AARRR又称为海盗模型，是内独霸Acquisition 、Activation 、容数Retention 、针及Revenue 、编制Referral五个英文单词的模模型缩写，是决意狡计据方DaveMcClure2007提出的，中心就是内独霸AARRR漏斗模型 ，对应客户生命周期辅佐大年夜师更好地邃晓获客和呵护客户的容数事理 。
AARRR分袂代表了五个单词 ，针及又分袂对应了产品生命周期中的编制五个阶段 ：
Acquisition[掉落踪掉落踪]：用户从不合渠道离开你的产品；
Activation[激活] ：用户在你的产品 ，上完成了一个中心义务(并有出色体验)；
Retention[存留] ：用户归来延续不竭的模模型独霸你的产品；
Revenue[收益] ：用户在你的产品 ，上产生发火了可使你收益的决意狡计据方行动；
Referral[推荐] ：用户经由过程你的产品 ，推荐带领别人来独霸你的内独霸产品。
AARRR模型指出了两个中心点 ：
1 、以用户为中心 ，以无缺的用户生命周期为线索；
2 、把控产品集团的成本/收进相干 ，用户生命周期价值(LTV)弘远于用户掉落踪掉落踪成本(CAC)与用户运营成本（COC）之和就意味着产品的成功 。
AARRR模型
以下以挪动独霸为例复杂解释注解AARRR模型每个阶段 。
1 、用户掉落踪掉落踪（Acquisition）
运营一款挪动独霸的第一步 ，毫无疑问是掉落踪掉落踪用户 ，也就是大年夜师但凡所说的奉行 。假定没有效户 ，就谈不上运营 。
2 、用户激活（Activation）
良多用户多是经由过程终端预置（刷机）、告白等不合的渠道进进独霸的 ，这些用户是主动地进进独霸的 。若何把他们转化为活泼用户 ，是运营者面对的第一个问题 。
当然，这里面一个次要的要素是奉行渠道的质量 。差的奉行渠道带来的是除夜量的一次性用户，也就是那种启动一次 ，可是不再会独霸的那种用户 。严格意义上说 ，这类不克不及算是真实的用户 。好的奉行渠道经常是有针对性地圈定了方针人群 ，他们带来的用户和独霸筹划时设定的方针人群有很除夜契合度 ，多么的用户但凡斗劲随便成为活泼用户 。此外 ，遴选奉行渠道的时辰必定要先分化本身独霸的特点（比如可否小众独霸）和方针人群 。对别人来讲是个好的奉行渠道 ，对你却不必定契合 。
此外一个次要的要素是产品本身可否能在最初独霸的几十秒钟内抓住用户。再有内涵的独霸 ，假定给人的第一印象不好 ，也会"相亲"损掉落踪落败 ，成为"娶不到媳妇的垂老难" 。
此外，另有些独霸会经由过程体验出色的熟手在行教程来吸引新用户 ，这在游戏行业出格凹陷 。
3 、用户保管（Retention）
有些独霸在措置了活泼度的问题往后 ，又创作创造了此外一个问题："用户来得快 、走得也快" 。有时光我们也说是这款独霸没有效户粘性 。
我们都晓得，但凡保管一个老客户的成本要远远低于掉落踪掉落踪一个新客户的成本 。所以狗熊掰玉米（拿一个 、丢一个）的气候是独霸运营的除夜忌。可是良多独霸切实其实真实不了然用户是在甚么时分流损掉落踪落的 ，是以一方面他们不竭地斥地新用户 ，此外一方面又不竭地有除夜量用户流损掉落踪落 。
措置这个问题起首需求经由过程日保管率 、周保管率 、月保管率等方针监控独霸的用户流损掉落踪落气候，并采取照顾的身手在用户流损掉落踪落之前 ，鼓舞这些用户延续独霸独霸 。
保管率跟独霸的圭表类型也有很除夜相干 。但凡来讲，对象类独霸的首月保管率大年夜大年夜约普及比游戏类的首月保管率要高 。
