Site icon Henry's Notes

AARRR model (detailed explanation of model data indicators)

chihong

AARRR Model là gì?

Mô hình AARRR còn được gọi là Pirate Metrics (mô hình cướp biển) vì phương pháp tăng trưởng săn mồi được đề xuất bởi Dave McClure vào năm 2007. Cốt lõi là mô hình phễu AARRR, tương ứng với vòng đời của khách hàng và giúp mọi người hiểu rõ hơn về nguyên tắc của khách hàng. thu hút và duy trì khách hàng.

AARRR tương ứng với năm từ, tương ứng với năm giai đoạn của vòng đời sản phẩm:

Điểm cốt lõi của AARRR Model

AARRR Model có hai điểm cốt lõi:

  1. Tập trung vào người dùng, dựa trên vòng đời người dùng đầy đủ;
  2. Kiểm soát tổng chi phí / thu nhập của sản phẩm, giá trị vòng đời của người dùng (LTV) lớn hơn tổng chi phí thu được từ việc thu hút người dùng (CAC) và chi phí quản lý người dùng (COC) thì sản phẩm sẽ thành công.

Data indicators of AARRR model

Acquisition

Trong giai đoạn tìm kiếm khách hàng (Acquisition), cũng là giai đoạn quảng bá sản phẩm, là bước đầu tiên trong quá trình vận hành sản phẩm.

Người vận hành sẽ sử dụng các kênh quảng cáo và phương pháp khác nhau để tiếp cận người dùng mục tiêu và đánh giá hiệu quả của các kênh tiếp thị, từ đó xác định chiến lược đầu tư hợp lý và giảm thiểu chi phí để thu hút người dùng (CAC – Cost of Acquisition) một cách tối thiểu.

Các chỉ số chính cần chú ý trong giai đoạn này bao gồm:

Daily New Users (DNU)

Định nghĩa: Số người dùng đăng ký và đăng nhập vào ứng dụng hàng ngày.

Ở đây, đăng ký là khái niệm rộng, đối với một số ứng dụng thì đây là người dùng khởi động ứng dụng lần đầu tiên, vì vậy định nghĩa DNU cũng có thể là người dùng đăng nhập hoặc khởi động ứng dụng lần đầu tiên. Cần lưu ý rằng, trong thống kê ứng dụng di động, đôi khi người dùng chỉ đề cập đến thiết bị.

Giải quyết vấn đề:

  1. Phần trăm đóng góp của kênh đối với người dùng.
  2. Xu hướng tổng quan, xác định chiến lược đầu tư.
  3. Có tồn tại nhiều người dùng rác hay không.
  4. Phân tích tỷ lệ chuyển đổi đăng ký.

Activation

Người dùng mới được thêm vào sẽ được chuyển đổi thành người dùng đang hoạt động (Kích hoạt) sau khi kết thúc. Tại thời điểm này, chúng ta cần chú ý đến số lượng người dùng đang hoạt động và dữ liệu về tần suất người dùng và thời gian dừng.

Daily Active User – DAU

Định nghĩa: Số lượng người dùng đăng nhập vào ứng dụng hàng ngày.

Đối với một số ứng dụng, việc khởi động ứng dụng đã được tính là một người dùng hoạt động, trong khi đối với một số ứng dụng khác, người dùng phải đăng ký một tài khoản mạng để được tính là một người dùng hoạt động. Việc tính toán người dùng hoạt động được loại bỏ những bản sao.

Giải quyết vấn đề:

  1. Phần trăm đóng góp của kênh cho số lượng người dùng hoạt động.
  2. Phân tích chu kỳ sản phẩm.
  3. Dòng chảy mất người dùng hoạt động của sản phẩm, phân tích số lượng người dùng hoạt động.
  4. Tỷ lệ người dùng hoạt động, số lượng người dùng hoạt động tính theo người dùng.

Weekly Active User – WAU

Định nghĩa: Số lượng người dùng đăng nhập vào ứng dụng trong 7 ngày gần đây (bao gồm cả ngày hiện tại), thường tính theo tuần tự nên được gọi là Weekly Active User (WAU).

Giải quyết vấn đề:

  1. Quy mô người dùng chu kỳ.
  2. Xu hướng thay đổi chu kỳ, chủ yếu là so sánh giữa giai đoạn quảng bá và giai đoạn không quảng bá.

