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
扫一扫 微信咨询
商务合作 联系我们