企业官网建设流程全解析

数据分析框架年度回顾：AARRR 过时了吗？替代模型逐个评

朱大喜又来炒冷饭了——但这是一碗必须炒的冷饭。AARRR、RFM、同期群、北极星指标……这些框架你肯定在无数文章里见过。但你真的认真想过一个问题吗：它们现在还适用吗？今天咱不讲"什么是 AARRR"，咱讲"AARRR 在什么场景下失效、以及该用啥替代"。

一、AARRR 还活着，但有点喘

AARRR 海盗模型（Acquisition → Activation → Retention → Revenue → Referral）是增长分析的经典框架，诞生于 2007 年，到现在快 20 年了。20 年的时间里，互联网从桌面端到移动端再到 AI 原生，用户行为模式发生了翻天覆地的变化，但 AARRR 几乎还保持着当年的样子。

AARRR 最大的价值是给增长团队一个共同的思维方式：不要只看最终漏斗底部的收入，要看到从获客到传播的全链路。这一点至今有效。

但 AARRR 的问题也越来越明显：

问题一：假设漏斗是线性的。AARRR 假设用户按照"获客 → 激活 → 留存 → 付费 → 传播"的顺序流动，但现实中用户行为不是线性的。一个用户可能先看到朋友分享（Referral），被吸引注册（Acquisition），立刻下单（Revenue），用完不满意再也不来了（Retention=0）。一个优秀的分析框架应该能捕捉这种非线性路径，而不是强行塞进固定顺序。

问题二：忽视了"不增长"的运营场景。AARRR 全称带着"增长"的前提假设。但 SaaS 产品、B2B 服务、成熟期的存量产品，核心命题不是增长而是留存和效率。AARRR 里虽然有 Retention 这一环，但它的视角是"用户来了怎么能留住"，而不是"怎么让已有的老用户产生更大价值"。

问题三：缺少"负面指标"。AARRR 的每个 R 都是正向指标，但决定产品健康度的往往还有负面指标：流失率、客诉率、退款率。只看正不看负，容易陷入"数据很好看但产品在烂"的陷阱。

问题四：对 B2B / SaaS / 平台型产品水土不服。AARRR 是为 C 端消费互联网增长设计的。用在 SQL 生成工具、数据分析平台、ERP 系统的增长分析上，很多环节根本套不进去。比如 SaaS 的 Acquisition 是"企业签约"还是"员工激活"？Revenue 是"首年合同金额"还是"LTV"？

图：AARRR 的局限性及其主要替代框架

二、替代模型逐个评

HEART 模型（Google）

HEART = Happiness（满意度）、Engagement（参与度）、Adoption（采用率）、Retention（留存率）、Task Success（任务完成率）。

这个模型是 Google 的用户体验团队设计的，最大的创新是加入了用户体验维度的衡量。Happiness 和 Task Success 这两个维度在 AARRR 里是缺失的——你只能看到用户留存了，但不知道用户用着开不开心、核心任务有没有完成。

HEART 更适合工具型产品、SaaS 产品、平台型产品，因为这类产品的价值不在于"让用户停留更久"，而在于"帮用户高效完成任务"。如果一个 BI 工具的用户停留时间变长了，可能不是好事——可能是查询太慢、用户在等结果。

RARRA 模型

RARRA = Retention → Activation → Referral → Revenue → Acquisition。就是把 AARRR 的 R 挪到最前面。

这名字看起来像在抖机灵，但它背后的逻辑非常严肃：在获客成本越来越高的今天，留存应该是最优先的底层能力。如果你留不住用户，花再多钱拉新都是烧钱。只有先把留存做好，确认产品能给用户持续创造价值，再去放大获客，才是健康增长。

RARRA 特别适合内容平台、社区产品、SaaS 产品——这些品类里，老用户的价值远大于新用户，一个新用户的获客成本可能比 10 个老用户的运营成本还高。

PLG 飞轮

PLG（Product-Led Growth，产品驱动增长）的核心思路是：让产品本身成为增长引擎。用户因为产品的价值自发传播，传播带来更多用户，更多用户产生更多数据和使用行为，产品因此变得更好，吸引更多用户。

PLG 飞轮的指标体系和 AARRR 有交集，但思路上有两个根本差异：

1. AARRR 是"营销驱动的漏斗"（先花钱拉人，再留人），PLG 是"产品驱动的飞轮"（先让产品好到自发传播，再放大）。
2. AARRR 的瓶颈在漏斗最窄处，PLG 的瓶颈在飞轮的摩擦力（用户体验的摩擦点）。

PLG 适合有网络效应的产品、自服务型 SaaS、协作工具。如果你家的产品是销售驱动的（比如大型 ERP 实施），PLG 飞轮的理论用不上，别硬套。

Growth Loop（增长循环）

Growth Loop 是 AARRR 的非线性替代。它不假设用户按固定顺序流动，而是识别出产品中实际存在的"价值循环"——用户做了什么 → 创造了什么 → 吸引了更多用户。