Monthly Active User – MAU

Định nghĩa: Số lượng người dùng đã đăng nhập vào ứng dụng trong vòng 30 ngày gần nhất (bao gồm cả ngày hôm nay), thường tính theo tháng tự nhiên.

Sự thay đổi của MAU ít biến động, đối với tính ổn định của quy mô người dùng sản phẩm, MAU là bước đếm chỉ hướng. Nhưng trong thời kỳ quảng bá, cập nhật phiên bản, điều chỉnh hoạt động kinh doanh, tác động lên MAU càng rõ ràng hơn.

Ngoài ra, tùy thuộc vào giai đoạn chu kỳ của sản phẩm, xu hướng thay đổi của MAU cũng khác nhau.

Giải quyết vấn đề:

  1. Độ ổn định của quy mô người dùng.
  2. Đánh giá hiệu quả quảng bá.
  3. Thay đổi tổng quan về quy mô người dùng.

Daily Average Online Time (DAOT)

Định nghĩa: Tổng thời lượng trực tuyến mỗi ngày / số người dùng hoạt động hàng ngày.

Về thời lượng sử dụng, có thể chia thành thời lượng sử dụng mỗi lần, thời lượng sử dụng hàng ngày và thời lượng sử dụng hàng tuần và các chỉ số khác, thông qua việc phân bổ khoảng và tính trung bình, để hiểu được độ bám dính tham gia.

Giải quyết vấn đề:

  1. Phân tích vấn đề chất lượng sản phẩm.
  2. Quan sát thời lượng sử dụng trung bình theo các khoảng thời gian khác nhau, để hiểu về thói quen của các nhóm người dùng khác nhau.
  3. Một trong các tiêu chuẩn đo lường chất lượng kênh.
  4. Căn cứ cho phân tích tỉ lệ duy trì và tỷ lệ mất.

DAU/MAU

Thông qua DAU / MAU, bạn có thể xem số ngày trung bình mà người dùng truy cập ứng dụng trong một tháng, ví dụ: Một ứng dụng có 50.000 DAU, 100.000 MAU, tỷ lệ DAU / MAU của nó là 0,5, tức là, người dùng truy cập trung bình vào ứng dụng 15 ngày mỗi tháng. Đây cũng là một chỉ số quan trọng để đánh giá user stickiness (độ kết dính của người dùng).

DAU / MAU nằm trong khoảng từ 3,33% đến 100%, nhưng rõ ràng những trường hợp này hiếm khi xảy ra trong thực tế. Các ứng dụng trong các lĩnh vực khác nhau sẽ có các giá trị tham chiếu khác nhau để tham khảo, ví dụ: trò chơi di động sẽ sử dụng 20% làm điểm chuẩn, giá trị của game Liên Minh Huyền Thoại (Trung Quốc) vào tháng 6 và tháng 9 năm 2017 đều ở mức khoảng 31%. Trong khi đó, các ứng dụng công cụ sẽ sử dụng 40% làm điểm chuẩn.

Giá trị DAU / MAU càng cao, thì đương nhiên, user stickiness của ứng dụng càng mạnh, cho thấy có nhiều người dùng sẵn sàng sử dụng ứng dụng; ngược lại, nếu giá trị DAU / MAU thấp, nhưng không thể nói trực tiếp rằng ứng dụng này thất bại. Chúng ta cần kết hợp nhiều điều kiện, chẳng hạn như thuộc tính sản phẩm (ví dụ: ứng dụng đầu tư định kỳ / tìm việc làm / mua nhà / thuê nhà, có thể có tính chất DAU thấp hơn tự nhiên), xem xét thời gian (ngày làm việc / kỳ nghỉ / vv.), phiên bản cập nhật, hoạt động kinh doanh, giá trị ARPU của người dùng theo kích thước người dùng và nhiều yếu tố khác để phân tích đa chiều, mới có thể đưa ra kết luận. Do đó, hiểu đúng ý nghĩa của DAU / MAU rất quan trọng.

Retention

Chúng ta đã giải quyết vấn đề về độ hoạt động của người dùng, nhưng lại phát hiện ra một vấn đề khác: “Người dùng đến nhanh, đi cũng nhanh”. Đôi khi chúng ta cũng nói rằng ứng dụng không có độ kết dính người dùng hoặc tỷ lệ giữ lại.

