目录
一、One Metric - 第一关键指标法
二、AARRR海盗指标法
2.1 为什么叫海盗模型呢？
2.2 AARRR模型的核心点
2.3 AARRR海盗模型在生活中体现是怎样？
2.4 AARRR海盗模型怎么使用呢？
三、Growth Hacking - 增长黑客
四、数据金字塔
4.1 数据建模
五、总结
目前，互联网创业公司的用户比较关注以下难题：
- 如何构建指标体系？
- 常用的数据分析方法以及如何使用？
- 数据金字塔的构成，如何从宏观的角度看数据采集、数据传输、数据建模、数据存储以数据可视化的整个过程？
帮助互联网创业公司搭建从0到1的指标体系建设，重点关注第一关键指标（One Metric）、AARRR（海盗）模型；根据自身产品的MVP阶段、增长阶段、变现阶段的划分以及数据的大、全、细、时特点，利用代码埋点、可视化埋点、无埋点等方式进行全部数据源采集，方便后续的多维数据建模及数据分析；同时采用合适的数据分析方法，除PV、UV等宏观数据之外，利用多维事件分析、漏斗分析、留存分析、A/B测试、行为序列分析、用户分群等更深层次的模型分析产品，能够做到真定理解用户行为，重视数据采集和建模的过程。
一、One Metric - 第一关键指标法
- 找到最关键的一个指标
- 衍生出子指标
- 注：任意指定的时间里，都有那么一个指标
适用于：业务初期，不应关注所有到处发力，可能哪一块都没有做好。我们应该关注一个指标，这个指标对我们来说是最关键的，为了提高指标可能会衍生出N多个指标，这些衍生指标与第一关键指标共同支撑。比如在业务初期阶段，我们重点关注销售额这个指标，GMV（成交额）= 销售额 + 取消订单金额+拒收订单金额+退货订单金额+优惠券金额。
创业阶段
- MVP阶段：Minimum Viable Product: 最小可用产品，定性分析
- 增长阶段：留存阶段，这个阶段会重点关注留存率
- 变现阶段：重点关注营收/成本/利润率；LTV(Life Time Value)；CAC（Customer Acquisition Cost）；可以通过分成比例、盈利周期对渠道进行分析。
二、AARRR海盗指标法 2.1 为什么叫海盗模型呢？
是因为用这套方法论做起增长来，就像海盗掠夺式增长一样疯狂。它分为：获取(Acquisition)、激活(Activatiion)、留存(Retention)、变现(Revenue)、推荐(Referral），就是AARRR海盗模型。
AARRR分别代表了五个单词，又分别对应了产品生命周期中的五个阶段：
- 获取（Acquisition）：用户如何发现（并来到）你的产品？
- 激活（Activation）：用户的第一次使用体验如何？
- 留存（Retention）：用户是否还会回到产品（重复使用）？
- 收入（Revenue）：产品怎样（通过用户）赚钱？
- 传播（Refer）：用户是否愿意告诉其他用户？
可能很多互联网人都知道，这个模型非常好用；所有以最终【成交】为目的【运营行为】，都可以用这个模型来做，它是指我们将所有的用户，从对你完全【没有感知】到最后【付费忠实】，中间建立了一个大的漏斗。也就是我们把它分为：从拉新到激活到留存到付费到传播，这样的5个等级。那我们所有的运营活动就都有了体系。话不多说，直接下图：
2.2 AARRR模型的核心点AARRR模型指出了两个核心点：
- 以用户为中心，以完整的用户生命周期为线索；
- 把控产品整体的成本/收入关系，用户生命周期价值(LTV)远大于用户获取成本(CAC)与用户经营成本（COC）之和就意味着产品的成功。
我们举个例子：假如说你是一个海盗船长，肯定是要发展状大自己的队伍，对吧~但是大家不会无缘无故地就加入你的海盗团伙，所以你需要一个钩子，这里钩子呢很有可能是一箱金币。当然了，更狠一点。可以是一张跟我混就有金子的大饼，互联网行业基本都是这么干的。重赏之下肯定会吸引不少人围观，这就叫【获取】；然后呢，总会有几个脑子不好使的，就被忽悠到海盗船上了，这就叫【激活】；结果呢过了几天有一个反应过来，自己貌似是被骗了就跑掉了，那个叫流失用户；总会有人持续留下来，这就叫【留存】；既然留下来了，总得交点伙食费、住宿费或者入会费什么的吧，这就叫实现了【变现】。然后呢自己作为海盗船长，既然有小弟了，就应该上小弟出去画饼招人了，这就叫【推荐】；这就是增长的AARRR模型。
2.4 AARRR海盗模型怎么使用呢？例子一：公众号知识分享
到底我发一篇公众号是为了什么，我是为了获取，希望更多的人进入社群，那我在这个社群他们进群的时候，我搞一些活动他们自我介绍是为了什么，原来这个是为了第二步叫激活，他进入这个群不是一个死群，他主动的这个群做参与，那我每一天在这个群里去搞一些持续的干活分享，我做一些持续的干货引入是为了什么，原来是为了留存，就是进来之后，我要让他持续的在群里面，接受我的一些知识输出，并且建立对我们这样一个社群的好感。那我有一天在社群里面搞了一场直播课，然后我在这个直播课中直接进行我的知识课或者我的书的售卖，这是为了变现，直接获得显著的一个商业价值。那我持续运营社群，在这里面给大家一些转发的福利，甚至给一些拼团福利，让用户把好评传播出去是为了什么，原来为了最后一个等级就是推荐，能够形成一个口碑裂变。