4 、掉落踪掉落踪收益（Revenue）
掉落踪掉落踪收进理论上是独霸运营最中心的一块 。极少有人斥地一款独霸只是地道出于欢欣乐乐喜悦爱好 ，尽除夜除夜都斥地者最体恤的就是收进 。即就是免费独霸 ，也理应有其盈利的编制 。
收进有良多种本源 ，次要的有三种 ：付费独霸 、独霸内付费 、和告白 。付费独霸在国际的领受程度很低 ，包含GooglePlayStore在中国也只推免费独霸 。在国际 ，告白是除夜部分斥地者的收进本源 ，而独霸内付费在游戏行业独霸斗劲多。
非论是以上哪一种 ，收进都直接或直接来自用户 。所以 ，后面所提的进步活泼度 、进步保管率 ，对掉落踪掉落踪收出往讲 ，是必须的根本 。用户基数除夜了 ，收进才有大年夜大年夜约上量 。
5 、推荐撒播（Referral）
之前的运营模型到第四个层次就停止了 ，可是敷衍群集的鼓起 ，使得运营添加了一个方面 ，就是基于敷衍群集的病毒式撒播 ，这已成为掉落踪掉落踪用户的一个新路途 。这浅近例的成本很低 ，并且终局有大年夜大年夜约特别很是好；独一的前提是产品本身要充分好 ，有很好的口碑 。
从自撒播到再次掉落踪掉落踪新用户 ，独霸运营构成了一个螺旋式上升的轨道 。而那些精细的独霸就很好地独霸了这个轨道，不竭扩除夜本身的用户群体。
经由过程上述这个AARRR模型 ，我们看到掉落踪掉落踪用户（奉行）只是全数独霸运营中的第一步 ，好戏都还在后背 。假定只看奉行 ，不正视运营中的此外几个层次，任由用户自生自灭 ，那么独霸的前景必定是惨然的。
掉落踪掉落踪阶段即产品的奉行阶段，也是产品运营的第一步。
运营者经由过程各类奉行渠道 ，以各类编制掉落踪掉落踪方针用户 ，并对各类营销渠道的终局举办评价 ，从而愈加公允切实其实定投进计策 ，最小化用户掉落踪掉落踪成本(CAC) 。
这时辰需存眷的方针次要为 ：
(1) 、日新登用户数（DNU）
定义 ：每日注册并登录游戏的用户数 。
此处注册为广义定见，对一些APP而言 ，则是初度启动进进APP的用户 ，所以对DNU的定义也可所以 ，初度登录或启动APP的用户 。需求声明的是 ，在挪动统计中 ，有时光用户也特指设备。
措置问题 ：
● 渠道供献的用户份额 。
● 宏不美不雅不雅不雅不雅不雅不雅走势，断定投放计策。
● 可否存在除夜量残剩用户 。
● 注册转化率分化 。
新增用户经由沉淀转化为活泼（Activation）用户 。这时辰我们需求存眷活动用户的数量和用户独霸频次 、勾留时分的数据 。
(1) 、日活泼用户数（DAU）
定义 ：每日登录过游戏的用户数 。
对某些APP而言 ，启动就是一个活泼用户 ，而此外一些则要经由过程账号注册 ，构成一个群集账号 ，才算作一个活泼用户。活泼用户的筹算是排重的。
措置问题 ：
● 中心用户局限 。
● 产品生命周期分化。
● 产品活泼用户流损掉落踪落 ，分化活泼用户 。
● 用户活泼率 ，活泼用户计用户量 。
(2) 、周活泼用户数（WAU）
定义 ：比来7日（含当日）登录过APP的用户数，一样往常屈就天然周筹算。
措置问题 ：
● 周期性用户局限 。
● 周期性改削趋势 ，主假定奉行期和非奉行期的斗劲 。
(3) 、月活泼用户数(MAU)
定义：比来一个月即30日（含当日）登录过APP的用户数 ，一样往常屈就天然月筹算 。
MAU改削幅度较小 ，产品用户局限晃荡性来讲，MAU是风向标 。但在奉行时代，版本更新 、运营活动的调剂 ，对MAU的冲击则愈加较着 。
