宋星：我珍藏的15个深度消费者经营模型，几何级增长背后的秘密！

行业中的各种模型多，但用于总结广告投放的模型多，而用在消费者经营上的模型，蛮少的。

但，消费者经营却特别依赖于方法和模型。有好的方法和模型，事半功倍。

很多时候，当我们已经觉得增长没有思路的时候，这些模型马上有带给我们新的希望。听过我的大课堂的朋友，也知道，我的课堂大量介绍了这些模型和它们的应用（2024年上半年的三期大课堂在这里）。

这篇文章，不纠结于细节（不然又是几万字的大文章，大家看着也累）。如果你希望更深入了解具体模型，在文中全部提供了链接，大家可以进一步阅读。

特别说明：一些大家已经普遍知道的模型，比如AIPL、AARRR、5A、5R模型，我放到附录中，不作为我总结的精华模型。原因大家懂的。

好，那下面正文开始。

01模型一：Engagement Index——衡量用户活跃度与行为价值、应用CDP的基础

Engagement Index模型的思维并不复杂，即权重化部分甚至所有的用户交互行为。

讲一个最理想最极端的例子（但这样的例子有助于大家理解），如果你认为最终的一个转化价值1000分的话，那么转化之前的用户的行为可以按照与转化发生的比例“打分”。例如，每发生1次转化，就需要看商品介绍页面100次，那么查看商品介绍页的行为每发生一次，就值10分。

这是手工计算的Engagement Index。放在AI这么热门的今天，Engagement Index有可能就是机器来计算了，计算的方式，跟我们后面要讲到的归因模型比较类似。

大家对于Engagement Index模型可能还比较陌生，但对于它的应用场景你肯定不会觉得陌生。

今天，无论是给用户打标签（尤其是CDP给用户打标签）所用的方法，还是CRM给销售线索打分，又或是评价一个流量或者人群的质量，无一不是基于这个模型或是以这个模型作为思想。也正因此，把它放在诸多经典模型的首位我自认为并不偏颇。

CDP，本质上就是基于Engagement和Engagement Index工作的。它把消费者（用户）的行为都记录下来，是为Engagement，然后对这些Engagement赋予权重，是为Engagement Index。

02模型二：Engagement ROI模型——人群分层及价值辨识利器！

从Engagement Index可以引出另外一个同样极为重要的模型：Engagement-ROI模型。

这个由两个指标构建的模型是我们解决流量质量和人群质量分析中诸多问题的开端。我们通常会构建一个四象限的模型来进行分析：

理解Engagement-ROI模型并不困难，它描述了人群的行为（兴趣）和最终变现之间的最直接关系。高兴趣而低变现（上图的左上角的红圈）和低兴趣而高变现（上图的右下角的红圈）都值得我们进一步挖掘。尤其是高兴趣低变现的情况，可能蕴含着未被发掘的价值或潜在机会。

这个模型对于拥有较复杂流量/人群构成的企业而言，极有价值。

03模型三：RFE模型——另一个人群分层的关键模型！

RFE模型是RFM模型的变体。为什么要有一个RFE模型代替RFM呢？原因在于RFM比较适用于零售行业，但对消费者的数字化经营的描述不够全面。

简单讲，我们在利用数字化手段经营消费者的时候，并不一定总是需要他们立即发生转化，尤其是对于一些需要一定周期才能发生转化的生意：汽车、高端教育、医美、金融等。RFM就无法通过判断“M（Monetization）”这个因子的价值来综合衡量消费者的价值。

RFE模型将传统RFM中的“M”改成了“E”，即Engagement。

RFE用Recency（离现在最近的一次互动是多久以前）、Frequency（互动发生的频次）、Engagement（参与互动的程度）三个因子来衡量人群（或个体）的价值。这样，在数字世界中，我们并不需要用户一定要发生交易，仍然能够通过他们多样化的行为来辨识他们的价值。毕竟，大部分在数字世界中的用户运营和消费者经营，都需要用户的参与和活跃，而RFE在宏观上很全面地衡量了用户在参与及活跃等方面的价值。