Chúng ta cần một chỉ số có thể được sử dụng để đo lường độ kết dính và chất lượng của người dùng, đây là một phương tiện để đánh giá khả năng giữ lại người dùng và tăng kích thước người dùng tích cực, tỷ lệ giữ lại (Retention) là một trong những phương tiện đó.

Retention Rate (tỷ lệ giữ lại): số lượng người dùng mới trong một khoảng thời gian nhất định, ký hiệu là A, sau một khoảng thời gian, số lượng người dùng tiếp tục sử dụng được tính theo tỷ lệ của số người dùng mới A.

Retention Ratio

Tỷ lệ giữ chân người dùng dần trở thành một tiêu chuẩn quan trọng để đánh giá chất lượng sản phẩm.

Trong việc quan tâm đến tỷ lệ giữ chân người dùng, chúng ta cũng cần quan tâm đến phân tích tỷ lệ mất khách. Tỷ lệ giữ chân chủ yếu quan tâm đến việc phân tích tổng thể các kênh thu thập người dùng có hợp lý hay không, quy mô người dùng sản phẩm có thể tăng lên hay không. Trong khi đó, tỷ lệ mất khách lại quan tâm đến lý do tại sao một số người dùng lại rời khỏi ứng dụng. Điều này có thể là vấn đề tồn tại từ giai đoạn thu thập người dùng, nhưng khi quy mô người dùng ổn định, việc mất một người dùng trả phí có thể dẫn đến giảm doanh thu của ứng dụng.

Việc tính toán tỷ lệ giữ chân có thể được xác định theo khoảng thời gian thống kê, ví dụ khi tính toán tỷ lệ giữ chân hàng tuần, tỷ lệ giữ chân của người dùng mới trong tuần đó được tính theo số lượng người dùng mới được thêm vào trong tuần đó và số lượng người dùng mới giữ chân trong tuần tiếp theo.

Như đã đề cập ở trên, các khái niệm “+3 ngày” hoặc “+7 ngày” nhấn mạnh vào sự quan trọng của ngày thứ 3 và ngày thứ 7. Lưu ý rằng, khi tính toán tỷ lệ giữ chân, ngày đăng ký mới không được tính vào số ngày. Nói cách khác, người dùng giữ chân mà chúng ta đề cập đến là người dùng đăng ký mới giữ chân vào ngày thứ nhất, ngày thứ 3 và ngày thứ 7 sau khi đăng ký.

Giải quyết vấn đề:

  1. Đánh giá chất lượng ứng dụng.
  2. Đánh giá chất lượng người dùng.
  3. Đo lường quy mô người dùng.
  4. Mất khách: thống kê tình trạng người dùng rời khỏi ứng dụng

Churn Ratio

Tỷ lệ trôi đi (Churn Rate) là một chỉ số quan trọng cần chú ý trong giai đoạn ổn định của ứng dụng, nếu như theo dõi tỷ lệ giữ lại (Retention) để theo dõi người dùng giai đoạn đầu tham gia vào ứng dụng, thì theo dõi tỷ lệ chuyển đi là để quan tâm đến tính ổn định của người dùng trong sản phẩm ở giai đoạn giữa và cuối cùng, đồng thời chuyển đổi năng suất thu nhập. Khi ổn định được đạt, doanh thu và hoạt động đều ổn định. Nếu tỷ lệ trôi đi lớn, chỉ số này có thể cảnh báo và từ đó tìm kiếm từng phần người dùng rời khỏi ứng dụng và xác định vấn đề. Đặc biệt, phân tích việc mất đi người dùng trả tiền cần được quan tâm nhiều hơn.

Giải quyết vấn đề:

  1. Phân tích vòng đời người dùng hoạt động.
  2. Sự thay đổi của các kênh.
  3. Hoạt động thúc đẩy thu nhập, đánh giá ảnh hưởng của bản cập nhật đến việc mất người dùng.
  4. Thời điểm có tỷ lệ chuyển đi cao.
  5. So sánh với ngành và đánh giá sản phẩm giữa giai đoạn.