此外 ，产品的生命周期阶段不合，MAU的趋势改削也不合 。
措置问题 ：
● 用户局限晃荡性 。
● 奉行终局评价。
● 集团用户局限改削 。
(4)、日均独霸时长(DAOT)
定义：每日总计在线时长/日活泼用户数 。
关于独霸时长 ，可以分为单次独霸时长 、日独霸时长和周独霸时长等方针 ，经由过程对这些方针做区间分布舒适均筹算 ，体味介入黏性 。
措置问题 ：
● 分化产品的质量问题 。
● 不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅不雅查询拜访不该时分维度的平均独霸时长 ，体味不合用户群的习惯 。
● 渠道质量衡量标准之一 。
● 保管即流损掉落踪落分化的按照 。
(5) 、DAU/MAU
经由过程DAU/MAU可以看出用户每个月访谒App的平均天数是若干很多若干良多若干很多若干良多若干很多若干，比如 ：某个App具有50万DAU ，100万MAU，其DAU/MAU比值就是0.5 ，即 ，用户每个月平均访谒的时分是30*0.5=15天 。这也是评价用户粘性的一个斗劲次要的方针 。
DAU/MAU介于3.33%到100%之间 ，但较着这两种气候理论中根本不成能展示 。在不合局限的App会有不合的基准值可参考 ，比如挪动游戏会以20%为基线 ，王者名望在2017年6月和9月的值根本都在31%放置 。而对象类App会以40%为基线。
DAU/MAU的值越高，那么毫无疑问 ，App的粘性越强 ，展示有更多的用户宁愿赞成独霸App；反之假定DAU/MAU的值很低，但真实不克不及直接说这个App是损掉落踪落败的 。我们还需求连络产品属性（比如活期理财/求职/买房/租房的App ，大年夜大年夜约天然属性DAU会绝对低） 、时分考量（工作日/假期等） 、版本更新 、运营活动、用户维度的ARPU值等多个前提举办***分化 ，才调得出结论 。所以 ，切确邃晓DAU/MAU的意义很次要。
措置了活泼度的问题 ，又创作创造了此外一个问题 ："用户来得快 、走得也快" 。有时光我们也说是游戏没有效户粘性或保管。
我们需求可以用于衡量用户粘性和质量的方针 ，这是一种评判APP初期可否留下用户和活泼用户局限添加的身手 ，保管率（Retention）是身手之一。
保管率：某段时分的新增用户数 ，记为A ，经由一段时分后 ，还是独霸的用户占新增用户A的比例即为保管率。
(1) 、第二天保管率(Day1RetentionRatio)
定义 ：日新增用户在+1日登录的用户数占新增用户的比例 。
(2)、三日保管率(Day3RetentionRatio)
定义 ：日新增用户在+3日登录的用户数占新增用户的比例。
(3) 、七日保管率(Day7RetentionRatio)
定义：日新增用户在+7日登录的用户数占新增用户的比例 。
保管率慢慢演变成评判产人品量的次要标准。
在存眷保管率的同时 ，也要体恤流损掉落踪落率的分化 。保管率愈加体恤的是从用户掉落踪掉落踪的角度综合分化掉落踪掉落踪用户的渠道编制可否公允 ，产品用户局限可否可以添加。而流损掉落踪落率则体恤为甚么有些用户离开APP ，这多是在用户掉落踪掉落踪阶段就存在的问题，可是当APP存在晃荡用户局限后 ，一个付费用户的流损掉落踪落，却大年夜大年夜约让APP收进除夜幅下滑 。
保管率的筹算可以屈就统计的时分区间来端方 ，比如在筹算周保管时 ，筹算新增用户周保管则是一周总计的新增量在随后每周的保管气候 。