比如 YouTube 的 Growth Loop：用户上传视频 → 内容库增长 → SEO 流量增加 → 更多用户观看和上传。再比如 Notion 的 Growth Loop：用户创建模板 → 分享模板 → 被分享者注册使用 → 创建更多模板。

Growth Loop 的优势是能识别增长飞轮的具体"燃料"，而不仅仅是量化的漏斗指标。但它对分析能力要求更高——你需要深入理解产品的增长机制，不是简单拉几个漏斗就能搞定的。

# 增长模型适配性诊断：帮你判断你的产品该用哪个框架 import pandas as pd class GrowthFrameworkSelector: """ 根据产品特征，推荐最合适的增长分析框架 """ def __init__(self): self.frameworks = { "AARRR": { "适用场景": ["C端消费APP", "电商平台", "游戏"], "核心关注": "获客 → 激活 → 留存 → 变现 → 传播", "不适用": "B2B SaaS、工具型产品、成熟期产品", "关键特征": ["有明确的用户注册流程", "用户生命周期清晰", "有付费/变现环节"] }, "HEART": { "适用场景": ["SaaS工具", "开发者平台", "企业软件"], "核心关注": "满意度 + 参与度 + 采用率 + 留存 + 任务完成", "不适用": "纯内容消费类产品", "关键特征": ["产品以"使用"为核心价值", "关注用户任务完成效率", "需要衡量体验满意度"] }, "RARRA": { "适用场景": ["内容社区", "社交产品", "订阅制SaaS"], "核心关注": "留存优先，其次才是传播和获客", "不适用": "一次性消费场景（如婚庆服务）", "关键特征": ["获客成本高", "老用户价值 > 新用户", "有复购场景"] }, "PLG飞轮": { "适用场景": ["协作工具", "自服务SaaS", "有网络效应的产品"], "核心关注": "产品自发增长，减少营销依赖", "不适用": "销售驱动的企业软件", "关键特征": ["产品自带传播路径", "免费版功能足够强", "单人使用也能体现价值"] }, "Growth Loop": { "适用场景": ["内容平台", "UGC社区", "多边平台"], "核心关注": "识别增长循环的燃料和飞轮效应", "不适用": "简单的交易型产品", "关键特征": ["用户产生内容/价值", "供需双边网络", "正反馈循环明显"] } } def diagnose_product(self, product_features): """ 根据产品特征推荐增长分析框架 Args: product_features: 产品特征字典 - type: 产品类型 - stage: 生命周期阶段 - monetization: 变现模式 - network_effect: 网络效应强度(none/low/medium/high) Returns: 推荐框架和适配度评分 """ print(f"\n🔍 产品特征诊断") print(f" 产品类型: {product_features.get('type', '未知')}") print(f" 生命周期: {product_features.get('stage', '未知')}") print(f" 变现模式: {product_features.get('monetization', '未知')}") print("=" * 50) # 根据特征打分 scores = {} for fw_name, fw_info in self.frameworks.items(): score = 0 # 场景匹配加分 if product_features.get('type') in fw_info["适用场景"] or \ any(s in str(product_features) for s in fw_info["适用场景"]): score += 40 # 关键特征匹配 matched_features = 0 for key_feature in fw_info.get("关键特征", []): if self._check_feature_match(key_feature, product_features): matched_features += 1 score += matched_features * 15 # 不适用场景扣分 if product_features.get('type') in fw_info.get("不适用", []): score -= 30 scores[fw_name] = max(score, 0) # 排序推荐 sorted_scores = sorted(scores.items(), key=lambda x: x[1], reverse=True) print(f"\n📊 框架适配度评分") for name, score in sorted_scores: bar = "█" * (score // 10) print(f" {name:<15} [{bar:<10}] {score}分") print(f"\n🎯 推荐框架: {sorted_scores[0][0]}") print(f" 理由: {self.frameworks[sorted_scores[0][0]]['核心关注']}") if sorted_scores[1][1] > sorted_scores[0][1] * 0.8: print(f" 备选框架: {sorted_scores[1][0]}（分数接近，可组合使用）") return sorted_scores def _check_feature_match(self, feature_desc, product_features): """检查产品特征是否匹配框架的关键特征描述""" keywords = { "明确的用户注册流程": ["注册", "登录", "账号"], "有付费/变现环节": ["付费", "订阅", "购买"], "关注用户体验": ["工具", "SaaS", "效率"], "获客成本高": ["B2B", "企业", "获客成本"], "老用户价值": ["订阅", "复购", "长期"], "产品自带传播": ["分享", "邀请", "UGC"], "用户产生内容": ["UGC", "内容", "上传"], } matched_keywords = keywords.get(feature_desc, []) product_str = str(product_features).lower() return any(kw in product_str for kw in matched_keywords) # 诊断示例 selector = GrowthFrameworkSelector() # 场景1：B2B 数据分析 SaaS print("\n" + "="*50) print("场景1: 企业级数据分析 SaaS 产品") selector.diagnose_product({ "type": "SaaS工具", "stage": "增长期", "monetization": "订阅制", "network_effect": "low" }) # 场景2：UGC 内容社区 print("\n" + "="*50) print("场景2: UGC 内容社区") selector.diagnose_product({ "type": "内容社区", "stage": "爆发期", "monetization": "广告+会员", "network_effect": "high", "has_ugc": True })