下图向我们展现了常见的RFE人群分群方法。

我们还可以看一段时间后不同人群的RFE的变化，从而衡量人群价值的变化，以及运营工作在其中所起到的作用。如下图。

没错，这个模型确实是可以用来做效果的衡量的。

04模型四：TOFA模型——区分欲望，也区分实力

TOFA模型是我们在数字营销中特别好用，但是却不那么为人所知的模型。

不过，TOFA模型背后的需求，是消费者经营中最有价值的部分。

——识别消费者的欲望，以及他们的实力。

欲望，指他们愿意买更好的东西，对更高档商品的欲求。有的人更愿意享受，而有的人则对极简主义甘之如饴。

实力，则是指他们对价格的敏感度。有的也用高净值人群、人群购买力等说法表示。

这样，可以把欲望和实力两个维度构成四象限，把人群分为四类。

T型人，保守型（Traditionalism人群）：低欲望、低实力（不追求高端，对价格敏感）

O型人，乐天型（Optimism人群）：低欲望，高实力（不追求高端，对价格不敏感）

F型人，理财型（Financing人群）：高欲望，低实力（追求高端，对价格敏感）

A型人，前卫型（Advance人群）：高欲望、高实力（追求高端，对价格不敏感）

TOFA模型的构建，需要在准确抓取消费者（用户）的全部触点上的具体行为数据的基础上，做数据聚类分析（K-Means）。分别选择能够展现用户对价格敏感程度和追求高端的行为特征作为聚类分析的变量，例如下图所示的行为特征。

这是在本文中的所有模型中唯一一个需要做数据建模的模型，但是，相信我，这么做是很有价值的。因为，我们在对不同的人群进行针对性营销的时候，TOFA直接帮助我们把“有购买力并且对价格不敏感的人”摘了出来，而这部分人是最有价值的。其次，我们也通过这个模型将所有“价格敏感的人群”也摘了出来，这群人也十分具有营销价值。

05模型五：留存曲线——辨识用户的留存情况

留存曲线是最简单的用户运营增长模型。即，它将留存率（或者留存数）按照线性的时间进行排列。一个最简单的excel就能表示留存曲线的情况。比如，下图：

留存曲线一般是由留存率组合而成，这样不同基数的群体也可以相互比较。留存率的反面（用1减去留存率）是流失率（churn rate）。

流失率 = 1 – 留存率

留存曲线的斜率是另一个值得关注的指标，而且是一个很有意思的指标。

显然，斜率越高，用户或者客户的留存情况越不理想。对于不同的生意类型，留存曲线的斜率极限是多少呢？游戏、社交等高频app很关注次日留存率、十日留存率和月度留存率，一般而言，次日留存率应该在30%以上，或者说低于30%就很危险。它们的十日留存率的极限是不能低于15%，月留存率的极限不能低于10%。

快消品的电商则更多看月度留存率，其留存曲线的斜率与品类有很大的关系。如果是什么商品都卖的卖场类电商平台，次月留存率（指当月发生购买，次月也发生购买的人占当月总购买人群的比例）保持在10%已经相当不错。

总体看，业态和商品，以及营销策略只要有一点区别，留存率就会很不相同，因此，很难有一个行业标准值，比如符合某一个数值就能“生”，达不到某一个数值就会“死”。但你仍然可以从留存曲线中看到自己生意是否成功，因为，你很容易在你的当前留存曲线情况下计算未来这群人的收入，并且计算出真正的ROI，例如下面这个例子。

假设你为了获取当月新增的用户，付出了500元的成本，而这些新增用户当月已经给你带来了1000美元的收入。假设每个月这些用户的购买倾向都没有发生明显变化，那么未来若干个月，这些用户中留存的人肯定还会继续购买，并且购买的金额随着流失的比例而同等下降。如下图：

500元的投入，换得未来7430元以上的收益，感觉是相当不错的运营成绩。

模型五的补充：增长曲线

与留存曲线相对应的，还有一个曲线，是增长曲线。不过，我一直认为增长曲线太过于直观，因而只能宏观描述增长态势，但对增长策略的帮助十分有限。因此，我没有将它作为我主要的消费者经营模型。