上面提到的+3日或+7日，意在侧重朴实 ，第3日和第7日的定见。寄看，筹算保管率时 ，新增当日是不被计进天数的，也就是说我们提到的保管用户 ，指的是新增用户新增后的第1天保管 、第3天保管和第7天保管。
措置问题 ：
● APP质量评价 。
● 用户质量评价 。
● 用户局限衡量 。
● 流损掉落踪落：统计时分区间内 ，用户在不合的时代离开APP的气候 。
(4) 、日流损掉落踪落率(Day1ChurnRatio)
定义 ：统计日登录APP ，但随后7日未登录APP的用户占统计日活泼用户的比例 。
(5)、周流损掉落踪落率(WeekChurnRatio)
定义：上周登录过APP，可是本周未登录过APP的用户占上周周活泼用户的比例 。
(6) 、月流损掉落踪落率(MonthChurnRatio)
定义：上月登录过APP ，可是本月未登录过APP的用户占上月月活泼用户的比例。
流损掉落踪落率是在APP进进安靖期需求重点存眷的方针 ，假定说存眷保管是存眷APP用户后期进进APP的气候 ，那么存眷流损掉落踪落率则是在产品中期和后期体恤产品的用户晃荡性 ，收益身手转化 。安靖期的收益和活泼都很晃荡 ，假定存在较除夜的流损掉落踪落率 ，则需求经由过程该方针起到警示感染 ，并慢慢查找哪部分用户离开了APP ，问题出在何处 。不凡是对费用户流损掉落踪落的分化 ，更需求重点体恤 。
措置问题 ：
● 活泼用户生命周期分化。
● 渠道的改削气候 。
● 拉动收进的运营身手 ，版本更新对用户的流损掉落踪落影响评价 。
● 甚么时代的流损掉落踪落率较高。
● 行业斗劲和产品中期评价 。
收进的本源有良多种 ，次要包含：独霸付费、独霸内下场付费 、告白收进 、流量变现等 ，次要审核的方针比如ARPU（客单价） 。
次要存眷 ：
(1) 、付费率(PR或PUR)
定义 ：付费用户数占活泼用户的比例 。
深化地说 ，付费率也称作付费渗入率 ，在挪动APP市场 ，除夜都只体恤日付费率，即DailyPaymentRatio 。
付费率的凹凸不代表产品的付费用户添加或促进付费率在不合APP圭表类型的产品中默示也是不合的 。
措置问题 ：
● 产品的收益转化身手标准 。
● 用户付费关头点和转化周期 。
● 付费转化终局评价 。
(2) 、活泼付费用户数(APA)
定义 ：在统计时分区间内 ，成功付费的用户数 。一样往常屈就月计，在国际市场也称作MPU（MonthlyPayingUsers） 。
在数据分化中，愈加其实地存眷日付费用户和周付费用户 ，次要启事是用户的生命周期经久 ，短时辰付费成为存眷中心 。
活泼付费用户数的筹算公式以下：
APA＝MAU×MPR
措置问题 ：
● 产品的付费用户局限 。
● APA的构成气候 ，鲸鱼用户、海豚用户 、小鱼用户的比例和收益身手 。
● 付费群体的价值即集团晃荡性分化。
(3) 、平均每用户收进(ARPU)
定义：在统计时额定，活泼用户产生发火的平均收进 。一样往常以月计 。
平均每个用户收进的筹算公式以下 ：
ARPU＝Revenue/User
MonthlyARPU＝Revenue/MAU
即总收进除以总活泼用户数 ，一样往常屈就月计 。
严格定义的ARPU不合于国际所熟谙的ARPU ，国际的ARPU=总收进/付费用户数 。所以 ，良多时辰会朴实付费ARPU，此处有专门的术语叫作ARPPU 。
ARPU用于产品定位初期的不合局限下的收进估计，也是LTV的次要参考按照 。
措置问题 ：
● 不合渠道用户质量的剖断 。
● 产品收益供献分化 。