Revenue

Các nguồn thu nhập của ứng dụng có nhiều loại, chủ yếu bao gồm: thanh toán ứng dụng, thanh toán tính năng trong ứng dụng, doanh thu quảng cáo, tiền kiếm được từ lưu lượng truy cập, vv. Chỉ số chính được đánh giá như ARPU (Average Revenue Per User – doanh thu trung bình trên mỗi người dùng).

Các yếu tố chính để chú ý:

PR (Payment Rate) or PUR (Paying User Rate)

Định nghĩa: Tỷ lệ người dùng trả tiền với tỷ lệ người dùng hoạt động.

Nói một cách đơn giản, tỷ lệ trả tiền cũng được gọi là tỷ lệ thâm nhập trả tiền. Trong thị trường ứng dụng di động, phần lớn chỉ quan tâm đến tỷ lệ trả tiền hàng ngày, tức tỷ lệ trả tiền hàng ngày.

Tỷ lệ trả tiền cao hay thấp không đại diện cho việc tăng hoặc giảm người dùng trả tiền của sản phẩm. Tỷ lệ trả tiền cũng có hiệu quả khác nhau đối với các sản phẩm ứng dụng khác nhau.

Giải quyết vấn đề:

  1. Tiêu chuẩn khả năng chuyển đổi doanh thu của sản phẩm.
  2. Điểm chuyển đổi trả tiền của người dùng và chu kỳ chuyển đổi.
  3. Đánh giá hiệu quả chuyển đổi trả tiền.

APA (Active Paying Users)

Định nghĩa: Là số người dùng thành công thanh toán trong khoảng thời gian thống kê. Thường tính theo tháng và được gọi là MPU (Monthly Paying Users) trên thị trường quốc tế.

Trong phân tích dữ liệu, nên chú trọng đến người dùng trả phí theo ngày hoặc theo tuần, vì vòng đời của người dùng ngắn hạn và trả phí ngắn hạn là trung tâm quan tâm.

Công thức tính số người dùng đang hoạt động và trả phí như sau:

APA = MAU x MPR

Giải quyết các vấn đề:

  1. Quy mô người dùng trả phí của sản phẩm.
  2. Cấu thành của APA, tỷ lệ và khả năng sinh lời của người dùng cá voi, người dùng cá heo và người dùng cá nhỏ.
  3. Giá trị của đối tượng trả phí và phân tích tính ổn định toàn bộ.

ARPU (Average Revenue Per User)

Định nghĩa: Doanh thu trung bình được tạo ra bởi người dùng hoạt động trong khoảng thời gian thống kê. Thường tính theo tháng.

Công thức tính ARPU như sau:

ARPU＝Doanh thu/Tổng số người dùng

ARPU theo tháng = Doanh thu/Tổng số người dùng hoạt động trong tháng

Tức là chia tổng doanh thu cho tổng số người dùng hoạt động trong tháng, thường tính theo tháng.

ARPU trong định nghĩa chặt chẽ khác với ARPU được hiểu ở trong nước, ARPU ở trong nước = Tổng doanh thu/Số người dùng trả tiền. Do đó, trong nhiều trường hợp, ARPU của người trả tiền sẽ được nhấn mạnh, với thuật ngữ riêng gọi là ARPPU.

ARPU được sử dụng để ước tính doanh thu trong các quy mô khác nhau trong giai đoạn định vị sản phẩm, cũng là một tham chiếu quan trọng cho LTV.

Giải quyết các vấn đề:

  1. Đánh giá chất lượng người dùng khác nhau trên các kênh khác nhau.
  2. Phân tích đóng góp doanh thu của sản phẩm.
  3. Quan hệ giữa doanh thu trung bình mỗi người dùng hoạt động và chi phí quảng cáo.

ARPPU (Average Revenue Per Paying User)

Định nghĩa: Trung bình doanh thu được tạo ra bởi mỗi người dùng trả tiền trong một khoảng thời gian. Thường được tính theo tháng.

Công thức tính trung bình doanh thu được tạo ra bởi mỗi người dùng trả tiền như sau:

ARPPU = Doanh thu / Số người dùng trả tiền

Monthly ARPPU = Doanh thu / APA

Tức là tổng doanh thu chia cho tổng số người dùng trả tiền, thường được tính theo tháng.