增长曲线有J和S型两种。以及影响增长曲线构型的外部因素K。

增长曲线模型来自于生物界研究，即研究一个物种的扩张能力究竟有多强。如果没有外部环境的压力（食物竞争、天敌、生存环境不变且不会因为数量增加而恶化等），那么显然物种会成几何级数量增长，就跟细菌分裂一样。这会产生一个J型曲线。否则，则是S型曲线。今天我们能够看到的增长，基本上都是S型曲线。然而，为了让S型曲线能够向J型方向移动（这是所有数字化从业者的梦想），必须改变外部的环境K。简单讲，经营工作的核心，就是改变K。

这个模型是一个衡量好坏的指标，CEO可能会非常喜欢，尤其是看到用户的增长曲线走出一个类似“J型”的时候。但这个曲线能够多大程度指导深度运营？确实非常有限。

下面这个曲线，是某微信公众号用户增长的曲线，看起来最近的增长比较缓慢。整体微信公众号的用户增长速度也都在趋缓。

06模型六：Cohort模型——不仅用于留存，也用于辨识流量价值

我在多处都强调过Cohort模型的价值。Cohort模型最重要的作用就是分析不同客户群体的留存情况，从而帮助分析更好的留存是如何产生的，并指导运营提升留存。Cohort本质上就是不同类人群的留存曲线的堆栈。

Cohort模型的优点在于，你可以只用excel就完成全部的建模，而且加上Excel的“条件格式”的“色带”功能，简直好用极了。如下图所示：

要是数据再多点，用Excel的条件格式上色，那实在不要太香。下面这Cohort图，我真爱了。

Cohort分析还没有一个所有人都统一使用的翻译。有的说是同期群分析，有的说是同类群分析，有的说是队列分析，有的说是世代分析，有的还说是队列时间序列分析。大家可以参考维基百科：

https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己觉得合适的译名。

我自己倾向于同期群分析这个译法，因为它用在相同时间周期的比较中很常用。例如，可以用于不同类型（比如来自不同流量来源）的用户群体之间的留存情况按照同样的时间流逝速度的对比。

无论哪种叫法，cohort分析在有数据运营领域都变得十分重要。原因在于，随着流量经济的退却，精耕细作的消费者经营特别需要仔细洞察留存情况。Cohort分析最大的价值也正在于此。Cohort分析通过对性质完全一样的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。

Cohort分析受到欢迎的另一个原因是它用起来十分简单，但却十分直观。相较于比较繁琐的流失（churn）分析，RFM或者用户聚类等，cohort只用简单的一个excel表，甚至连四则运算都不用，就直接描述了用户在一段时间周期（甚至是整个LTV）的留存（或流失）变化情况。甚至，cohort还能帮你做预测。

除了用Excel的纯粹数字化的表示，cohort一样可以用图形化的方式来表达。例如，下图中展现了每个月在随后若干月的留存用户数量（面积图），以及每个月的总用户数量（红色的粗线）。这个图比较直观的反映了，在2018年3月份的新用户，留存情况要显著优于其他月份。

上图来自于：https://www.cnblogs.com/shaocf/articles/9600384.html

07模型七：诱饵、触点与规则模型——用户长效运营的核心思维

这个模型并不是直接的数据化模型，但却是用户深度运营的极为重要的方法模型，同时需要全程利用数据才能落地，因此也将它放入数据模型之列。该模型最早由纷析咨询提出并使用。

这个模型强调在所有细节的运营工作都由“诱饵、触点和规则”三个要素构成。运营策略的核心，就是在这三个元素上进行设计。

例如，下面展示了一个2B业务的“全客户生命周期”的“诱饵、触点和规则”的策略，因为保密的关系，我们无法展示所有内容，但大家已经可以意会。

为什么这个模型会将“触点”也作为一个重要的元素，原因在于，唯有触点能够作为追踪用户的数据载体，从而为我们建立用户偏好识别模型。而这些标签，又进一步帮助我们选择“诱饵”以及建立更合理的“规则”。

这个模型十分具有操作性以及极高的实战价值，限于篇幅关系，不再赘述。

08模型八：单触点归因与多触点归因模型——解答什么更能带来用户和价值

单触点归因

单触点归因是最经典的归因，也是目前最可靠的归因方式。英文叫Single Touchpoint Attribution（STA）。

所谓单触点归因，是指归因分析只聚焦在某一个具体触点上的引流情况和消费者行为，从而推断这个触点上发生的转化，都是受了哪些引流推广的影响而发生的。这么讲不容易理解。讲一个例子就很简单了。