● 活泼用户人均收进与投放成本的相干。
(4) 、平均每付费用户收进(ARPPU)
定义 ：在统计时额定 ，付费用户产生发火的平均收进 。一样往常以月计 。
平均每付费用户收进的筹算公式以下 ：
ARPPU＝Revenue/PaymentUser
MonthlyARPPU＝Revenue/APA
即总收进除以总付费用户数 ，一样往常以月计 。
ARPPU随便遭到鲸鱼用户和小鱼用户的影响 ，分化时需严谨。
ARPPU与APA 、MPR的连络可以分化付费用户的保管气候，对特定付费群体的流损掉落踪落举办深度分化 ，担保付费质量和局限。
措置问题：
● 付费用户的付费身手和梯度改削 。
● 付费用户的集团付费趋势和不合付费阶层不合 。
● 对鲸鱼用户的价值发掘 。
(5) 、生命周期价值(LTV)
定义 ：用户在生命周期内为创作创作创造的收进总和 。可以算作是一个经久堆集的ARPU 。
对每个用户的平均LTV筹算以下：
LTV＝ARPU×LT（按月或天筹算平均生命周期）
个中 ，LT为LifeTime（生命周期） ，即一个用户从第一次启动APP，到末尾一次的时分，一样往常筹算平均值，LT以月计 ，就是保管在APP的平均月的数量。比如 ，一款APP的ARPU＝￥2 ，LT＝5，那么LTV＝2×5＝￥10 。
以上的筹算编制在幻想上是可行的，在理论中我们采取以下的LTV筹算编制 。
跟踪某日或某周的新增用户 ，筹算该批用户在随后的7日 、14日 、30日的堆集收进供献 ，然后除以该批新增用户数 ，即堆集收进/新增用户＝堆集ARPU（LTV） 。此种编制可筹算该批新增用户在不合生命周期阶段的大年夜大年夜致生命周期价值 。
措置问题 ：
● 用户收益供献周期 。用户群与渠道的利润供献，LTV与CPA的衡量。
● LTV不分辨付费与非付费用户 ，对待集团的价值 。
自撒播也叫作口碑撒播或病毒式撒播 。个中有一个次要的方针K因子 。
K因子的筹算公式不算宏壮 ，过程以下 ：
K＝（每个用户向他的同伙们发出的聘请的数量）×（领遭到聘请的人转化为新用户的转化率）。
假定平均每个用户会向20个同伙发出聘请 ，而平均的转化率为10% ，则K＝20×10%＝2 。
当K＞1时 ，用户群就会像滚雪球一样增除夜 。
当K＜1时 ，用户群到某个局限时就会停止经由过程自撒播添加 。
尽除夜部分APP还不克不及无缺依托于自撒播 ，还必须和其他营销编制连络 。可是，在产品筹划阶段就介入无益于自撒播的下场，仍是有需求的，幻想下场这类免费的奉行编制可以部分地促进CAC。
以上是AARRR模型的数据方针琐细 。创建完竣的数据方针琐细，我们后续才可以对用户行动举办更单方面的分化。
但凡大年夜师在奉行独霸时 ，头痛的是布景统计的激活量比渠道供给的下载量小良多。可是前几天，有一名同伙找我征询 ，说他们公司的一款App来自某个渠道的激活量俄然猛增。可是他查了在阿谁渠道（是家独霸市场）上的下载量 ，并没有较着的改削 。是以他特别很是思疑 ，问我有没有编制帮他查到启事 。
少了多了都邑让人头痛——因为数据展示特别很是 ，但凡就声明有某个环节出了问题 。可是光看一个激活量和一个下载量，真实不克不及揭穿问题标根柢启事。不凡是当我们已体味了挪动独霸运营模型时 ，我们更需求体味在AARRR的每个环节中 ，我们理应存眷甚么样的数据 ，甚么样的数据默示才是正常的——复杂来讲，只晓得AARRR还不足，还要会用才行 。
1、掉落踪掉落踪用户（Acquisition）
