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(zhǎng)？

從AARRR到RARRA的運(yùn)營(yíng)思路轉(zhuǎn)變

眾所周知，AARRR經(jīng)典的增長(zhǎng)黑客體系，也稱(chēng)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(gè)模型的 Dave McClure 認(rèn)為，所有創(chuàng)新型、成長(zhǎng)型的企業(yè)都應(yīng)該按照這樣的模型來(lái)做增長(zhǎng)。

AARRR專(zhuān)注于獲客（Acquisition），作為一個(gè)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(yíng)這個(gè)瞬息萬(wàn)變的場(chǎng)景。原因有二：

（1）獲客成本增加

市場(chǎng)競(jìng)爭(zhēng)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(zhǎng)了 41%。在當(dāng)前的情況下，以拉新獲客為中心的增長(zhǎng)模式意味著要比十年前這個(gè)模型提出時(shí)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(gè)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(duì)的現(xiàn)實(shí)窘境，它創(chuàng)造了Brian Balfour所說(shuō)的“無(wú)意義成長(zhǎng)之輪”。

因?yàn)橐陨蟽蓚€(gè)原因，現(xiàn)在黑客增長(zhǎng)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(gè)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(duì)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(jiǎn)單的說(shuō)，AARRR模型的核心在于獲客，而在RARRA的模型下，專(zhuān)注用戶的留存。

RARRA模型下，如何做用戶增長(zhǎng)？（成功案例分享）

分享一個(gè)我們前不久自己做的RARRA模型下用戶增長(zhǎng)的成功案例：

我們做的是一個(gè)在線教育平臺(tái)，課程的分類(lèi)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(jià)專(zhuān)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(gè)流程進(jìn)行的設(shè)計(jì)，也是現(xiàn)在很多在線教育平臺(tái)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(tái)也是類(lèi)似。

在RARRA的模型下，數(shù)據(jù)驅(qū)動(dòng)更重要。因?yàn)槿绻麑?zhuān)注獲客，可以在渠道選擇等方面憑借經(jīng)驗(yàn)和主觀判斷來(lái)選擇，但是專(zhuān)注留存，就必須用數(shù)據(jù)分析找出每個(gè)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(tái)的運(yùn)營(yíng)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(yíng)收的因素，因此數(shù)據(jù)分析方法也相對(duì)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(duì)于一個(gè)平臺(tái)來(lái)說(shuō)，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(shuō)的北極星指標(biāo)，作為驅(qū)動(dòng)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(gè)指標(biāo)并非北極星指標(biāo)，而是決定北極星指標(biāo)的上級(jí)因素。如下圖所示，平臺(tái)收入=有效聽(tīng)課用戶數(shù)*客單價(jià)。因?yàn)檎n程的客單價(jià)有大致的市場(chǎng)標(biāo)準(zhǔn)，不會(huì)做太多變動(dòng)。因此經(jīng)過(guò)分析，我們認(rèn)為直播課程運(yùn)營(yíng)的北極星指標(biāo)是——有效聽(tīng)課用戶數(shù)，也就是購(gòu)買(mǎi)了課程并且有效聽(tīng)課的用戶數(shù)量。

那么接下來(lái)，就要對(duì)北極星指標(biāo)進(jìn)行分解。

從指標(biāo)拆解來(lái)看：

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

在最后分解的四個(gè)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(bào)率三個(gè)指標(biāo)都是可以通過(guò)運(yùn)營(yíng)來(lái)提升和改善的。

但是由于時(shí)間和資源的限制，對(duì)于三個(gè)指標(biāo)，運(yùn)營(yíng)策略上肯定會(huì)有側(cè)重點(diǎn)和先后順序。

一開(kāi)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(guò)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(wèn)題是，用戶停留在0元免費(fèi)課和低價(jià)轉(zhuǎn)化課上，而續(xù)報(bào)高價(jià)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(yíng)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(wèn)題，應(yīng)該嘗試采用RARRA模型，把運(yùn)營(yíng)重點(diǎn)放在留存上。

于是，數(shù)據(jù)組開(kāi)始探索留存的問(wèn)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(duì)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(shuō)，新用戶進(jìn)行初步低價(jià)課轉(zhuǎn)化后，在從低價(jià)課到達(dá)正價(jià)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(wèn)題其實(shí)已經(jīng)解決了一半。

接下來(lái)，通過(guò)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(gè)重點(diǎn)因素，分別是：用戶來(lái)源、課前服務(wù)、課程質(zhì)量。并且對(duì)每一個(gè)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(gè)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(shí)間上，通過(guò)數(shù)據(jù)對(duì)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(lái)源上，短期班課的用戶續(xù)課率遠(yuǎn)高于其他兩個(gè)來(lái)源。

根據(jù)以上的數(shù)據(jù)分析，給出了運(yùn)營(yíng)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(píng)價(jià)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(shí)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(kāi)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(guò)以上三個(gè)方向的運(yùn)營(yíng)策略調(diào)整，同樣的團(tuán)隊(duì)，僅用了一個(gè)月的時(shí)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(shí)平臺(tái)整體收入也大幅增加，而運(yùn)營(yíng)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(shí)調(diào)整了用戶增長(zhǎng)模型，并采用系統(tǒng)的數(shù)據(jù)分析方法驅(qū)動(dòng)用戶增長(zhǎng)。可以看出，數(shù)據(jù)驅(qū)動(dòng)下，最終給出的運(yùn)營(yíng)策略非常簡(jiǎn)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(jiǎn)潔明了的運(yùn)營(yíng)指令。