先讲一下什么是触点。触点就是消费者跟你接触的营销沟通平台，比如网站、app、小程序之类。关于触点的更详细的介绍，可以看这篇文章：《如果你想用DMP……（DMP 101之一：DMP的核心思想）》。

这个例子很简单，比如，一个触点是一个网站。这个网站上可以购买商品。有一个消费者，通过信息流广告点入了这个网站，但是没有买商品。过几天，他又收到了一个微信上的推广链接，又点入了这个网站，还是没有买这个商品。又过几天，他从搜索引擎的竞价排名上点击了链接，进入这个网站，购买了商品。

他的这一连串的行为能够被分析工具准确记录下来，并建立先后次序，形成报告。通过报告，我们可以知道，有一个人受到了三个营销推广渠道（从前到后分别是信息流广告、微信分享链接、竞价排名）的影响，实现了一次购买。

你可以看到，单触点归因是非常容易实现的。只要某个用户行为分析工具（或者流量分析工具）支持单触点归因分析，我们只需要在一个触点上安装流量追踪和用户转化行为分析的监测代码，就可以实现这一归因模式的分析。

几乎所有的归因分析工具都提供单触点归因的能力。

多触点归因

有单触点归因，当然就会有多触点归因。

多触点归因的英文是Multiple Touchpoints Attribution（MTA）。多触点归因显然要比单触点归因复杂，但目前仍然有方式去部分的解决它。好，你也看到了，我指的是部分的解决，而不是完美的解决。但这么讲，又可能有读者跳出来说，我家的解决方案绝对能完美解决。

大家看了我下面的内容，可以自行判断。多触点归因的解决方法，目前有两种，第一种，被称为单ID归因；第二种，被称为多ID归因。我分别详细介绍。

单ID归因

尽管我把单ID归因和多ID归因的标题跟多触点归因并列，但请大家注意，这两种归因是多触点归因的两种实现方式，而不是跟多触点归因并列的概念。单ID归因，很容易理解。

比如，你在app上，网站上，小程序上，注册登录用的都是一个ID，那么你在这些触点上的单触点归因，又可以相互串联起来，形成多个触点上的归因。

多个单触点上的归因能够串联起来的原因，就是因为大家都有你的完全一致的ID。就像两张数据库的二维表通过主键进行合并，这不是很复杂的操作。但你也可以看到，单ID归因的要求就是必须要ID相同，且触点都属于同一方。

ID相同刚才已经讲了。触点都属于同一方是什么意思呢？

这个也很好理解。你在app上的ID和网站上的ID完全一致，但是可惜app是腾讯家的，网站是百度家的。就算ID一样，这两家也不可能把他们的数据合并到一起给你用。

但如果app、网站或者小程序，都是你自己的，消费者的ID也一样，那么恭喜你，要做单ID归因就非常容易了。这也是为什么，我说多触点归因的解决方案并不完美，它有条件的要求，例如单ID归因的上述条件。

多ID归因

多ID归因，本质上是单ID归因的升级。

假设一种情况，如果app A和app B有同一个用户，但这个用户用了两个不同的ID登录了这两个app，现在想做这两个app上的归因的打通，能不能做到呢？如果app A和app B不是同一家的，并且不乐意分享出来数据，那么这种情况下跨app的归因肯定就别想了。但如果它们是同一家或者它们也乐意分享出来数据，同一个用户却没有用同一个ID登录的话，能够解决吗？如果条件合适，那么是可以解决的。思路很简单，化多ID归因，为单ID归因。

上面假设的场景比较容易解决，因为A和B都是app，因此，就算ID不同，只要是一个手机登录的，那么手机的设备ID是一致的，然后，变成单ID归因，搞定。

但另外一种情况可能会让事情变得复杂，比如，A触点不是app，而是网站，B触点是小程序。而A、B上同一个用户登录的ID还不同，这种情况下如何归因呢？

解决这个问题，还是需要化多ID归为单ID归因。也就是说，必须找到两个触点能够共有的ID。

在一般情况下，这个共有的ID是手机号码。也就是说，这种情况下做多ID归因的前提条件，是必须让消费者愿意在不同触点上都留下他的电话号码。

这也是为什么，大家都不遗余力的让大家留电话的潜在原因之一。多ID归因，是首先把ID打通，然后才能归因的。而ID打通的工作，是在合理运营的基础上，由CDP完成的。这也是为什么DMP和CDP理论上都应该有归因分析能力的原因。