这个阶段，最初大年夜师最体恤的数据是下载量 。到往日 ，一些媒体的报导中也还经经常独霸下载量来衡量一个独霸的用户局限和可否成功 。不过 ，下载了独霸方等于必定会拆卸 ，拆卸了独霸也方等于必定独霸了该独霸 。所以很快激活量成了这个层次中大年夜师最体恤的数据 ，甚至是有些奉行人员独一存眷的数据。但凡激活量（即新增用户数量）的定义是新增的启动了该独霸的自力设备的个数 。从字面上看激活量似乎更理应是第二层Activation的方针 ，可是因为下载量 、拆卸量这些数据都斗劲虚 ，不克不及真实反独霸户可否已被掉落踪掉落踪 。所以大年夜师都要看激活，这才是真正取掉落踪掉落踪了新的用户。
此外一个特别很是次要的数据 ，就是分渠道统计的激活量 。因为在渠道奉行时 ，良多独霸斥地者选择了付费奉行。结算的时辰 ，天然要体味在某个渠道有若干很多若干良多若干很多若干良多若干很多若干真正激活的用户 。即便没有付费相干 ，斥地者也需求晓得哪个渠道是最有终局的 。
可是站在更高的高度看 ，CAC（用户掉落踪掉落踪成本CustomerAcquisitionCost）才是最需求往存眷的数据 。行业里有种大年夜大年夜致的说法 ，每个AndROId用户的掉落踪掉落踪成本除夜约在4元放置 ，而iOS用户除夜约在8元以上 。当然 ，独霸市场下载 、手机预置 、告白等各类不合的渠道的掉落踪掉落踪成本是无缺不合的 。这里面有赋性价比的问题 ，有些渠道的掉落踪掉落踪成本斗劲高 ，可是用户质量也斗劲高（甚么样的叫质量高 ，后背会有声明） 。
2、进步活泼度（Activation）
看到活泼度，大年夜师起首会想到的方针是DAU（日活泼用户） 、MAU（月活泼用户） 。这两个数据根本上说了然独霸往后的用户群局限，在群集游戏行业这是运营人员必看的两个方针 。但凡活泼用户是指在指定周期内有启动的用户。可是启动可否真的等于活泼呢 ？假定在指定周期内只启动了一次 ，并且时分很短，多么的用户活泼度真实真实不高（当然对某些出格的独霸来讲大年夜大年夜约算高 ，比如用来记实女性心思周期的独霸 ，一月启动一次就够了）。所以真实还要看另两个方针 ：每次启动平均独霸时长和每个用户每日平均启动次数 。当这两个方针都处于下跌趋势时 ，可以必定独霸的用户活泼度在添加 。
针对独霸时长和启动次数的渠道统计一样很次要。我们把它们称为渠道的质量数据，假定某个渠道下往的用户，这两个方针很差，那么在这个渠道上投进太多是没居心义的 。最类型的就是水货刷机的用户 ，良多预置的独霸都是在刷机完成时被激活的。针对这类主动激活的用户 ，可以看此外一个方针，叫一次性启动用户数量 ，也就是迄今为止只启动过一次的用户的数量 。
除渠道 ，此外一个和活泼度相干的分化维度是版本 。各个版本的独霸时长和启动次数也会有不合。对产品经理来讲 ，分化不合版本的活泼度不合有助于不竭改进独霸 。
此外跟活泼度相干的 ，另有日活泼率 、周活泼率、月活泼率这些方针 。当然活泼率和独霸的类别是很有相干的 ，比如桌面 、省电类的独霸的活泼率就比字典类的独霸高 。
3 、进步保管率（Retention）
下载和拆卸——独霸——卸载或遗忘 ，这是用户在每个独霸中的生命周期。成功的独霸就是那些能尽大年夜大年夜约担搁用户的生命周期 ，最除夜化用户在此生命周期内的价值（下一节闲谈到生命周期价值这个话题）的独霸 。
