近期AARRR模型在行业内大受追捧，让我们结合当下的大数据（数据波），剖析来看其神秘之处。
首先我们来分析一下当年的网络趋势：
通过各大数据榜单，我们不难发现：
1、上网人群的年龄已经完成了从过去相对集中的年轻人到全年龄层的分散。
2、上网人群已经实现了三四线城市的全面分布。
3、WiFi和4G的普及，使得人们上网越来越方便，获取内容将不再受到网速的约束。
由此我们可以发现，当前的互联网人群从年龄、地域以及网络环境等呈现多层次发展，差异越来越明显；面对日新月异的网络发展，对数据加以精细化分析已然势在必行。
看一下AARRR模型的新思路
AARRR用户模型即Acquisition（获取用户）、Activation（激活）、Retention（留存）、Revenue（收入）、Refer（传播），分别对应产品生命周期中的5个重要点。
其实一步步分析下来看AARRR模型就是一个转化漏斗。基于转化，可以发现产品各个环节中的改善点。
例如：Linked in从200万到2亿用户快速增长策略
1） 用户可以创建公开的个人资料用，并且让搜索引擎检索到
2） 邮箱邀请联系人，动态通知
其中1）主要是模型中的"用户获取"和"用户激活"两个环节；而2）则主要针对模型中"用户传播"和"用户留存"两个环节。
对于一款产品优化，我们首先要做的就是找到整个步骤中存在问题的那一步。上面的每一步都是基于数据统计与精细化分析得来的。
数据波可以针对流量趋势、趋势对比、终端排名以及来源分析做系统的数据统计分析；可以做到日数据处理30亿PV、日数据存储200GB，每秒请求5万QPS；从终端来讲可以监测3800多款移动设备型号分析，350多个品牌厂商，500多APP渠道，国内所有行政区识别率达90%。对于上面案例中用户获取和传播的数据完全可以做到实时，全面以及系统的统计与分析。
而数据波的精细化分析可以提供事件趋势、转化漏斗、多维分析、人群标签四大解决方案，适应多种行业、场景；通过事件漏斗找出转化最低环节，了解流失去向，有针对性的进行迭代；从各种用户行为趋势变化，了解与用户之间的互动有效性以及用户留存分析、人群画像等差异化服务，还可以按产品不同需求做自定义事件分析。对于上面案例中的用户激活和留存，可以很好的从数据去把控，发现更好的解决策略。
当下多样化、多层次的网络环境中，通过数据精细化分析，匹配AARRR过程中的问题，找到更合适产品的策略，数据波助力产品优化代。app应用统计shujubo.com
周四 五月 19, 2016 5:28 am