所以，多ID归因其实能够覆盖的消费者和触点的数量其实也是有限的，并不能完美解决任何消费者在任何触点上的归因。

对上面的各种归因，做一个脑图总结，看了上面的文字，再看这个图，很容易理解（点开小图看大图）。

09模型九：MOT模型——描述消费者旅程中的关键点

消费者旅程的核心思想——无论它的表现形式是AARRR，还是AIPLA（这两个模型我在文后的附录中介绍）——都将消费者的购物行为描述为从认知到兴趣，再从兴趣转化为购买，以及从购买转化为忠诚的一连串先后发生的过程。这一过程被称为消费者旅程。

消费者时刻（Moment of Truth，简称MOT）是消费者旅程中的一些关键“里程碑”似的节点。例如，搜索某个产品，又或者把这个产品的信息分享给其他人。这个概念最初来源于宝洁。你可以发挥想象——一个客户在其消费旅程的全过程中，就像或明或暗若隐若现的一条弯弯曲曲的道路，而MOT就像这个道路中间燃烧的火把，指引着这条路的方向。

我们无法直接控制消费者旅程，但能透过MOT来对消费者旅程施加影响。甚至很多时候，我们也无需参透消费者旅程到底是什么，我们只是在设计MOT，对这个消费者施加影响，从而让他快速切变到下一个更接近于转化的MOT或者甚至是转化本身。

MOT中又有一类是非常重要的，即ZMOT（Zero Moment of Truth，原初MOT），意思是在某种情况的刺激下，一个人最初的一个心理上的活动，让他意识到他需要购买某个东西或者服务。对于Google而言，这个心理上的活动体现为在搜索引擎上进行搜索。对于阿里而言，这个心理活动起始于一个人开始了一个一段时间内从未有过的某类商品的搜索。另外一个MOT是UMOT（Ultimate Moment of Truth），即最终的MOT，人们在整个购物历程中的最后一个关键时刻，往往就是把自己的商品体验分享出去的时刻。

图片来自：emfluence.com

10模型十：增长乘数模型——见识日积月累的强大力量！

增长乘数模型是用来表现增长结果的一种方式，它通过消费者（用户）在经营过程中的所有转化步骤的细分转化率的乘积来表示。简单来说，就是把每个细分转化步骤的转化率相乘，得出整体的增长乘数。

这么讲比较抽象，看下图，大家就明白了。

下图中：

• 到达率，就是点击流量入口的人，转化为实际进入触点的人的转化比例。

• 日活比率，就是所有到达触点的人群中，转化为当日的活跃人群的比例。

• 转化率，就是从活跃用户到实际购买用户的转化比例。

• 单均价提升比例，就是每个交易转化的金额与前值相比提升的比例。

以此类推。

我们可以把每一段时间内的这些比例相乘，然后进行时间序列比较。如果当前时间的乘数大于过去一段时间的乘数，那么就说明在经营上有所增长。

举个例子，如果去年年末的总用户量是100万，乘数是0.0001，而今年年初的起点用户数量仍然是100万（以去年年末的终点状态为起点），全年的乘数变成了0.0002，那么我们就可以得出今年比去年有所增长的结论。

值得注意的是，即使转化率只有微小的差异，但是经过逐年累积，最终的结果可能会产生巨大的差异。这就是增长乘数模型的魅力所在。

这就是下表所表现出来的两个企业对比的结果。

增长乘数模型不仅有助于我们发现增长的机会点，还能衡量消费者经营中的成果以及潜在问题。

它揭示了消费者经营领域的真实情况：所有的增长都源于对细节的持续优化和积累。通过这种模型，我们可以更好地把握经营过程中的关键环节，从而实现持续的增长。这也是我的大课堂的核心内容之一。

