颠覆传统增长模型：DAU一路狂飙的多邻国，做对了什么？

如何保持持久增长，或者突破增长困境，是几乎每个企业都需要思考的问题，而在本篇文章里，作者便分享了多邻国这一语言学习平台的增长案例，这一平台通过采用更加细致的用户分层与数据模型，实现了DAU增长。一起来看看本文的拆解。

增长，对任何企业都是永恒的主题。

不论初创公司还是已成熟的大企业，在经历一段高速发展后，都会触碰到阶段性的天花板。能否持续创新和保持增长，正是一家公司走向伟大或平庸的关键。

Duolingo（多邻国）是一个神奇的存在，作为语言学习平台，在没有那么热的赛道上，DAU 却一路狂飙。2022 年 Q4，多邻国 MAU 达到 6070 万，上年同期仅有 4240 万，同比增长 43%，DAU 同比增长 62% 至 1630 万。

2018-2022 年，「多邻国」DAU 增长 450%｜图片来源：Lenny’s Newsletter

在各大头部平台难以扩张用户规模、提升营收的 2022 年，多邻国如何实现高速增长？答案就是颠覆传统 AARRR 模型，采用了更加细致的用户分层和数据模型，从中找到增长杠杆。

今天将以多邻国为例，探讨我们如何借鉴其成功经验，灵活应用并突破增长困境。

话不多说，直接进入正文部分，Enjoy：

一、传统AARRR模型的优缺点

当谈到用户运营和增长时，AARRR 增长模型是一个业内熟知的框架，也称海盗模型，即与海盗所做的事情类似，实现掠夺式增长，是一个五级漏斗模型。它包含以下步骤：

（图片来源：自己画的）

1. 获取（Acquisition）：获取新用户的方式，吸引用户关注并让他们了解产品。
2. 激活（Activation）：将新用户转化为活跃用户，使其对产品或服务产生兴趣，并保持良好的第一印象。
3. 保留（Retention）：确保已获得的用户继续使用和回归，提高用户留存率。
4. 变现（Revenue）：将用户转化为付费客户，通过购买实现商业目标。
5. 自传播（Refer）：让用户认可产品并自发传播，带来更多新用户。

AARRR 增长模型的优点在于，它提供了一种简单而有条理的方法来评估用户运营和增长策略。

• 简单易懂：将用户的生命周期分为5个阶段，方便我们在每个阶段找到相应的策略。
• 易于执行：是大家公认的标准，因此大多数公司都能够快速理解和实施它。
• 容易跟踪：由于每个阶段的目标都非常明确，因此可以通过特定的指标来追踪其进展。

但是，AARRR模型也有其缺点：

• 过于简化：只涉及到5个阶段，而在现实生活中，用户的情况往往非常复杂，可能需要更具体的运营策略。
• 缺乏重点：不区分哪些用户更重要，因此可能会消耗过多的资源去满足不是必须的用户需求。
• 缺乏指导性：缺乏具体的指导性，在实施运营策略时往往需要结合其他模型或数据。

由于该类模型过于简单，每一步骤依赖于前一步骤的成功，这可能会导致模型在某些情况下不适用于某些产品或服务。

因此，多邻国在 2018 年遭遇增长瓶颈时，决定从生命周期管理角度出发，发掘一套新的增长模型，撬动杠杆，向精细化运营转变。

二、多邻国生命周期模型拆解

1. 为什么要做生命周期管理

随着移动互联网的用户增长趋近饱和，新用户的获客成本增加，使得老用户的留存显得尤为重要。 用户生命周期的基础概念，广义上包括五个阶段：

1. 引入期：用户获取阶段，将市场中的潜在用户流量转化为自家用户。
2. 成长期：注册登录并激活，已经开始体验产品的相关服务或功能，体验过Aha时刻。
3. 成熟期：深入使用产品的功能或服务，贡献较多的活跃时长、广告营收或付费等。
4. 休眠期：一段时间内未产生价值行为的成熟用户。
5. 流失期：超过一段时间未登录和访问的用户。