ARPPU khá dễ bị ảnh hưởng bởi người dùng bình thường và người dùng VIP, do đó phân tích cần cẩn thận.

ARPPU kết hợp với APA, MPR có thể phân tích được tình trạng giữ chân của người dùng trả tiền, phân tích sâu hơn về lượng người dùng trả tiền cụ thể và đảm bảo chất lượng và quy mô thanh toán.

Giải quyết vấn đề:

  1. Xác định khả năng thanh toán của người dùng trả tiền và các thay đổi về cấp bậc.
  2. Tính xu hướng thanh toán tổng thể và sự khác biệt giữa các tầng lớp thanh toán khác nhau của người dùng trả tiền.
  3. Khai thác giá trị của người dùng VIP.

LTV (Life Time Value)

Định nghĩa: Tổng giá trị doanh thu mà khách hàng tạo ra trong suốt chu kỳ sống. Nó có thể được coi như một ARPU tích lũy dài hạn.

Công thức tính trung bình LTV cho mỗi khách hàng như sau:

LTV = ARPU x LT (tính bằng tháng hoặc ngày trung bình của chu kỳ sống)

Trong đó, LT là Life Time (chu kỳ sống), tức là thời gian từ lần khởi động ứng dụng đầu tiên đến lần cuối cùng, thường tính trung bình, LT được tính bằng tháng, tức là số tháng trung bình mà khách hàng ở lại trong ứng dụng. Ví dụ, nếu ARPU của ứng dụng là 2 đô la và LT là 5 tháng, thì LTV = 2 x 5 = 10 đô la.

Cách tính này trong lý thuyết là khả thi, trong thực tế, chúng tôi áp dụng phương pháp tính LTV như sau.

Theo dõi các khách hàng mới được thêm vào trong một ngày hoặc một tuần cụ thể, tính tổng giá trị doanh thu đóng góp tích lũy của nhóm khách hàng này trong 7 ngày, 14 ngày và 30 ngày tiếp theo, sau đó chia cho số lượng khách hàng mới được thêm vào, tức là doanh thu tích lũy / khách hàng mới = ARPU tích lũy (LTV). Phương pháp này có thể tính toán giá trị chu kỳ sống sơ bộ cho nhóm khách hàng mới được thêm vào trong các giai đoạn chu kỳ sống khác nhau.

Giải quyết vấn đề:

  1. Chu kỳ đóng góp lợi nhuận của khách hàng.

    Lợi nhuận đóng góp của nhóm khách hàng và kênh, đo lường LTV so với CPA.

  2. LTV không phân biệt khách hàng trả tiền và không trả tiền, nhìn nhận giá trị toàn bộ.

Referral

Tự truyền bá còn được gọi là truyền bá từ miệng đến tai hoặc truyền bá virus. Có một chỉ số quan trọng là hệ số K.

Công thức tính K không quá phức tạp, quá trình như sau:

K = (số lượng lời mời mà mỗi người dùng gửi cho bạn bè của họ) × (tỷ lệ chuyển đổi từ người nhận lời mời thành người dùng mới).

Giả sử trung bình mỗi người dùng sẽ gửi lời mời cho 20 người bạn và tỷ lệ chuyển đổi trung bình là 10%, thì K = 20 × 10% = 2.

Khi K> 1, nhóm người dùng sẽ phát triển như một quả tuyết lăn.

Khi K <1, nhóm người dùng sẽ ngừng tăng trưởng thông qua truyền bá tự phát khi đạt đến một kích thước nào đó.

Phần lớn các ứng dụng vẫn chưa thể hoàn toàn phụ thuộc vào truyền bá tự phát, vì vậy vẫn cần phải kết hợp với các phương pháp tiếp thị khác. Tuy nhiên, việc thêm các tính năng thuận lợi cho việc truyền bá tự phát trong giai đoạn thiết kế sản phẩm vẫn cần thiết, bởi vì phương pháp quảng cáo miễn phí này có thể giảm chi phí CAC một phần.

Trên đây là hệ thống chỉ số dữ liệu của mô hình AARRR. Chỉ khi xây dựng hệ thống chỉ số dữ liệu hoàn chỉnh, chúng ta mới có thể phân tích hành vi người dùng một cách toàn diện hơn trong tương lai.

Exit mobile version