例子二：电商拼多多
拼多多，无疑是互联网时代近2年来增长最迅速的公司之一，它不仅仅是依赖于微信当中的转发分享拼团，其实在花钱买量上更是行家里手。根据AARRR模型它有两个阶段做的是相当好，第一：是针对新用户的Acquistion阶段 金钱开路，大肆买量；第二：是针对老用户的Referral阶段，通过游戏化的方式实现社交的分享。
在新用户Acquistion获取阶段，拼多多投入了大量的预算在广告营销上，其中既有拼多多、拼的多、省的多 这样的电视广告作为用户认知的高空轰炸，也有直接链接到拼多多APP下载，通过朋友圈广告来对用户的行为进行地面收割。表面上看这条广告有点LOW
但是实际上这条广告的背后是上百次的测试，人物、背景、文字每一个图片元素的使用，都是用数据来作为背后的坚实支撑。
我们再来聊聊拼多多游戏化的社交引流，在Referral阶段拼多多将微信生态当中的社交分享玩到了极致。它不仅每一个商品都需要拼单购买，而且拼多多也会把热点事件和节日结合到自己的拼单小游戏当中。此外拼多多有一个200多人的增长团队，这个增长团队是个多面手，他们既可以进行内容素材的创作，也可以进行自动化的广告投放，更可以进行全链路的效果数据收集。通过这样的一支团队他们将AARRR模型同用户增长融为一体，实现了最低成本下最高效率的用户增长。
那么拼多多的增长模式，给我们带来了哪些启示呢？拼多多的增长靠的不是广告颜值LOW不LOW，靠的是他们对用户数据的分析、洞察，所以一切依仗数据的产品思维，简单精暴但却直接高效。
所以我们会发现，按照这么AARRR海盗模型一个思路我们就建立了一个通过数据驱动运营增长或者运营商业化的框架。这里面包含从获取、激活、留存、变现、推荐的5步，真正做到有思考并且你的每一步都是为了你的目标在行动。当然了，现在也有个论调，AARRR模型已经过时了，现在都是RARRA了。其实两者差别不大，就是改变一下顺序和思路，这只是增长链路里边增长模型的一种，其实一个最基础的增长链路。
三、Growth Hacking - 增长黑客
传统营销是通过花钱买流量，获客成本高；而Growth Hacking则是通过技术手段，将增长因子融入产品中，获得自增长，即通过数据分析、洞察的能力驱动业务增长。在互联网公司中常用的数据分析方法有：
- 多维事件分析
- 漏斗分析
- 留存分析
- 行为序列分析
- A/B 测试
- 用户分群
以电商场景为例，事件可以有：取消订单、售后服务、提交订单、搜索商品、支付订单、收到商品等等，维度可以有： *** 作系统版本、是否WIFI、城市、省份、设备制造商、设备型号、订单ID、用户姓名、年龄、性别等；常用的指标有：总次数、触发用户数、人均次数、订单总价、运费等。
一般大厂会有自己的多维事件分析，比如订单支付成交额的总和最近7天出现了下滑，通过多维事件分析发现原来是WeiXin支付渠道下降得明显，进一步分析得出原来是支付接口升级导致。通过多维事件分析，我们比较容易得发现定位到引起核心指标波动的原因。同时，在互联网公司中一般都会有自己的A/B实验系统，通过强大的A/B实验系统能得出比较客观、符合产品策略的数据，经大厂为例一天往往可以同时运行几个测式实验，大大提升的测试、迭代的效率。
百度知道为例，通过A/B测试，发现等待您来回答 VS 我来帮忙解答，两者在用户接受程度方面的测试。
四、数据金字塔
- 数据采集：全，多种源（客户端、服务端、数据库等）全量而非抽样
- 细：Who、When、Where、How、What
- 分析UV、PV、点击量等基本指标
- 活动/新功能快速上线，迭代时的效果评估
- 精细化分析核心转化流程
- 分析不同渠道和不同推广方式的投放效果
- 客服服务质量的考核
- 不同快递在不同省份运送不同品类产品的速度的比较
我们先看下面的一个业务数据库表之间有关系，这个关系是错综复杂的。
上图是就非常典型的业务数据库，数据库存了很多表信息， 比如：注册表、商品表、交易订单表、表之前有依赖关系，像上图这种情况基于业务数据表做一些数据分析，会有两个问题。
第1个问题: 难以理解。
理解清楚几十张表之前的依赖关系，对于一些非技术人员来说，看着就头大。硬着头皮弄清楚，代价还是蛮大的，等弄清楚了，可能上游又拆表了或者是表结构进行了一些调整。
第2个问题：性能不能。
正常的业务数据库，是高并发去查询的。但我们业务分析的数据库，虽然查询频次不高，但吞吐量非常大。像这种数据结构的设计就不利于海量数据吞吐查询，所以我们一定要对数据建模。
4.1 数据建模
数据建模的标准两点：
1、易于理解。
推荐Event模型，把用户 *** 作的梳理成一系列的事件，事件又包括一系列维度。比如：浏览商品就是一个事件，事件牵连一系列维度，有：手机品牌、省份、用户ID、产品名称、价格
2、在技术上支撑秒级的查询响应（多维数据模型OLAP）
五、总结
- 确定关键指标
- 采用合适的分析方法
- 重视数据采集和建模
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）