用户增长看作是一个系统的话，这个系统的目的就是不断的提升用户规模和用户价值；其中活跃用户是存量，新进来的用户与流失用户是流量。

而用户生命周期管理可以看作是这个系统的反馈方式，即加强系统的增强回路同时抑制调节回路，这有利于我们从全局视角看到用户生命周期管理的价值。

运营工作的目标是增加用户数量和转化率，但只是关注这些表面指标，并不足以实现最优效果。很多新手运营人员忽视了必要的思考，对于运营策略方向仅停留在表层的增长或转化方法上。

如：每天都在想如何使用活动奖品引导用户拉新，使用折扣促进付费，却没有深入思考一些更为重要的问题：如何衡量每个月的增长目标是否合理？如何使现有用户的GMV 最大化？我们已有用户的分层情况是怎样的？哪些用户可以帮助我们实现目标等等。

如果只停留于表面的运营行为，将无法有效预估结果，导致活动失败。同时对个人成长也没有帮助，因为我们只能得到活动后的数据，而无法知道：项目中促活了多少老用户，新用户参与了产品的付费转化等信息。既无法追溯，也无法指导后续运营策略。

因此，我们需要进行深入思考和数据分析，对用户进行生命周期管理，以制定更有效的运营策略。

2. 如何搭建数据观测模型

经过多次实践与调优，多邻国从「用户活跃度」出发，搭建了数据观测模型：对不同活跃度用户进行用户分层，让重点用户一目了然，对其进行引导和干预，使得其在产品中持续活跃。

每一个曾经使用过产品的用户在特定自然日，都会被归到一个特定用户群中。这也意味着不同层级的用户是永远互斥的。不同的箭头代表各个层级用户转变的比例（包括 CURR、NURR、RURR 和 SURR，但时间维度是日而不是周）。在这个完全闭环的模型体系下可以看到，新用户是唯一的突破口。

（图片来源：Lenny’s Newsletter & 自己画的）

黄、绿和蓝色的用户群相加，正好组成产品的 DAU（日活跃用户），这些用户群分别是：

• 新用户（New Users）：首次登录 App 的用户；
• 活跃用户（Current Users）：今日登录过，且在过去 6 天最少登录过 1 次的用户；
• 召回用户（Reactivated Users）：今日登录，过去 6 日未登录，但在过去 7-29 日登录过至少 1 次的用户；
• 回流用户（Resurrected Users）：今日登录，但在过去最少 30 日以上未登录过的用户。

最下面三个用户群则是今日未登录，但在过去有着不同程度的参与数据的用户。

• 可能流失的周活跃用户：今日未登录，但在过去 6 天至少登录过 1 次的用户【可能流失的周活跃用户 + DAU（日活跃用户）=WAU（周活跃用户）】
• 可能流失的月活跃用户：近 7 日未登录，但在 30 天内有过登录行为的用户【可能流失的月活跃用户 + WAU（周活跃用户）= MAU（月活跃用户）】
• 流失用户：过去 31 天或更长时间未登录过的用户【MAU + 流失用户=总用户数】

如果大家觉得这个图看起来很复杂，我加一个时间轴变形一下，应该就很好理解了。

（图片来源：自己画的）

从上面的公式可以看到，常见的 DAU、WAU 和 MAU 都是可以通过不同层级用户相加计算出来的，这也就是说，多邻国可以针对这些用户进行数据建模。这是这套模型体系的一个关键特点。

此外，通过调整箭头所代表的不同留存/流失率，我们可以模拟出随着时间推移，不同留存率带来的综合影响。换句话说，这些比率是产品团队撬动用户增长的杠杆。

• 活跃用户留存（CURR）：过去两周登录过的活跃用户，在本周登录的占比；
• 新用户留存（NURR）：过去一周注册的新用户，在本周登录的占比；
• 召回用户留存（RURR）：过去一周重新召回的用户（30 日内有活跃行为），在本周登录的占比。
• 回流用户留存（SURR）：很长时间（至少 30 天）没有登录，但在过去一周回流的用户，在本周登录的占比。

