顛覆傳統增長模型:DAU一路狂飆的多鄰國,做對了什么?
如何保持持久增長,或者突破增長困境,是幾乎每個企業都需要思考的問題,而在本篇文章里,作者便分享了多鄰國這一語言學習平臺的增長案例,這一平臺通過采用更加細致的用戶分層與數據模型,實現了DAU增長。一起來看看本文的拆解。
增長,對任何企業都是永恒的主題。
不論初創公司還是已成熟的大企業,在經歷一段高速發展后,都會觸碰到階段性的天花板。能否持續創新和保持增長,正是一家公司走向偉大或平庸的關鍵。
Duolingo(多鄰國)是一個神奇的存在,作為語言學習平臺,在沒有那么熱的賽道上,DAU 卻一路狂飆。2022 年 Q4,多鄰國 MAU 達到 6070 萬,上年同期僅有 4240 萬,同比增長 43%,DAU 同比增長 62% 至 1630 萬。
2018-2022 年,「多鄰國」DAU 增長 450%|圖片來源:Lenny’s Newsletter
在各大頭部平臺難以擴張用戶規模、提升營收的 2022 年,多鄰國如何實現高速增長?答案就是顛覆傳統 AARRR 模型,采用了更加細致的用戶分層和數據模型,從中找到增長杠桿。
今天將以多鄰國為例,探討我們如何借鑒其成功經驗,靈活應用并突破增長困境。
話不多說,直接進入正文部分,Enjoy:
一、傳統AARRR模型的優缺點
當談到用戶運營和增長時,AARRR 增長模型是一個業內熟知的框架,也稱海盜模型,即與海盜所做的事情類似,實現掠奪式增長,是一個五級漏斗模型。它包含以下步驟:
(圖片來源:自己畫的)
- 獲?。ˋcquisition):獲取新用戶的方式,吸引用戶關注并讓他們了解產品。
- 激活(Activation):將新用戶轉化為活躍用戶,使其對產品或服務產生興趣,并保持良好的第一印象。
- 保留(Retention):確保已獲得的用戶繼續使用和回歸,提高用戶留存率。
- 變現(Revenue):將用戶轉化為付費客戶,通過購買實現商業目標。
- 自傳播(Refer):讓用戶認可產品并自發傳播,帶來更多新用戶。
AARRR 增長模型的優點在于,它提供了一種簡單而有條理的方法來評估用戶運營和增長策略。
- 簡單易懂:將用戶的生命周期分為5個階段,方便我們在每個階段找到相應的策略。
- 易于執行:是大家公認的標準,因此大多數公司都能夠快速理解和實施它。
- 容易跟蹤:由于每個階段的目標都非常明確,因此可以通過特定的指標來追蹤其進展。
但是,AARRR模型也有其缺點:
- 過于簡化:只涉及到5個階段,而在現實生活中,用戶的情況往往非常復雜,可能需要更具體的運營策略。
- 缺乏重點:不區分哪些用戶更重要,因此可能會消耗過多的資源去滿足不是必須的用戶需求。
- 缺乏指導性:缺乏具體的指導性,在實施運營策略時往往需要結合其他模型或數據。
由于該類模型過于簡單,每一步驟依賴于前一步驟的成功,這可能會導致模型在某些情況下不適用于某些產品或服務。
因此,多鄰國在 2018 年遭遇增長瓶頸時,決定從生命周期管理角度出發,發掘一套新的增長模型,撬動杠桿,向精細化運營轉變。
二、多鄰國生命周期模型拆解
1. 為什么要做生命周期管理
隨著移動互聯網的用戶增長趨近飽和,新用戶的獲客成本增加,使得老用戶的留存顯得尤為重要。 用戶生命周期的基礎概念,廣義上包括五個階段:
- 引入期:用戶獲取階段,將市場中的潛在用戶流量轉化為自家用戶。
- 成長期:注冊登錄并激活,已經開始體驗產品的相關服務或功能,體驗過Aha時刻。
- 成熟期:深入使用產品的功能或服務,貢獻較多的活躍時長、廣告營收或付費等。
- 休眠期:一段時間內未產生價值行為的成熟用戶。
- 流失期:超過一段時間未登錄和訪問的用戶。
用戶增長看作是一個系統的話,這個系統的目的就是不斷的提升用戶規模和用戶價值;其中活躍用戶是存量,新進來的用戶與流失用戶是流量。