跑一下这段诊断代码，你会发现不同产品类型适合的分析框架差异巨大。别拿着 AARRR 往所有场景里硬套——这不是"经典框架"，是"路径依赖"。

三、混合使用才是正解

讨论了这么多替代模型，但我的结论不是"放弃 AARRR"，而是"组合使用"。

不同阶段、不同目标、不同团队，需要不同的分析框架。没有一个框架能包打天下。我的建议是：

产品 0-1 阶段（验证 PMF）：用 HEART 模型。这时候不要盯着增长数字看，要看用户用不用得爽、核心任务有没有完成。任务成功率（Task Success）是最重要的指标。

产品 1-10 阶段（增长验证）：用 Growth Loop 识别增长机制，配合 RARRA 做留存优化。先搞清楚"用户为什么留下来"和"产品靠什么增长"，再去放大获客。

产品 10-100 阶段（规模化增长）：回归 AARRR，但加上 PLG 飞轮的视角。这时候的量够大，可以做漏斗分析和归因，但不要让漏斗思维固化了你对增长机制的理解。

B2B/SaaS 产品：全程保持 HEART + RARRA 为主。强调用户体验、留存和产品驱动的增长，而非营销驱动的漏斗。

四、2026 年的趋势观察

看了一圈行业动态，有几个趋势值得关注：

趋势一：AI 原生产品的分析框架还在空白期。现有的所有增长框架都是为"人类使用产品"设计的。但当产品中有 AI Agent 替用户操作时，"用户行为"的定义就变了——是算人的行为还是算 Agent 的行为？"激活"是用户激活了还是 Agent 跑通了？这个领域急需新的分析框架。

趋势二：指标从"量"转向"质"。过去是"看谁能搞到更多 DAU"，现在是"看谁能搞好用户深度"。人均使用时长、任务完成率、功能深度使用率这些质量指标正在取代单纯的 DAU/MAU 成为北极星。

趋势三：因果推断替代相关性分析。AARRR 时代的分析方法是"我们发现用户做了什么特征就更可能转化"，这是相关性。未来的增长分析会越来越依赖因果推断——"如果我们做了 X，用户真的会更多做 Y 吗？"这个转变对分析能力要求更高，但决策价值也更大。

五、总结

AARRR 没有过时，但它的适用范围需要重新审视。

核心结论：

1. AARRR 适合 C 端大规模增长阶段的产品，不适合 B2B/SaaS/存量运营场景。
2. HEART 是衡量用户体验的最佳框架，尤其在工具型和 SaaS 产品中。
3. RARRA 的留存优先思想值得所有产品参考，不只是增长类产品。
4. PLG 飞轮和 Growth Loop 是 AARRR 的重要补充，帮助理解"增长到底是怎么发生的"。
5. 不要只用一种框架，组合使用。根据产品阶段、产品类型、分析目标灵活切换。

最后提醒一句：任何分析框架都是思考工具，不是教条。如果一个框架让你看不到真实问题，那就该换了。数据分析师的成长标志之一，就是知道什么时候该相信框架、什么时候该问"这个框架对当前场景真的适用吗？"

资料说明

本文中的协议、版本、性能、成本和行业趋势应以可核验的一手资料为准。未标注统计口径的比例、时间表和预测仅作工程讨论，不应视为行业事实。可参考 0730 资料来源索引，并在发布前将具体来源贴到对应断言之后。