User Profile: Cơ sở, Nguyên Lý, Phương
Bản chất của chân dung người dùng (User Prof...
Did You Know?
Docly turns out that context is a key part of learning.
Docly turns out that context is a key part of learning.
[ez-toc]
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:
AARRR Model có hai điểm cốt lõi:
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:
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:
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.
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:
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:
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:
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:
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.
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.
Định nghĩa: Người dùng mới trong ngày số người dùng đăng nhập trong ngày thứ hai chiếm tỷ lệ phần trăm của người dùng mới.
Tỷ lệ giữ chân vào ngày tiếp theo: số người dùng đăng nhập ít nhất một lần vào ngày tiếp theo / số người dùng mới trong ngày đó.
Định nghĩa: Tỷ lệ người dùng mới đăng nhập vào ứng dụng trong ngày thứ 3 so với số người dùng mới đó là bao nhiêu.
Định nghĩa: Tỷ lệ người dùng mới đăng nhập vào ứng dụng trong ngày thứ 3 so với số người dùng mới đó là bao nhiêu.
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:
Định nghĩa: Tỷ lệ khách hàng đăng nhập vào APP vào ngày thống kê nhưng không đăng nhập vào APP trong 7 ngày tiếp theo, tính theo tỷ lệ với số lượng khách hàng hoạt động trong ngày thống kê.
Định nghĩa: Tỷ lệ khách hàng đăng nhập vào APP trong tuần trước nhưng không đăng nhập vào APP trong tuần thống kê, tính theo tỷ lệ với số lượng khách hàng hoạt động trong tuần trước.
Định nghĩa: Tỷ lệ khách hàng đăng nhập vào APP trong tháng trước nhưng không đăng nhập vào APP trong tháng thống kê, tính theo tỷ lệ với số lượng khách hàng hoạt động trong tháng trước.
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:
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:
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:
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:
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:
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:
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:
Lợi nhuận đóng góp của nhóm khách hàng và kênh, đo lường LTV so với CPA.
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.
