百度云会员 百度云会员账号 百度网盘会员账号 百度云会员分享  vip谷

 找回密码
 立即注册
搜索
热搜: 活动 交友 discuz

利用增长黑客AARRR框架拆分喜马拉雅产品细节

2019-1-19 17:03| 发布者: yunpanvip| 查看: 992| 评论: 0

摘要:   本文使用AARRR框架对喜马拉雅的拆解,让大家可以理解AARRR里有什么,以及如何通过指标来评估每个优化和迭代所产生的影响。   增长黑客最核心的不是某个列表手段或者思维框架,而是通过数据化指标和流程来对自 ...

  本文使用AARRR框架对喜马拉雅的拆解,让大家可以理解AARRR里有什么,以及如何通过指标来评估每个优化和迭代所产生的影响。

  增长黑客最核心的不是某个列表手段或者思维框架,而是通过数据化指标和流程来对自己的工作效果进行总结和评估,来逐步找到最能在当前场景解决问题的措施。这个流程才是最重要的事情, 所面临的问题千千万,抓住自己解决问题的思路,才能面对寒冬心理不慌。

  希望通过下面使用AARRR框架对喜马拉雅的拆解,让大家可以理解AARRR里有什么,以及如何通过指标来评估每个优化和迭代所产生的影响。

  喜马拉雅作为一个音频内容消费平台,主要通过PGC的内容产品吸引广泛的人群使用并进行内容消费。同时内建了类微博功能试图链接内容产生播主和粉丝,建立一定的社交粘性。喜马拉雅主要通过收费音频内容、收费会员、流量广告、电商服务进行产品变现。

  喜马拉雅在标题以及应用市场中的描述内容植入各种内容关键词来吸引对于内容的搜索流量。

  喜马拉雅的微信小程序被设定主要用来进行微信网络中的获客,小程序的首屏做类似拼多多的拼团分享,用户可以通过要求足够人数的人参团来免费获得付费内容。

  0元购模式属于双边奖励模式的一个变相使用, 经典案例就是dropbox的邀请好友互相获得网络容量。这个模式在喜马拉雅的App中入口较深,存在感较弱,可能是与其他增长工具比起来效果不好。不过这个分享双边奖励的模式可以在交互上设计的更轻一些,与app内的一些收听类型的动作做结合,比如收听某付费内容时可以通过赠送给好友的形式变相获得。

  新用户下载App后,会遇到非常大的问题是首次使用。 为了缩短用户获得内容的路径,在首页banner等位置,根据对主要用户需求类型的区分加入不同主题的“新人必听榜单”, 让大部分新人可以马上获得高质量的内容满足需求,降低了用户首次使用的探索成本。

  内容类app都有一个难点,如何在众多的内容中找到用户真正关心的内容进行推荐消费。大部分app都会根据用户注册时留下的信息和第一次访问内容,最近一次访问内容等进行关联算法的推荐等,试图找到用户的真正偏好,从而提高用户对内容的消费率。

  付费会员制, 这个模式在亚马逊Plus会员开启大家的思路后被非常广泛的使用。 京东plus,知乎大学超级会员等等都是非常不错的提高收入的手段。 这种工具除了直接获得收益之外,还会提高用户的长期活跃,。同时知识付费类产品的边际成本很低,打包卖也将某些非爆品变相的作为你购买的产品塞给你了。可能核心消费的权益就只是其中几个爆品,但是你依然觉得省了很多钱。

  分享返利功能在很多电商服务中存在,类似淘宝客、考拉海淘等。知识付费领域因为其边际成本极低,特别适合这类分销拼图的销售方式。之前网易运营方法论公开课、新世相公开课等都通过类似的功能成功刷屏。

  这个分享增加试听的动作对于知识付费类的产品比较贴切,利用用户对付费内容的直接需求创造分享场景,同时可以通过试听增加用户对内容的理解增加购买的转化。

  对指标做拆分,了解中间的不同节点。同时取数横向对比不同节点的转化情况,找到对目标数据影响最大的那个节点。优先找对这个节点优先进行优化,工作中常发现是一些比较容易优化的地方对最后结果产生的较大的影响, 省时省力。避免投入特别大的精力后,发现优化措施对最后结果影响微乎其微。

  取数对历史情况进行纵向对比,发现历史中各个节点出现的波动情况。了解曾经有什么因素会使得节点产生变化。 这里可以发散出去查看相关性,也许目前这个节点转化率低是因为投放策略改了之后,对象不对导致的转化率低,而不是产品设计问题。

  经过前面三步对当前问题的整理后,可以设计你的优化方案了。这时明确每个优化方案会对哪些数据产生影响,并进行记录。进行一定比例的灰度上线,通过灰度数据来收集方案的反馈, 同时根据数据反馈再次回到第一步,进行循环。

  声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。


鲜花

握手

雷人

路过

鸡蛋

Archiver|手机版| 百度云会员 百度云会员账号 百度网盘会员账号 百度云会员分享  

GMT+8, 2024-11-24 12:42 , Processed in 0.062885 second(s), 16 queries .

返回顶部