大數(shù)據(jù)背景下電子商務App創(chuàng)新模式的推廣研究

廖娟 阮運飛

摘要：隨著App在各個領域的大力推廣，越來越多的創(chuàng)業(yè)者、企業(yè)或者事業(yè)單位不斷的開發(fā)App，同時，為了使App的使用率提高，各大商家或者創(chuàng)業(yè)者想盡了居多辦法。本文在分析比較成熟的淘寶App的數(shù)據(jù)背景下，利用AARRR漏斗模型和一種改進的RFM模型RFMA模型，來給新型的App開發(fā)者提供一定的推廣參考意見。模擬數(shù)據(jù)表明，在該分析下的App推廣能夠比較好地提高App的使用率。

關鍵詞：大數(shù)據(jù);AARRR模型;電子商務;RFMA模型;App推廣

中圖分類號：TP311? ? ?文獻標識碼：A

文章編號：1009-3044（2020）35-0241-03

開放科學（資源服務）標識碼（OSID）：

電子商務的大力發(fā)展，人們越來越依賴于網(wǎng)絡，中國互聯(lián)網(wǎng)絡信息中心8月30日在京發(fā)布《第44次中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》，報告顯示，截至2019年6月，我國網(wǎng)民規(guī)模達8.54億人，互聯(lián)網(wǎng)普及率達61.2%。手機網(wǎng)民規(guī)模達8.47億人，我國網(wǎng)民使用手機上網(wǎng)的比例達99.1%?！芭c5年前相比，移動寬帶平均下載速率提升約6倍，手機上網(wǎng)流量資費水平降幅超90%。”報告指出，“提速降費”推動移動互聯(lián)網(wǎng)流量大幅增長，用戶月均使用移動流量達7.2GB，為全球平均水平的1.2倍;移動互聯(lián)網(wǎng)接入流量消費達553.9億GB，同比增長107.3%。此外，報告還提到，截至2019年6月，我國網(wǎng)絡購物用戶規(guī)模達6.39億人，較2018年底增長2871萬人，占網(wǎng)民整體的74.8%。手機網(wǎng)絡購物用戶規(guī)模達6.22億人，較2018年底增長2989萬人，占手機網(wǎng)民的73.4%[1]。儼然，手機購物已經(jīng)成為不可逆轉(zhuǎn)的趨勢，商家也正是看重了大眾對于手機購物的依賴，不斷地開發(fā)出各式各樣的App來吸引用戶，但是，App初期的使用即推廣也成為這些商家急需解決的難題。本文在分析電商巨頭淘寶App的大數(shù)據(jù)基礎下，探討用戶的購物行為，分析客戶在各個環(huán)節(jié)的流失率，找到用戶在不同時段內(nèi)的購物規(guī)律，對于有價值的客戶利用不同的策略去刺激其消費或者說留住這部分客戶，研究出一套對于新App開發(fā)者有借鑒意義的推廣方略。

1 AARRR模式下淘寶App用戶行為模式分析

1.1 AARRR模式簡介

AARRR是Acquisition、Activation、Retention、Revenue、Referral這五個單詞的縮寫，因其掠奪式的增長方式，我們也稱其為海盜模型。五個單詞分別表示一個周期下五種不同的狀態(tài)或階段。AARRR模型如圖1所示。

Acquisition：獲取用戶，用戶獲取的渠道，即用從什么渠道下載到你的App。

Activation：用戶激活，有多少用戶激活你的App，并購買了什么產(chǎn)品，即有什么樣的購物體驗。

Retention：客戶留存，有多少用戶用過App后，留存了下來，留存下來的時間是多久，1天、2天、4天等。

Revenue：產(chǎn)品收益，即產(chǎn)品存在的意義，你上架的這些商品能夠產(chǎn)生多少收益，有無必要加強上架還是決定下架。

Referral：客戶推薦，即App推廣，這個App有多少客戶在推薦使用，推薦的客戶采取的是什么的方式。

1.2 AARRR模型指標解釋

1.2.1 用戶獲取

要進行App的推廣，毫無疑問，用戶的獲取是第一步，只有用戶使用你退出的這款App才有可能進行推廣。用戶獲取主要包括以下幾個指標：渠道的曝光率、渠道的轉(zhuǎn)化率、每天App的下載量、每天新增用戶數(shù)，以及注冊成為App客戶數(shù)。

1.2.2 活躍度的提高

App的推廣很重要的一個衡量指標就是用戶的使用率，如果用戶的活躍度低或者說用戶就使用過一次再也沒有使用過，還有就是可能下載了App，但是放在手機上，從來沒有產(chǎn)生過購買數(shù)，那么這個推廣的方式就是非常糟糕的。好的推廣渠道往往精準作用在目標用戶，精準推廣，永遠是運營人員很需要記住的點。

同時，還有些App的推廣，在采用老帶新的推廣手段下，收益頗好，這個表現(xiàn)在游戲行業(yè)尤其突出，一些推廣商家利用有趣的說明書去推廣，這個方式尤其值得借鑒[2]。