11模型十一：差异化的五维度模型——策略的出发点

消费者经营必须让消费者感知到差异化的价值，否则消费者不会考虑“被你经营”。

没有差异化的消费者经营是没有灵魂的，它不可能具有长期存在的生命力。

可以从五个角度，去定义你的差异化。

1.价格差异化

价格差异化是最容易的方法，很容易理解，但除非你有很多钱，否则并不一定是最好的差异化方法。

2.产品差异化

虽然产品差异化对大部分企业而言并不容易，但在消费者经营中，利用差异化的产品策略营销消费者、运营消费者是一种常见的打法。今天常见的大单品策略，就必须做好“极致的”产品差异化。

3.价值差异化

在深度消费者经营上为消费者提供差异化价值是一个好办法。

比如，汽车主机厂为从自有触点上提交“购车意向”的潜在客户提供额外的试驾福利；母婴零售为使用它的app的用户提供额外的母婴健康咨询服务；运动鞋品牌在私域上为消费者提供独一无二的定制鞋服务等。

与价格差异化不同。价格差异化的本质是减少——降低价格。而价值差异化本质上是增加，增加福利或服务。

会员体系以及会员服务，本质上也是价值差异化。

4.内容差异化

提供独一无二的内容，也是一种差异化策略。

如果产品差异化和内容差异化能结合起来，那简直更可以“摧城拔寨”。徕芬吹风机，在一众“戴森平替”中崛起，正是这么干的结果。

5.体验差异化

体验差异化是消费者深度经营的另一个优势。

比如，“认养一头牛”创造了一种新的牛奶消费的互动体验，某饼干品牌，把创造特殊口味（比如小龙虾口味）的产品放在私域中，邀请消费者一起无厘头的“共创”。美妆品牌，邀请消费者参与到未来新产品的研发过程中。汽车，让消费者“云参观”汽车制造的过程。

体验差异化的困难在于，需要持续创造体验并不容易，它需要建立一种常态化的围绕消费者运营的机制，以及不断创造新的消费者体验互动活动。

12模型十二：K因子——指数级传播背后的秘密

K因子是一个很容易理解的模型，尤其是经过了长达三年的大疫之后（算了还是不说为妙）。或者说它是一个很简单的指标，用来衡量“裂变”和“病毒传播”（这两个名词本质上没有区别），即一个发起推荐的用户可以带来多少新用户。

K因子以1为分界线，如果大于1，那么传播会越来越扩张，像细胞分裂一般。例如，癌细胞，因为癌细胞短时间内只会分裂不会死亡，因此它的K因子值是2。K是2的情况已经非常吓人。但如果你的产品，一个人能传给百个人，并且能按照这个比例一直传下去，那么K可能等于100。

最需要把K因子作为KPI考核的生意是“传销”，因为它一旦K大于1，就能聚敛巨大的财富。不过它是违法的。

我们大部分看到的内容传播，或者裂变玩法的K值都会很快小于1。唯有用金钱刺激并无限层级返佣的传播活动才容易让K大于1，但这等同于传销。

计算K因子值很简单，例如下图：

A发起了一次推荐，结果带来了B和另外一个用户。然后B也发生了一次推荐，又带来了三个用户。不过橙色标记的用户都没有发生推荐行为，也就没有产生新的用户。这个简单的传播过程，K因子值是2次推荐，产生了5个新用户（因为B也是新用户），K因子=2.5。

下图则是另外一种情况，有ABCD四个原生用户，他们都发起了推荐，可是只有A人缘好，带来了两个新用户，但这两个新用户都没有发起推荐。C人缘也凑合，带来了一个新用户。C带来的新用户E也发起了推荐，可惜并没有产生更多用户。因此，K因子值是5次推荐，只产生了3个新用户，K因子=0.6。

 

Adjust统计了大量的app的K因子，他们最终发现K因子的确在app中存在，但并不适用于当前市场上的大多数app。Adjust在30%的样本中发现了K因子。在这些样本中，数据团队得出K因子的中值为0.45。这意味着（按照样本中值的应用运行情况）每100个付费安装将带来45个额外的自然安装。而这仅仅是中值，样本中有些应用收获了数百，甚至是数千次额外安装，但也有很多app完全没有任何用户推荐产生的安装。