而用戶生命周期管理可以看作是這個系統的反饋方式,即加強系統的增強回路同時抑制調節回路,這有利于我們從全局視角看到用戶生命周期管理的價值。
運營工作的目標是增加用戶數量和轉化率,但只是關注這些表面指標,并不足以實現最優效果。很多新手運營人員忽視了必要的思考,對于運營策略方向僅停留在表層的增長或轉化方法上。
如:每天都在想如何使用活動獎品引導用戶拉新,使用折扣促進付費,卻沒有深入思考一些更為重要的問題:如何衡量每個月的增長目標是否合理?如何使現有用戶的GMV 最大化?我們已有用戶的分層情況是怎樣的?哪些用戶可以幫助我們實現目標等等。
如果只停留于表面的運營行為,將無法有效預估結果,導致活動失敗。同時對個人成長也沒有幫助,因為我們只能得到活動后的數據,而無法知道:項目中促活了多少老用戶,新用戶參與了產品的付費轉化等信息。既無法追溯,也無法指導后續運營策略。
因此,我們需要進行深入思考和數據分析,對用戶進行生命周期管理,以制定更有效的運營策略。
2. 如何搭建數據觀測模型
經過多次實踐與調優,多鄰國從「用戶活躍度」出發,搭建了數據觀測模型:對不同活躍度用戶進行用戶分層,讓重點用戶一目了然,對其進行引導和干預,使得其在產品中持續活躍。
每一個曾經使用過產品的用戶在特定自然日,都會被歸到一個特定用戶群中。這也意味著不同層級的用戶是永遠互斥的。不同的箭頭代表各個層級用戶轉變的比例(包括 CURR、NURR、RURR 和 SURR,但時間維度是日而不是周)。在這個完全閉環的模型體系下可以看到,新用戶是唯一的突破口。
(圖片來源:Lenny’s Newsletter & 自己畫的)
黃、綠和藍色的用戶群相加,正好組成產品的 DAU(日活躍用戶),這些用戶群分別是:
- 新用戶(New Users):首次登錄 App 的用戶;
- 活躍用戶(Current Users):今日登錄過,且在過去 6 天最少登錄過 1 次的用戶;
- 召回用戶(Reactivated Users):今日登錄,過去 6 日未登錄,但在過去 7-29 日登錄過至少 1 次的用戶;
- 回流用戶(Resurrected Users):今日登錄,但在過去最少 30 日以上未登錄過的用戶。
最下面三個用戶群則是今日未登錄,但在過去有著不同程度的參與數據的用戶。
- 可能流失的周活躍用戶:今日未登錄,但在過去 6 天至少登錄過 1 次的用戶【可能流失的周活躍用戶 + DAU(日活躍用戶)=WAU(周活躍用戶)】
- 可能流失的月活躍用戶:近 7 日未登錄,但在 30 天內有過登錄行為的用戶【可能流失的月活躍用戶 + WAU(周活躍用戶)= MAU(月活躍用戶)】
- 流失用戶:過去 31 天或更長時間未登錄過的用戶【MAU + 流失用戶=總用戶數】
如果大家覺得這個圖看起來很復雜,我加一個時間軸變形一下,應該就很好理解了。
(圖片來源:自己畫的)
從上面的公式可以看到,常見的 DAU、WAU 和 MAU 都是可以通過不同層級用戶相加計算出來的,這也就是說,多鄰國可以針對這些用戶進行數據建模。這是這套模型體系的一個關鍵特點。
此外,通過調整箭頭所代表的不同留存/流失率,我們可以模擬出隨著時間推移,不同留存率帶來的綜合影響。換句話說,這些比率是產品團隊撬動用戶增長的杠桿。
- 活躍用戶留存(CURR):過去兩周登錄過的活躍用戶,在本周登錄的占比;
- 新用戶留存(NURR):過去一周注冊的新用戶,在本周登錄的占比;
- 召回用戶留存(RURR):過去一周重新召回的用戶(30 日內有活躍行為),在本周登錄的占比。
- 回流用戶留存(SURR):很長時間(至少 30 天)沒有登錄,但在過去一周回流的用戶,在本周登錄的占比。
3. 比傳統模型好在哪里
相比傳統的 AARRR 模型,多鄰國的生命周期模型更加靈活,具有以下優點:
- 區分不同類型的用戶: 分層后的生命周期模型,可以幫助我們更好地區分不同類型的用戶,讓我們更好地理解他們的需求和行為,同時也可以針對每個群體采取不同的策略。
- 捕捉到更精細的信息: 由于將用戶按照活躍時間劃分到不同的組別中,因此可以動態了解用戶的活躍度、使用頻率和忠誠度等信息。
- 創造更多的增長機會:分層后的生命周期模型還可以讓我們更好地了解哪些用戶有潛在的增長空間,從而針對性地制定相應的策略。
三、如何靈活應用并突破增長困境
多鄰國的生命周期模型為我們提供了一種新的思路。在運用多鄰國的成功經驗的同時,我們也需要靈活應用其方法并制定適合自己的增長策略。
社區、娛樂、資訊類等產品,這樣 MECE 的數據模型誰能拒絕?試想一下,老板下次大清早問數據為什么漲跌了,我們不用在各種數據表里抓瞎,立馬就能給出精準答案。
不僅可以找數據分析師建立數據看板,完成日常數據監測,還能帶來更高級的玩法:數據預測與挖掘核心杠桿。
比如,在建好數據模型后,多鄰國的增長人員每日記錄,來觀察不同用戶群和留存率在過去幾年內以日為單位發生的變化。
有了這個數據后,他們便可以模擬未來數據并進行分析,以預測哪些杠桿會對用戶增長產生最大的影響。下圖是他們第一次模擬數據估算的結果,它展示了不同留存/流失率數據以相同速度變化,對 MAU 和 DAU 的影響。
從結果可以明顯看出,CURR(活躍用戶留存)對 DAU 的影響是巨大的,與影響第二大的數據相比也高了 5 倍。他們之后也領悟到其中的道理,從目前的用戶層級看,不同參與度的活躍用戶,在最后始終會歸到「活躍用戶」這一層級中。
(圖片來源;Lenny’s Newsletter)
基于這一分析,多鄰國確認要完成用戶增長的破局,CURR 是必須攻克的指標。展開了一系列攻堅策略:游戲化機制提升用戶總體使用時長、強化消息推送功能提高用戶參與度、優化連續簽到機制正向激勵用戶連續活躍。
(圖片來源;多鄰國產品體驗截圖)
在長達 4 年的努力后,多鄰國的 CURR 提高了 21%,這意味他們的核心用戶每日流失率減少了 40% 以上。
從生命周期的角度,如何做更全面的用戶分層運營呢?這里也有一些通用型策略參考,案例幾乎在各大明星產品上都可以模仿。
圖片來源:自己畫的
①「激活」潛在用戶
- 新用戶激活,優化新用戶上手流程,提升產品首次體驗感;
- 增加沉默新用戶引導渠道:增加多方觸發手段-短信、推送、郵件、私域;
- 設置合適的激勵:新用戶紅包,優惠等。
②「留存和變現」健康活躍用戶
- 從優化產品功能入手,提升用戶留存;
- 將用戶繼續分層,對比找到不同用戶的留存率差異,有針對性提升留存(渠道細分、年齡細分、周中/周末細分、用戶搜索詞、用戶點擊率);
- 提升用戶使用頻次、使用強度等方式,增加用戶參與度,以此提升留存(激勵體系引導);
- 靈活定價:算法優惠、定期活動;
- 優化核心付費路徑:測試優化,以提升每一步的轉化率,最終將「變現」發揮到最大限度。
③「發現和干預」流失風險用戶
- 出現直接的負面行為:比如快到期的會員點擊了續費頁面卻沒續費;比如大量導出一些數據和文檔;比如用戶在評價時給「不滿意」;
- 行為模式發生變化:比如以前每天登陸幾次,后來 3 天登錄 1 次,再然后一周都未登陸;
- 數據模型預測:可基于大量的數據可以搭建「流失預測模型」,生成「流失可能性」打分,幫助提前關注到有流失風險的用戶;
- 儲存用戶數據:如長期不登錄數據過期提醒;
- 提高轉化成本:如積分與等級體系大大「提高轉換成本」;
- 提前鎖定用戶:如策劃一次購買多年會員的活動「提前鎖定用戶」;
- 流失預警機制:及時給相應激勵開啟「流失預警機制」。
④「召回」流失用戶
- 考慮是否進行用戶召回:值不值得做?為什么回來?留不留得???如增加了砝碼讓產品有大幅度改進,對引回某類流失用戶非常有幫助,用戶有回來的理由。