1.2.3 留存率的提高

留存率的關注應該是App推廣的比較重要的一部分，有些客戶在下載完App后，使用幾次可能會覺得不適合會刪除，那么，我們?nèi)绾伪ＷC留存率的提高，也是新的App推廣急需解決的問題。對于有些用戶確實不感興趣的，我們可以投入少一點時間和財力在其上面。也稱這些客戶沒有黏性，但是很多應用確實并不清楚用戶是在什么時間流失的，于是一方面他們不斷地開拓新用戶，另一方面又不斷地有大量用戶流失。解決這個問題首先需要通過日留存率、周留存率、月留存率等指標監(jiān)控應用的用戶流失情況，并采取相應的手段在用戶流失之前，激勵這些用戶繼續(xù)使用應用。

1.2.4 收入獲取

收入獲取的途徑比較多，我們主要關注付費率、用戶付費數(shù)目、每位用戶的消費平均數(shù)、生命周期中的收益數(shù)。

1.2.5 傳播數(shù)

傳播的效率也成為老客戶帶新客戶，這個主要看你產(chǎn)品的質(zhì)量，如果質(zhì)量夠好，足以吸引客戶去使用，那么就會達到一傳十、十傳百的效果，那么你的這個App的推廣成果也會相應地降低，當然，還有一些不可逆的因素在里面，但是前提必須把潛在客戶挖掘出來，以便帶動更多的新客戶。

2 AARRR模型的構(gòu)建

2.1 模型的建立

本文使用的數(shù)據(jù)主要來自淘寶App使用的數(shù)據(jù)，數(shù)據(jù)來源于某網(wǎng)站。主要包含2016年某一月的數(shù)據(jù)統(tǒng)計，包括用戶標識、商品標識、用戶的瀏覽、收藏、加購、購買等四種行為、用戶的行為時間等字段。為了便于處理數(shù)據(jù)，我們對數(shù)據(jù)進行了歸一化處理，即對用戶的瀏覽、收藏、加購、購買四種行為分別記為：se、sc、jg、gm。我們對這一個月的數(shù)據(jù)進行建模如下圖2所示。

從圖2可以看出，收藏和加購是購買轉(zhuǎn)化率比較高的一個階段，由于它們的用戶行為轉(zhuǎn)化一樣，從而不分先后。從該圖中也可以看到從瀏覽到有購買意向只有4%的轉(zhuǎn)化率，而購買次數(shù)占使用購物車和收藏功能的22%，說明從瀏覽到進行收藏和加入購物車的階段是指標提升的重點環(huán)節(jié)。

2.2 結(jié)果分析

首先我們分別以月、周和日為單位分析用戶購買行為，找出用戶活躍規(guī)律。我們分析一個月中的每天用戶的行為格式如下：

以月為周期觀察用戶行為變化曲線，我們發(fā)現(xiàn)在2016/11/11日四項用戶指標均達到了高峰，此時正值雙十二促銷期間，幾項指標中購買數(shù)漲幅最大，收藏數(shù)漲幅最小，這是由于雙十二活動期間許多用戶已經(jīng)提前選擇好商品，留到這一天購買所致。

接著，我們分析一周用戶的行為模式如下：我們?nèi)‰p十二及與之相隔較遠的另一周的七日內(nèi)用戶行為進行對比，可以看到明顯不同，從左到右為周一到周日的數(shù)據(jù)，在平時，周五為一周內(nèi)各項指標最低的一天，而到周末達到最高峰，推測是上班族周五下班后忙著放松和休息，而周末有充足的精力，購買能力增加。而雙十二當天為周五，促銷結(jié)束后周末的用戶活躍度最低，因此平日運營可以將活動集中在周末進行，而雙十二期間集中精力做好促銷讓用戶購買沖動充分釋放，結(jié)束后可以暫緩一段時間。

最后，我們分析不同商品種類的用戶行為。統(tǒng)計所有商品的購買次數(shù)，同時找到購買次數(shù)、瀏覽次數(shù)、收藏次數(shù)和加入購物車次數(shù)最多的商品。

在這次數(shù)據(jù)的分析中，客戶只發(fā)生一次交易記錄的產(chǎn)品為17000種，發(fā)生兩次交易的記錄為800種，而商品總共的種類為20120種，從整個的數(shù)據(jù)來看，沒有發(fā)現(xiàn)購買非常集中的產(chǎn)品，產(chǎn)生一次交易記錄的產(chǎn)品占到87%左右，該數(shù)據(jù)表示產(chǎn)品比較依賴長尾商品的累積效應，并沒有用爆款產(chǎn)品來帶動。

3 結(jié)語

從我們建立的AARRR模型和數(shù)據(jù)分析來看，要對客戶采用不同的手段進行App的推廣，需要進行不同的投資，而不能盲目地去投資人力和物力。如在某些節(jié)日下或者產(chǎn)品發(fā)生的高峰期，我們可以有針對性的多投入一些營銷手段，以增強App的投入，使得更多人能夠知曉這款App。

參考文獻：

[1] 工人日報.http：//www.xinhuanet.com/fortune/2019-09/02/c_112 4948219.htm

[2] Zhang Q，Yamashita H，Mikawa K，et al.Analysis of purchase history data based on a new latent class model for RFM analysis[J].Industrial Engineering & Management Systems，2020，19（2）：476-483.

[3] 王紀偉.試論大數(shù)據(jù)營銷在電子商務中的應用問題[J].湖北函授大學學報，2015，28（18）：69-70.

[4] 周本海.淺談云計算環(huán)境下大數(shù)據(jù)對電子商務的影響[J].經(jīng)濟研究導刊，2015（7）：201-202.

【通聯(lián)編輯：梁書】