案例分析：利用RARRA模型做用户增长。

众所周知，AARR经典的增长黑客系统，从AARR到RARA的运营理念转变，也被称为「海盗法则」，分别是获取、激活、保留、实现和推荐。DaveMclure提出了这个模型，认为所有创新型和成长型企业都应该按照这个模型成长。AARRR专注于客户获取（Acquisition），AARR模型作为2007年提出的一个概念，可能不再适用于互联网运营瞬息万变的场景。原因有二:(1)客户获取成本增加，市场竞争激烈，用户获取成本不再便宜。一组数据显示，阿里巴巴在线客户获取成本增加了6倍，JD.COM客户获取成本增加了1.5倍，趣头条用户获取成本增加了8倍，百度的流量获取成本增加了41%。在目前的情况下，以吸引新客户为中心的增长模式意味着平均成本比十年前提出时增加了5倍以上。(2)一组流失率高的数据显示，安装后每个应用的平均情况:前3天会损失77。％的DAU。它将在30天内失去90天％的DAU。90天内，流失率跃升至95％以上。无论你是否怀疑，这都是许多初创公司面临的现实困境。它创造了BrianBalfour所说的“无意义增长之轮”。由于上述两个原因，黑客增长的真正关键在于用户保留，而不是客户获取。所以我们需要一个更好的模型——RARA模型。RARA模型是托马斯·佩蒂特Thomaspetit和贾博·帕普Gaborpapp优化海盗指标-AARR模型，RARA模型突出了用户保留的重要性。简而言之，AARR模型的核心在于获取客户，而在RARA模型下，专注于用户的保留。如何在RARA模型下实现用户增长？(成功案例分享)分享我们最近在RARA模型下成长用户的一个成功案例:我们所做的是一个在线教育平台，课程分类包括:新用户免费体验课(0元)；低价专题课(50元以内)旨在转化；短期课(999元以内)和系统课(1000-4000元)以盈利为目的。这类课程显然是基于创新、保留和转换过程的设计，这也是许多在线教育平台的一般课程模式设计。事实上，它本质上与其他行业的平台相似。在RARA模型下，数据驱动更为重要。因为如果你专注于客户获取，你可以根据经验和主观判断来选择渠道选择，但专注于保留，你必须使用数据分析来找出每个保留链接的差异因素，然后制定最有效的计划来大大提高保留率。在网络教育平台的运营中，数据分析方法相对复杂，因为从推广到课程设计、课程质量、售前售后服务等。，包含了很多影响收入的因素。数据分析的第一步也是建立指标系统的关键点。对于一个平台来说，有很多一般的数据指标，但必须确定唯一的关键指标（OMTM），北极星指标也被称为驱动方向。回归商业本质，所有商业模式的最终目标当然是收入，但收入不是北极星指数，而是决定北极星指数的上级因素。如下图所示，平台收入=有效用户数*客户单价。因为课程的客户单价有一般的市场标准，所以不会有太大的变化。因此，经过分析，我们认为直播课程运营的北极星指标是有效听课用户数，即购买课程并有效听课的用户数。然后，有必要分解北极星指数。从指标拆解的角度来看:有效听力用户中的新用户数=外部流量导入*转化率；有效听力用户中的老用户数=老用户数*续报率。在最终分解的四个指标中，除了老用户数量直接由新用户转化率决定外，还可以通过运营改进流量、转化率和续期率。但由于时间和资源的限制，运营策略中肯定会有三个指标的重点和顺序。一开始，我们采用AARR模型，重点是提高流量和新用户转化率。通过广告、拉新红包等大量排水，在课程设计中做了大量的设计，以提高新用户的转化率。最后，流量和转化率都有所提高，但问题是用户停留在0元免费课程和低价转化课程上，很少有有效用户更新高价课程。这样，似乎有很多新用户，但整体收入仍然无法上升。经过团队分析，AARR模型可能不适合我们。由于续课率有问题，应尽量采用RARA模型，重点保留操作。因此，数据组开始探索保留的问题点出现在哪里。对比不同维度的用户数据，最终发现新老用户续课率差高达53%。也就是说，在新用户进行初步低价课程转化后，从低价课程到正价课程的保留续课阶段是损失最严重的部分。找到了最痛苦的点，问题已经解决了一半。接下来，通过对各种数据因素的分析，我们判断了影响新用户续课率的几个关键因素，即用户来源、课前服务和课程质量。并继续分解和挖掘每个因素。在课程质量方面，综合三个细分数据指标可以衡量课程质量。在课前服务时间方面，通过数据对比，我们发现课前两周服务效果最好，续课率最高。在用户来源方面，短期课程的续课率远高于其他两个来源。根据以上数据分析，运营策略指导是教师和教研团队密切关注课程质量，改变以往的主观评价模式。教师KPI出勤率、完课率、作业完成率三者综合考核；助教团队的课程服务时间是前置的，从上一周和下课后服务到下课前两周用户服务；服务群体的重点转移到短期课堂上的新用户。改进后的效果:通过以上三个方向的运营策略调整，同一个团队在短短一个月内将新老用户续课率的差额从53%缩小到9%！效果非常明显。同时，平台整体收入也大幅增加，但运营成本比以往大规模渠道投放大大节省。阶段性成功是及时调整用户增长模式，采用系统的数据分析方法驱动用户增长。可以看出，在数据驱动下，最终的操作策略非常简单，但很难看到前面数据组背后的努力和精力。这就是我们想要的结果，扎根深入，却呈现出简洁明了的操作指令。