本文作者結(jié)合實(shí)際案例，跟大家分享一下在RARRA模型下，如何做用戶增長？

從AARRR到RARRA的運(yùn)營思路轉(zhuǎn)變

眾所周知，AARRR經(jīng)典的增長黑客體系，也稱之為「海盜法則」，分別是獲取、激活、留存、變現(xiàn)以及推薦。提出這個模型的 Dave McClure 認(rèn)為，所有創(chuàng)新型、成長型的企業(yè)都應(yīng)該按照這樣的模型來做增長。

AARRR專注于獲客（Acquisition），作為一個2007年提出的概念， AARRR模型可能已經(jīng)不再適用互聯(lián)網(wǎng)運(yùn)營這個瞬息萬變的場景。原因有二：

（1）獲客成本增加

市場競爭激烈，用戶獲客成本已經(jīng)不再便宜，一組數(shù)據(jù)顯示：阿里線上獲客的成本翻了 6 倍， 京東的獲客成本翻了 1.5 倍，趣頭條用戶獲取成本增加了 8 倍，百度的流量獲取成本增長了 41%。在當(dāng)前的情況下，以拉新獲客為中心的增長模式意味著要比十年前這個模型提出時平均增加5倍以上的成本。

（2）流失率高

一組數(shù)據(jù)顯示，現(xiàn)在平均每個App在安裝后的情況：前3天內(nèi)將流失掉77％的DAU。在30天內(nèi)，它將流失90％的DAU。而到了90天，流失率躍升到95％以上。不管你是否心存懷疑，這就是目前眾多創(chuàng)業(yè)公司所面對的現(xiàn)實(shí)窘境，它創(chuàng)造了Brian Balfour所說的“無意義成長之輪”。

因?yàn)橐陨蟽蓚€原因，現(xiàn)在黑客增長的真正關(guān)鍵在于用戶留存，而不是獲客。所以我們需要一個更好的模型——就是RARRA模型。

AARRR與RARRA的區(qū)別

RARRA模型是托馬斯·佩蒂特Thomas Petit和賈博·帕普Gabor Papp對于海盜指標(biāo)-AARRR模型的優(yōu)化，RARRA模型突出了用戶留存的重要性。

簡單的說，AARRR模型的核心在于獲客，而在RARRA的模型下，專注用戶的留存。

RARRA模型下，如何做用戶增長？（成功案例分享）

分享一個我們前不久自己做的RARRA模型下用戶增長的成功案例：

我們做的是一個在線教育平臺，課程的分類包括：

• 以拉新為目的的新用戶免費(fèi)體驗(yàn)課（0元）；
• 以轉(zhuǎn)化為目的的低價專題課（50元以內(nèi)）；
• 以盈利為目的的短期班課（999元以內(nèi)）和系統(tǒng)課（1000-4000元）。

這樣的課程顯然是以拉新-留存-轉(zhuǎn)化個流程進(jìn)行的設(shè)計(jì)，也是現(xiàn)在很多在線教育平臺通用的課程模式設(shè)計(jì)，其實(shí)本質(zhì)上和其他行業(yè)的平臺也是類似。

在RARRA的模型下，數(shù)據(jù)驅(qū)動更重要。因?yàn)槿绻麑Ｗ@客，可以在渠道選擇等方面憑借經(jīng)驗(yàn)和主觀判斷來選擇，但是專注留存，就必須用數(shù)據(jù)分析找出每個留存環(huán)節(jié)的差異因素，進(jìn)而制定最的方案大幅度提升留存率。在在線教育平臺的運(yùn)營中，因?yàn)閺耐茝V到課程設(shè)計(jì)、課程質(zhì)量、售前售后服務(wù)等，包含大量影響營收的因素，因此數(shù)據(jù)分析方法也相對復(fù)雜。

數(shù)據(jù)分析的第一步，也是關(guān)鍵點(diǎn)在于：構(gòu)建指標(biāo)體系。

對于一個平臺來說，一般的數(shù)據(jù)指標(biāo)都非常多，但必須確定唯一關(guān)鍵指標(biāo)（OMTM），也是大家常說的北極星指標(biāo)，作為驅(qū)動的方向。

回歸商業(yè)本質(zhì)，一切商業(yè)模式的終極目標(biāo)當(dāng)然是收入，但是收入這個指標(biāo)并非北極星指標(biāo)，而是決定北極星指標(biāo)的上級因素。如下圖所示，平臺收入=有效聽課用戶數(shù)*客單價。因?yàn)檎n程的客單價有大致的市場標(biāo)準(zhǔn)，不會做太多變動。因此經(jīng)過分析，我們認(rèn)為直播課程運(yùn)營的北極星指標(biāo)是——有效聽課用戶數(shù)，也就是購買了課程并且有效聽課的用戶數(shù)量。

