近几年来，我们会发现微信中充斥着拼多多砍价、天猫叠猫猫、助力、拼团等一系列必须要“用户邀请其他用户一同参与”的活动与信息，见了心烦，却无法屏蔽，有时候还要碍于关系而被迫参与。

一旦参与后，你可能会在长期运营手段的影响下，也成为了这些产品的使用者，受各种激励的影响，将上述类似的活动分享给自己的好友。

总之，不管你是否认可这种方式，它们都不可阻挡地成为了目前最高效的用户增长方法，做增长的人为引以自豪地称之为裂变，都趋之若鹜地入局。

那么为什么这些方法对于用户增长来说，如此有效呢？这其中就涉及到了一套用户运营模型AARRR模型，也称海盗模型，AARRR是Acquisition、Activation、Retention、Revenue、Refer，这个五个单词的缩写，分别对应用户生命周期中的5个重要环节：获客、激活、留存、收益、传播。

著名的《增长黑客》里面的数据分析基础，也是以这个模型为基础的。每一层的递进都会产生一个漏斗流失，增长黑客的其中一份工作就是要优化漏斗、降低流量流失。AARRR模型是做产品、运营和市场等背负增长相关指标的朋友都要了解的一个数据模型。

从获客到传播推荐，整个 AARRR 模型形成了用户全生命周期的闭环模式。在传播环节中，从理论上来看，只要能驱动老用户邀请新用户参与，并且平均每位老用户邀请的新用户不少于一人，就能保证并且保证用户规模不断扩大，实现持续增长。因此产品和运营们会想方设法地在每一个关键路径让用户去产生裂变分享行为，吸引更多新用户，减少各漏斗环节的流失率，以实现用户的持续增长。

以上对AARRR模型做了一个简述，每一个产品具体情况不同，但总体上都包括这 5 个方面的发展过程。本文将利用 FineBI 对一买菜 APP 的这 5 个发展过程进行分析，做一个实操讲解。

数据导入

数据已经在文末为大家准备好，首先将本次分析的Excel数据导入到FineBI中，FineBI可以支持链接多个数据源和支持多数据形式导入，比如数据库形式、Oracle、SQL等等；

数据处理

FineBI当中，只需要通过编辑字段即可完成数据处理，比如常见的过滤功能、分组汇总功能、新增列、排序功能、合并功能等等；

数据分析及可视化

1.获客分析

获客即拉新，即让用户知道了解认识到有这样一个 APP 并试用。通常情况下会有多个渠道增加产品的曝光，但如何选出最优渠道，使用最少的预算获得最好的拉新效果呢，第一个要做的就是渠道分析。

通常情况下渠道分析有两个维度：获客数量和获客质量。（在本文中我们以平均打开 APP 的浏览时间作为获客质量评价标准，不同企业实际运营过程中有不同的评价指标）

首先通过柱状图来观察渠道获客人数对比，将最左边维度中的推广渠道和获客数量分别拖至横轴和纵轴中：

再通过表格来观察获客质量，将推广渠道和浏览时间分别拖至维度和指标中：

预览得到以下效果：

结论：可以看到线下活动推广的数量与质量都是最优，可以加大线下活动的投入，在超市或菜市场附近做线下活动是最优选项。

2. 激活

激活并不直接对等注册成功。激活要做的是活跃客户，更应该考虑的是用户对于产品核心功能的使用情况。

例如：短视频软件需要新用户观看到一定时长、聊天软件需要新用户完成一次对话才算激活。那么在买菜 APP 中，我们认为购买过一次的用户为激活用户。

对各月份的用户新增情况进行分析，操作如下：

预览效果：

结论：10 月份激活率下降，需要分析具体原因。同时辅助进行新客活动，并做精细化运营，在首页进行个性化推荐产品吸引用户。

3. 留存

用户激活之后，不留存的话最终也都将流失，徒劳一场。

所以用户的留存统计也很重要。在当日、一周内、两周内、三周内进行登录使用操作用户数占总登录人数的比率。

当日留存率：当日激活并登录用户数/所有登录用户数

一周留存率：初次激活日为维度，计算「激活_登录时间差」为 1-7 的登录用户数/所有登录用户数

两周留存率：初次激活日为维度，计算「激活_登录时间差」为8-14的登录用户数/所有登录用户数；

FineBI内操作如下：

结论：用户留存率有较大空间提高，需要分析流失原因，进一步提高产品体验，挽留已有客户。

4.收益

当用户激活后成为了你的一名用户，需要考虑的就是如何获取收入，实现盈利。买菜软件的盈利与很多指标有关，这里我们暂且以提高用户的购买活跃度作为提高收入的的一个主要方式。

我们将用户分为三个大类：低活跃用户，普通用户，会员用户。使用漏斗图展示。

FineBI中有专门的漏斗图模板，直接在图表类型中选择漏斗图，将会员状态拖入颜色和标签中，让不同等级的会员展现不同颜色；再将记录数拖入大小和标签中，让代表不同会员状态的色块根据会员数的大小形成不同的漏斗面积大小，如下图所示：

结论：低活跃用户数量庞大，很有潜力。活跃低活跃的用户，保持会员用户。

5. 传播

当产品有了一定规模的用户之后，就需要考虑激发用户间的自发传播。自传播的数据指标是K因子（推荐系数）：

K = （每个用户向他的朋友们发出的邀请的数量）* （接收到邀请的人转化为新用户的转化率）

K值的高低，直接体现自传播结果水平，当K值大于1时，将激发自传播巨大的力量，K值越大，力量越强。而若K值小于1，那么传播水平会逐步减弱，直至消失。

按照上方公式计算该 APP 的 K 值，如下图步骤所示：

为了方便观察，可以将K值制作成文本组件展示于仪表板中，只需将指标中的K值拖拽至本文属性中，如下图所示；

将用户数量、推荐次数和接受推荐人数也按照上述操作展现：

结论：该 APP K值已经大于 1 ，拥有了自传播的力量。可以进一步通过“邀请获红包”等运营活动进一步提高 K 值，加快传播速度。

以上通过一个实操案例为大家展示了AARRR用户模型分析的基本形态，实际上这个模型中蕴含着很多奥妙，深入分析可以挖掘更大的价值。

最后，建议大家能自己上手分析一下，使用的工具和数据源也为你准备好了，见下方