3. 比传统模型好在哪里

相比传统的 AARRR 模型，多邻国的生命周期模型更加灵活，具有以下优点：

• 区分不同类型的用户: 分层后的生命周期模型，可以帮助我们更好地区分不同类型的用户，让我们更好地理解他们的需求和行为，同时也可以针对每个群体采取不同的策略。
• 捕捉到更精细的信息: 由于将用户按照活跃时间划分到不同的组别中，因此可以动态了解用户的活跃度、使用频率和忠诚度等信息。
• 创造更多的增长机会：分层后的生命周期模型还可以让我们更好地了解哪些用户有潜在的增长空间，从而针对性地制定相应的策略。

三、如何灵活应用并突破增长困境

多邻国的生命周期模型为我们提供了一种新的思路。在运用多邻国的成功经验的同时，我们也需要灵活应用其方法并制定适合自己的增长策略：根据用户的使用频次，可以分为日活产品（高频）和周活产品（中低频）。

1. 日活产品（高频）应用指南

一句话总结：太幸运了，可直接套用。

社区、娱乐、资讯类等产品，这样 MECE 的数据模型谁能拒绝？试想一下，老板下次大清早问数据为什么涨跌了，我们不用在各种数据表里抓瞎，立马就能给出精准答案。

不仅可以找数据分析师建立数据看板，完成日常数据监测，还能带来更高级的玩法：数据预测与挖掘核心杠杆。

比如，在建好数据模型后，多邻国的增长人员每日记录，来观察不同用户群和留存率在过去几年内以日为单位发生的变化。

有了这个数据后，他们便可以模拟未来数据并进行分析，以预测哪些杠杆会对用户增长产生最大的影响。下图是他们第一次模拟数据估算的结果，它展示了不同留存/流失率数据以相同速度变化，对 MAU 和 DAU 的影响。

从结果可以明显看出，CURR（活跃用户留存）对 DAU 的影响是巨大的，与影响第二大的数据相比也高了 5 倍。他们之后也领悟到其中的道理，从目前的用户层级看，不同参与度的活跃用户，在最后始终会归到「活跃用户」这一层级中。

（图片来源；Lenny’s Newsletter）

基于这一分析，多邻国确认要完成用户增长的破局，CURR 是必须攻克的指标。展开了一系列攻坚策略：游戏化机制提升用户总体使用时长、强化消息推送功能提高用户参与度、优化连续签到机制正向激励用户连续活跃。

（图片来源；多邻国产品体验截图）

在长达 4 年的努力后，多邻国的 CURR 提高了 21%，这意味他们的核心用户每日流失率减少了 40% 以上。

2. 周活产品（中低频）应用指南

如果屏幕前的你负责的产品是一款中低频产品，如：工具型产品，日常以周活为窗口观测数据涨跌，上面的模型无法直接套用怎么办？

一句话总结：还是很幸运。因为我就是这样的情况，绞尽脑汁调整时间轴后，给大家带来完美解决方案：

• 第一步：建立数据观测模型
• 第二步：建立数据看板（周活观测、核心留存观测）
• 第三步：专项策略提高核心杠杆数据

1）建立数据观测模型

黄、绿和蓝色的用户群相加，正好组成产品的 WAU（周活跃用户），这些用户群分别是：

• 新用户（New Users）：本周首次登录；
• 核心活跃用户（Current Users）：本周登录，且此前 3 周内至少登录一次；
• 召回用户（Reactivated Users）：本周登录，过去 3 周没登录，但此前 4-11 周至少登录过一次；
• 回流用户（Resurrected Users）：本周登录，此前 11 周内没登录，但此前 12 周以上曾登录过。

最下面三个用户群则是本周未登录，但在过去有着不同程度的参与数据的用户。

• 可能流失的月活跃用户：本周未登录，但此前 3 周至少登录过一次；
• 可能流失的季度活跃用户：近 4 周未登录，但此前 4-11 周至少登录过；
• 流失用户：最近 12 周（3 个月）没有登录过。