那么接下來，就要對北極星指標(biāo)進(jìn)行分解。

從指標(biāo)拆解來看：

• 有效聽課用戶中的新用戶數(shù)=外部流量導(dǎo)入*轉(zhuǎn)化率；
• 有效聽課用戶中的老用戶數(shù)=老用戶數(shù)*續(xù)報率。

在最后分解的四個指標(biāo)中，除了老用戶數(shù)是直接由新用戶轉(zhuǎn)化率決定的之外，流量、轉(zhuǎn)化率、續(xù)報率三個指標(biāo)都是可以通過運(yùn)營來提升和改善的。

但是由于時間和資源的限制，對于三個指標(biāo)，運(yùn)營策略上肯定會有側(cè)重點(diǎn)和先后順序。

一開始，我們采用的是AARRR模型，把重點(diǎn)放在提升流量和新用戶轉(zhuǎn)化率上。通過廣告投放、拉新紅包等大量引流，并在課程設(shè)計(jì)上做了很多設(shè)計(jì)促進(jìn)新用戶轉(zhuǎn)化率。最后流量和轉(zhuǎn)化率都提升了，但問題是，用戶停留在0元免費(fèi)課和低價轉(zhuǎn)化課上，而續(xù)報高價課的有效用戶很少，這樣看似產(chǎn)品新增用戶很多，熱熱鬧鬧，但整體的營收還是上不去。

團(tuán)隊(duì)分析后認(rèn)為，AARRR模型可能并不適合我們。既然續(xù)課率出了問題，應(yīng)該嘗試采用RARRA模型，把運(yùn)營重點(diǎn)放在留存上。

于是，數(shù)據(jù)組開始探索留存的問題點(diǎn)出現(xiàn)在哪里。

我們拉出不同維度用戶數(shù)據(jù)進(jìn)行對比，最后發(fā)現(xiàn)新用戶和老用戶的續(xù)課率差值竟高達(dá)53%。

也就是說，新用戶進(jìn)行初步低價課轉(zhuǎn)化后，在從低價課到達(dá)正價課的留存續(xù)課階段，是流失最嚴(yán)重的一塊。

找到了最痛的點(diǎn)，問題其實(shí)已經(jīng)解決了一半。

接下來，通過各種數(shù)據(jù)因素分析，我們判斷出了影響新用戶續(xù)課率的幾個重點(diǎn)因素，分別是：用戶來源、課前服務(wù)、課程質(zhì)量。并且對每一個因素繼續(xù)分解深挖。（標(biāo)紅為續(xù)課率效果最好）

• 在課程質(zhì)量方面，三個細(xì)分?jǐn)?shù)據(jù)指標(biāo)綜合可以衡量課程質(zhì)量。
• 課前服務(wù)時間上，通過數(shù)據(jù)對比，我們發(fā)現(xiàn)課前兩周進(jìn)行服務(wù)的效果最好，續(xù)課率也最高。
• 用戶來源上，短期班課的用戶續(xù)課率遠(yuǎn)高于其他兩個來源。

根據(jù)以上的數(shù)據(jù)分析，給出了運(yùn)營策略指導(dǎo)為：

1. 教師和教研團(tuán)隊(duì)狠抓課程質(zhì)量，改變以前主觀評價模式。用出勤率、完課率和作業(yè)完成率三者綜合考核教師KPI；
2. 助教團(tuán)隊(duì)的課程服務(wù)時間前置，從以前的課前一周和課后進(jìn)行服務(wù)，改為課前兩周開始進(jìn)行用戶服務(wù)；
3. 服務(wù)人群的重點(diǎn)轉(zhuǎn)移到短期班課新用戶上。

改進(jìn)后的效果：

通過以上三個方向的運(yùn)營策略調(diào)整，同樣的團(tuán)隊(duì)，僅用了一個月的時間，就把新老用戶續(xù)課率的差值從53%縮小到了9%！效果非常明顯。同時平臺整體收入也大幅增加，而運(yùn)營成本卻比以前大規(guī)模進(jìn)行渠道投放大大節(jié)省了。

階段性的成功，正是及時調(diào)整了用戶增長模型，并采用系統(tǒng)的數(shù)據(jù)分析方法驅(qū)動用戶增長?？梢钥闯?，數(shù)據(jù)驅(qū)動下，最終給出的運(yùn)營策略非常簡潔，但前面數(shù)據(jù)組背后付出的努力和精力是很難被看到的。這正是我們想要的結(jié)果，扎根穩(wěn)且深入，但呈現(xiàn)的卻是簡潔明了的運(yùn)營指令。