对除夜部分独霸，理应体恤的是1-DayRetention和7-DayRetention 。这里我之所以用英文 ，是因为个中文翻译不合一，随便激起歧义 。1-DayRetention但凡翻译为首日保管率 ，真实这个"首日"真实不是指独霸被拆卸独霸的第一天（假定日期为D） ，而是D+1日 ，即拆卸独霸的第二天。因为拆卸独霸的第一天没有保管率这个定见（有的话 ，只能是100%） 。到了第二天 ，前一天拆卸独霸的用户中另有若干很多若干良多若干很多若干良多若干很多若干百分比的人还在启动独霸这款独霸，这就是1-DayRetention 。因为是第二天 ，所以有些文章中也叫"第二天保管率" 。一样的 ，7-DayRetention是在D+7日启动独霸这款独霸的占D日初度拆卸独霸这款独霸的用户总数的百分比 。但凡用户新拆卸独霸后的前几天是流损掉落踪落比例最除夜的时代（关于用户保管的细节 ，请参考我们同事的此外一篇博客《读懂你的用户保管》） 。所以这两个方针在保管率分化是最次要的 。曾有游戏行业的熟行指出 ，假定想成为一款成功的游戏 ，1-DayRetention要抵达40% ，7-DayRetention要抵达20% 。
有些独霸不是需求每日启动的 ，那样的话可以看周保管率、月保管率等方针 ，会更居心义。保管率也是考验渠道的用户质量的次要方针 ，假似乎一个独霸的某个渠道的首日保管率比此外渠道低良多，那么这个渠道的质量是斗劲差的 。
4、掉落踪掉落踪收进（Revenue）
关于收进 ，大年夜师最耳熟能详的方针就是ARPU（平均每用户收进）值 。对应的斗劲少提的另有个方针叫ARPPU（平均每付费用户收进） 。前几天 ，@吴刚在微博里贴图斗劲二战风云的ARPU值时就注了然是周付费用户ARPU（所以理论上是ARPPU）。可是良多人误读了感应是六十多元的周ARPU值 ，就会让他们对Android游戏产生发火过分的乐不美不雅不雅不雅不雅不雅不雅 。
是不是是ARPPU高 ，ARPU就必定会高呢？谜底是不必定 。因为个中另有个方针是付费用户比例，也就是付费用户在全数用户中所占的比例 。假定付费用户比例较低 ，那么那些收进摊到全数用户身上的平均值就低了 。但凡来讲 ，假定某个游戏为了进步ARPPU ，进步了虚构道具的价值 ，那么付费用户比例就会照顾地降低 。找到一个ARPPU和付费用户比例的均衡点 ，才调最除夜化收进。
可是收进真实不是最次要的 ，利润才是 。若何最除夜化利润呢？利润最简化的筹算公式是：利润=收进-成本 。起首我们看一下成本 ，我们在上一篇中提到过CAC（用户掉落踪掉落踪成本） 。除此以外 ，另无益用本身的斥地成本 、处事器硬件和带宽成本和运营成本等等 。不内涵用户量很除夜的气候下 ，CAC会成为最次要的成本，而此外成本不在一个数量级 ，所以我们在后续构和中只思虑CAC。
那么收进若何筹算？ARPU是一个和时分段相干的方针（但凡讲的最多是每个月的ARPU值），还不克不及无缺和CAC对应 ，因为CAC和时分段并没有直接相干 。所以我们还要多看一个方针：LTV（生命周期价值） 。用户的生命周期是指一个用户从第一次启动独霸，到末尾一次启动独霸之间的周期 。LTV就是某个用户在生命周期内为该独霸创作创作创造的收进总计，可以算作是一个经久累计的ARPU值 。每个用户平均的LTV=每个月ARPU*用户按月计的平均生命周期 。
LTV–CAC的差值 ，便可以视为该独霸从每个用户身上掉落踪掉落踪的利润 。所以最除夜化利润 ，就变成若安不才降CAC的同时 ，进步LTV ，使得这二者之间的差值最除夜化 。更进一步的 ，对不合渠道本源用户做断代分化，屈就他们不合的CAC和LTV ，便可以推导出不合渠道本源的利润率不合 。
