要精细化运营的团队

Q

案例：某app的全定量模型

所以这个北极星指标月活完全是通过前面两个工作表算出来的，如何计算呢？

输入工作表1:月新增用户数

主要变量：不同的渠道获客数、K因子，激活率

时间维度：基于历史情况和对未来估计

有6个渠道每个渠道每个月都会带来一定的安装总数，其中一个渠道是用户推荐，预设了一个K因子代表也就是说平均每个月活跃老用户带来的多少新用户，用户基数越大通过推荐来的人就越多，6个渠道相加安装总数，安装-活跃有个激活转化率预设90%，得到每个月 有多少新增的活跃用户。可以看出1-5月是我们的历史情况，6-12是我们对未来预计估测。

输入工作表2:留存率

基于历史平均值可随实际情况进行调整

输出工作表：MAU（月活跃用户数）的工作表

月新增用户*次月留存率可算出每个月的