- 選擇召回對象:流失的對象分為 4 種-未登錄即流失、未激活即流失、新用戶流失、長期用戶流失。通常第2、3類用戶召回的希望更大,因為可觸達且尚未深度體驗產品的價值。
- 召回 A/B 測試:從召回對象、召回時機和頻率、召回渠道到文案設計、發送時間、跳轉路徑,都可進行測試,調試至更優效果。
- 衡量召回效果:直接結果可從推送打開率、點擊率、24h 訪問率來判斷;而長期結果可以從是否有核心行為(Aha時刻)以及召回用戶的留存率來判斷。長期結果才是召回的終極目的。
四、寫在結尾
流量紅利正在消失,精細化運營才是王道。
多鄰國的成功經驗告訴我們,傳統的 AARRR 模型并不是唯一的運營模型,我們需要根據自身的產品特點和業務需求,靈活應用不同的運營策略和數據模型。
只有深入了解用戶需求和行為,才能制定符合用戶期望的增長策略,并在激烈的市場競爭中獲得持續的增長。
以上,就是「顛覆傳統增長模型,用生命周期管理逆勢創新」的內容。參考來源于用戶增長工作實踐 & 調研,如您有不同的見解,歡迎在下方評論區留言討論。
下次想和大家聊聊各類平臺產品老用戶召回的實踐策略!
本文由@加魚加肉 原創發布于人人都是產品經理,未經許可,禁止轉載。
題圖來源于Unsplash,基于CC0協議
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
感謝講解, 學到了很多, 慢慢消化
你最后講的激活、留存、變現、召回,這一套不還是AARRR模型嗎?你所說的活躍用戶觀測模型,只不過是幫助它找到能夠提升核心增長的問題是來自哪里,然后還是用AARRR模型來去解決這個問題啊,也就是你所說的CURR提高21%的舉措。不知道我理解得對嗎?
CURR比傳統的全部用戶的R更精準,也是杠桿的關鍵。主題還是不要粗放的AARRR,而是精細化運營與監測,避免歸因的模糊與謬誤。
“活躍用戶留存(CURR):過去兩周登錄過的活躍用戶,在本周登錄的占比 ”
加魚加肉同學,好奇這里為何不是“過去1周登陸過的,而是過去2周呢?
時間窗口其實是可調的,根據產品內用戶的自然活躍頻率來定。比如有些產品的活躍頻次更低,以周來計算,CURR可能是過去3周內登錄過的用戶,在本周登陸的占比。
寫的太好了,為用戶增長又打開了一扇窗。能否再詳細說說多鄰國的 CURR 提高了 21%有哪些措施,我覺得如果產品本身沒有解決用戶的問題,產品體驗沒有提升,單純依靠連續簽到,發送push和短信不足以支撐這個增長率。謝謝!
還有排行榜等游戲化機制,一個策略值得長期打磨,沒有立竿見影的效果。
建議深入體驗下產品,會發現很多ahamoment
到目前為止,連勝功能也是「Duolingo」參與度最高的功能模塊之一。用戶有關「Duolingo」的討論話題也最常提到連勝紀錄。曾經遇到有一個用戶,他說他已經連續 1435 天完成打卡,中間從來沒有中斷過,證明這位用戶在語言學習上堅持了近四年的時間。
“連勝”影響范圍其實很廣泛。比如,連勝的時間越長,用戶積極性越高,保持連勝的動力也就越大。這也正是提高用戶留存率的關鍵行為,用戶每多在「多鄰國」學習一天,第二天回來的動力就會更強,留存率和 DAU 數據就會更高,這是一個正向的循環。
是的,這是增加了用戶的沉默成本,也是產品的隔離欄,用戶在「Duolingo」打卡了1435天,就不會去另一個產品中去使用,遷移成本太高。
背單詞產品的隔離欄還有數據,比如背了一個月的單詞,這個產品就會知道我的薄弱點在哪,哪些詞會,哪些詞不會,哪些詞需要隔幾天再背,如果切換一個產品,又得重新訓練。這也是這類產品自身留存的一個優勢。
寫的真的太好了,竟然沒有評論。也的確和純銀所說,精細化運營的時代,運營是比產品更加靠近用戶需求的群體
大家都默默收藏留用了哈哈哈哈,謝謝你的首評點贊