K因子本身在实践中更多帮助我们衡量传播，尤其是裂变传播的效果。而关于营销传播以及裂变传播的数据化策略与方法，在我的大课堂(点击了解）中将会为大家介绍。

13附录：另外三个大家已经耳熟能详的常见模型

1.AARRR模型

AARRR模型的适用范围往往在数字化产品和服务端，但对传统业务也有启发。但我过去几乎都是忽略这个模型不讲，因为这个模型最大的问题在于，它给出了一个“正确的废话”，却不能告诉叫你究竟应该怎么做。

AARRR的含义是：引流-激活-留存-变现-推荐。后面三个的顺序有争议，不同的人有不同的解释。总体来看，这个模型的实质仍然是：引流-互动-转化-留存-推荐，是对客户正常的忠诚周期中一步步转化进行描述的模型。

很多人认为这个模型是“新瓶装旧酒”，但事实上，这个模型强调了过去比较少强调的客户经营策略，例如，它强调“激活”，也强调“推荐”，这是在数字世界中更容易实现的用户策略，而在传统世界中则相对较难。

Meta（Facebook）和Linkedin常常被作为AARRR的典型例子传播，但容易被忽视的一点是，Facebook和Linkedin都是具有强烈的“网络效应”的产品，因此推荐（Refer）就不再仅仅是一种运营策略，而是由其产品的先天基因所决定的。这是大多数今天的数字产品想要拥有，却无法根本拥有的特性。那些天生拥有这样特性的产品，今天早已被开发殆尽。今天的抖音和小红书，更早前的拼多多，十多年前的微信，或是更早的淘宝都是如此。

那么，我们要从AARRR模型中学到什么？它是否并不能真正有效指导我们？并非如此，这个模型是一个类似于“check list”的思想，告诉了我们应该将运营工作分为五个需要深入思考的部分，以及这五个部分之间可以通过运营构建起相互的关联。当然，在这个模型中肯定并未告诉你应该怎么做到，因此，需要更具有操作性的模型才能实现AARRR的思想所倡导的结果。

2.AIPLA模型

如果数字世界中强调AARRR，那么传统世界的用户运营模型则是AIPLA，即

Awareness - Interest - Purchase - Loyalty - Advocation（认知-兴趣-购买-忠诚-拥护）。仅从字面上看，你就会发现这个模型简直跟AARRR模型没有什么本质差异。AIPLA描述了传统世界中客户的转化过程，即从对产品有所认知，一直到成为“死忠粉”的全过程，并强调在此过程中各个阶段应用不同的运营策略。

的确，AIPLA模型被广泛提及，例如，阿里的品牌数据银行的主逻辑，就是AIPL（没有A）。

 

上图：阿里的品牌数据银行就使用了AIPL模型

虽然AIPLA和AARRR在表面上看起来相似，但它们之间还是存在一定的差异。AIPLA模型关注的是客户从认知（Awareness）到倡导（Advocate）的有序线性过程，而AARRR模型中的RRR环节则可能是无序的。举个例子，在数字世界中，用户可能不购买你的数字产品，但仍可以非常忠诚地使用你的产品或向他人推荐。这在传统世界中是几乎不可能的。因此，传统世界中的AIPLA模型更注重首尾衔接的过程化运营，而数字世界中的AARRR则更多地采用单点激活策略。

正因为如此，传统世界的客户深度运营相较于数字世界总体上更为困难。这也是为什么许多传统领域纷纷寻求“数字化转型”的重要原因。通过将线下运营线上化，企业能够更深入地运营客户，从而提高客户关系管理的效果，实现持续增长。数字化转型已经成为当今商业环境中不可或缺的一部分，对于传统企业来说，更是关乎生存与发展的重要抉择。

3. 5R模型和5A模型

你可以简单理解5R是腾讯版的AIPLA模型，5A是字节版的AIPLA模型。

5R，分别指Reach（R1）、Respond（R2）、Resonate（R3）、React（R4）、Ripple（R5）。是指在消费者营销的过程中，从接触到相关产品的商业信息，到最终购买并持续成为长期顾客的过程。

5A，分别指：Aware（A1）、Appeal（A2）、Ask（A3）、Action（A4）、Advocate（A5）。同样是指消费者接触到相关产品的商业信息，到最终购买并持续成为长期顾客的过程。

AlLPA、5R和5A，和我们前面讲的MOT模型，也有相关性，具体就不罗嗦了，大家自己能揣摩出来。