最簡單的增長模型AARRR模型：
優點：容易搭建，可以快速顯示出影響北極星指標的所有因素
缺點：它是定性模型，因此比較粗略，沒有說明每個因素對北極星增長在數值上的影響，也沒有標出每個因素之間的相互關係。
使用場景：可以作為第一版的增長模型，幫助團隊對增長因素，有大體認識，也可以對不同產品進行對比。
02
半精細增長模型：全鏈漏斗型和因子分解型
優點：不僅可以分解出影響增長的因素，還可以找到對應的細分指標及數值，並用簡化的公式表示他們的關係，因此可以找到機會點和進行簡單的計算。
缺點：和AARRR模型相比，搭建要更費時，需要的數據較多尤其是因子分解型；和定量模型相比，公式較簡化不能預測未來趨勢和進行假設分析；
使用場景：信息量較大，搭建起來不太複雜建議作為日常使用的增長模型
Q
案例：全鏈漏斗型--谷歌的廣告收入模型
全鏈漏斗型更多來說就是對於我們北極星指標的一個乘法分解，把所有的因素“點擊率”“廣告印象數”“點擊平均成本”拆解出來從而進一步分解哪些因素可以影響到這些要素。
Q
案例：因子分解型—某互金借貸產品的利潤增長模型
因子分解型更多來說就是更進一步我們希望通過一個公式 來真正的去計算我們最後的北極星指標，以上利潤模型在這些要素裡面 “壞賬“比例和“出借人利息”是很難控制的，對於獲客成本是可以影響的 那麼針對獲客成本進行進一步分解“ 復借獲客成本”（老用戶再一次借貸的成本）和“首借獲客成本”首借又可以分解成新用戶量和首借轉化率等等 ，針對這些細分指標去做針對性的運營提升
03
最精細 的增長模型:全定量模型
分解出影響增長的因素和對應的細分指標，並把所有指標組合在Excel裡計算北極星指標
優點：可觀測歷史趨勢預測未來北極星指標的數值，並進行假設分析，量化不同指標變化對北極星指標的影響。
缺點：組裝和維持起來比較費力每月更新
使用場景： 適合有一定的數據基礎，需要精細化運營的團隊
Q
案例：某app的全定量模型
所以這個北極星指標月活完全是通過前面兩個工作表算出來的，如何計算呢？
輸入工作表1:月新增用戶數
主要變量：不同的渠道獲客數、K因子，激活率
時間維度：基於歷史情況和對未來估計
有6個渠道每個渠道每個月都會帶來一定的安裝總數，其中一個渠道是用戶推薦，預設了一個K因子代表也就是說平均每個月活躍老用戶帶來的多少新用戶，用戶基數越大通過推薦來的人就越多，6個渠道相加安裝總數，安裝-活躍有個激活轉化率預設90%，得到每個月 有多少新增的活躍用戶。可以看出1-5月是我們的歷史情況，6-12是我們對未來預計估測。
輸入工作表2:留存率
基於歷史平均值可隨實際情況進行調整
輸出工作表：MAU（月活躍用戶數）的工作表
月新增用戶*次月留存率可算出每個月的
閱讀更多 青瓜傳媒 的文章