5 、自撒播（Refer）
自撒播 ，或说病毒营销 ，是比来十年才被普及研究的营销编制 。当然大年夜师都听过一些病毒式营销的经典案例，可是要说若何量化评价其终局 ，却很少有人晓得K因子(K-factor)这个衡量方针。真实K因子这个术语并不是劈脸于市场学或软件业 ，而是本源于风行症学——对 ，就是研究真实的病毒撒播的科学。K因子量化了感染的概率 ，即一个已感染了病毒的宿主所能干戈到的全数宿主中 ，会有若干很多若干良多若干很多若干良多若干很多若干宿主被其感染上病毒 。
K因子的筹算公式不算宏壮 ，K=(每个用户向他的同伙们发出的聘请的数量)*(领遭到聘请的人转化为新用户的转化率) 。假定平均每个用户会向20个同伙发出聘请 ，而平均的转化率为10%的话 ，K=20*10%=2 。这个下场还算是不错的终局——当K>1时，用户群就会象滚雪球一样增除夜 。假定K<1的话 ，那么用户群到某个局限时就会停止经由过程自撒播添加 。
很遗憾的是，即就是敷衍类的挪动独霸，K因子除夜于1的也很少 。所以尽除夜部分挪动独霸还不克不及无缺依托于自撒播 ，还必须和此外营销编制连络 。可是从产品筹划阶段就介入无益于自撒播的下场 ，仍是有需求的 ，幻想下场这类免费的奉行编制可以部分地促进CAC 。
以上我们列举了在独霸奉走运营各个层次（各个阶段）需求存眷的一些方针 。在全数AARRR模型中 ，这些量化方针都具有很次要的职位 ，并且良多方针的影响力是跨多个层次的 。及时切确地掉落踪掉落踪这些方针的具体数据 ，对独霸的成功运营是必不成少的 。
AARRR模型朴实数据驱动的运营计策，但假定产品初期没法掉落踪掉落踪更多的用户数据，若何低成本***度的低价值用户行动数据呢 ？
1 、添加成本:掉落踪掉落踪一样数方针用户,若何最除夜化促进产品运营成本 。
2 、添加屈就:比照一样的运营周期,若何掉落踪掉落踪最除夜化的产品用户 。
3 、添加质量:掉落踪掉落踪一样数方针用户,若何汲引种子 、高潜用户的占比。
充分邃晓和独霸AARRR模型 ，可以十邃晓晰地体味到产品在不合生命阶段的运营方针并以此制订不合的运营计策 。
跟着流量盈利磨灭踪踪踪 ，AARRR“重获客 、轻保管”的编制面对挑衅 。是以 ，业界提出了RARRA模型 ，其按序变成 ：保管 (Retention) -> 激活 (Activation) -> 推荐 (Referral) -> 变现 (Revenue) -> 掉落踪掉落踪 (Acquisition) 。
RARRA模型的中心改削在于将“用户保管”放在了首位。它认为 ，先经由过程精细产品和处事留住用户 ，再基于用户的虔诚度和知足度往驱动拉新 ，是一种更可延续的添加计策。
优化猩SEO：AARRR模型的本质是一个流量漏斗模型 ，回结综合了掉落踪掉落踪用户-激起活泼-进步保管-添加收进-撒播推荐这5个流量转化环节 。AARRR模型可以辅佐我们做有效的用户治理 ，了了了获客 、激活 、保管、转化 、撒播这5个关头的添加行动。
参考链接：
AARRR模型
https://baike.百度.com/item/AARRR%E6%A8%A1%E5%9E%8B/50968334
AARRR模型
https://wiki.mbalib.com/wiki/AARRR%E6%A8%A1%E5%9E%8B
AARRR模型
https://baike.百度.com/item/AARRR/6962373
改削于2026-08-17
关注微信