（图片来源：自己画的）

如果大家还是觉得这个图看起来很复杂，加上时间轴版本，应该就很好理解了。

（图片来源：自己画的）

2）建立数据看版

模型搭建好后，数据分析师可以给到的看板是什么样子呢？带大家一探究竟。

① 周活观测图
如堆积柱状图所示：4类周活构成用户（正值）+ 2类流失风险用户（负值），每周的数值变化清晰可见，数据涨跌来源于哪层用户一目了然。

*如果产品有不同类型用户，也可加入图表筛选项中，便于分类查看。

（图片来源：自己画的，数据仅供参照）

② 核心留存率观测图

4 类活跃用户的健康度如何？次周留存是有力佐证。

（图片来源：自己画的，数据仅供参照）

3）专项策略提高核心杠杆数据

有了数据模型和数据看板，如何开展用户分层的精细化运营？这些通用型策略也可以给到参考：

图片来源：自己画的

①「激活」潜在用户

• 新用户激活，优化新用户上手流程，提升产品首次体验感；
• 增加沉默新用户引导渠道：增加多方触发手段-短信、推送、邮件、服务号；
• 设置合适的激励：新用户红包，优惠等。

②「留存和变现」健康活跃用户

• 从优化产品功能入手，提升用户留存；
• 将用户继续分层，对比找到不同用户的留存率差异，有针对性提升留存（渠道细分、年龄细分、周中/周末细分、用户搜索词、用户点击率）；
• 提升用户使用频次、使用强度等方式，增加用户参与度，以此提升留存（激励体系引导）；
• 灵活定价：算法优惠、定期活动；
• 优化核心付费路径：测试优化，以提升每一步的转化率，最终将「变现」发挥到最大限度。

③「发现和干预」流失风险用户

• 出现直接的负面行为：比如快到期的会员点击了续费页面却没续费；比如大量导出一些数据和文档；比如用户在评价时给「不满意」；
• 行为模式发生变化：比如以前每天登陆几次，后来 3 天登录 1 次，再然后一周都未登陆；
• 数据模型预测：可基于大量的数据可以搭建「流失预测模型」，生成「流失可能性」打分，帮助提前关注到有流失风险的用户；
• 储存用户数据：如长期不登录数据过期提醒；
• 提高转化成本：如积分与等级体系大大「提高转换成本」；
• 提前锁定用户：如策划一次购买多年会员的活动「提前锁定用户」；
• 流失预警机制：及时给相应激励开启「流失预警机制」。

④「召回」流失用户

• 考虑是否进行用户召回：值不值得做？为什么回来？留不留得住？如增加了砝码让产品有大幅度改进，对引回某类流失用户非常有帮助，用户有回来的理由。
• 选择召回对象：流失的对象分为 4 种-未登录即流失、未激活即流失、新用户流失、长期用户流失。通常第2、3类用户召回的希望更大，因为可触达且尚未深度体验产品的价值。
• 召回 A/B 测试：从召回对象、召回时机和频率、召回渠道到文案设计、发送时间、跳转路径，都可进行测试，调试至更优效果。
• 衡量召回效果：直接结果可从推送打开率、点击率、24h 访问率来判断；而长期结果可以从是否有核心行为（Aha时刻）以及召回用户的留存率来判断。长期结果才是召回的终极目的。

四、写在结尾

流量红利正在消失，精细化运营才是王道。

多邻国的成功经验告诉我们，传统的 AARRR 模型并不是唯一的运营模型，我们需要根据自身的产品特点和业务需求，灵活应用不同的运营策略和数据模型。

只有深入了解用户需求和行为，才能制定符合用户期望的增长策略，并在激烈的市场竞争中获得持续的增长。

以上，就是「颠覆传统增长模型，用生命周期管理逆势创新」的内容。参考来源于用户增长工作实践 & 调研，如您有不同的见解，欢迎在下方评论区留言讨论。

下次想和大家聊聊各类平台产品老用户召回的实践策略！

​Read More