2目录 第一章绪论 5 研究目的与意义 5 研究方法 5 第二章DApp 生态现状与用户行为现状 6 DApp 生态现状 6 用户行为现状 8 用户生态的真实繁荣程度 10 小结 12 第三章DApp 拉新与其背后的新用户“入场”图景 13 DApp 的拉新表现 13 DApp 类型对拉新的影响 14 小结 16 第四章DApp 激活用户的表现及其背后的用户活跃程度 18 各 DApp 的用户活跃程度及 DApp 类型对日活高低的影响 18 各 DApp 生态的用户活跃结构 21 小结 23 第五章DApp 留存用户的能力及其背后的用户粘性 24 DApp 四周平均留存率的变化趋势 24 DApp 类型对用户行为粘性的影响 27 新增用户数量对用户留存率的影响 29 小结 30 第六章DApp 转化用户的营利能力及其背后的用户交易行为 31 不同类型的 DApp 营利能力分化 31 同类型各个 DApp 的营利能力分化 32 博彩类 DApp 的“庄家 - 玩家”博弈关系及“土豪用户”占比变化 37 不同类型 DApp 的用户净值 39 小结 41 第七章DApp 用户的社会化连接 42 第八章DApp“AARRR”背后的用户群体画像 43 ETH 上 DApp 的用户群体画像 43 EOS 上 DApp 的用户群体画像 44 TRON 上 DApp 的用户群体画像 45 作者介绍 46 免责声明 473 前言 公链上 D A p p 的数量和规模是衡量公链性能 ，也是衡量区块链 2 . 0 时代发展程度的重 要标准 ，没有 D A p p 应用 ，区块链公链就像烂尾楼 。在以 E O S 为代表的第二代公链上 ， DApp 似乎完成了从 0 到 1 的突破， 在老牌公链以太坊上的 DApp 数量也直奔 2000 而去。 但可惜的是 ，这些 D A p p 大多昙花一现之后就没入死寂 ，而且至今还没有出现一款重量级 的应用。 这足以证明当下 D A p p 发展过程中面临的主要问题不是无人开发 ，而是如何运营才能 让 DApp“活”得长久、“活”得更好。 运营的本质是传播 。传播学大师麦克卢汉曾提出过 “后视镜 ”理论 ，认为没有一种新的 媒介技术是完全取代旧媒介技术的 ，从新媒介技术中可以看到过去技术发展的缩影 ，过去的 技术发展经验也会为新媒介技术的发展提供参考 ，就像在开车时 ，能看到后视镜中后面的车 辆一样。 D A p p 作为后起于互联网产品的新生事物 ，其运营模式的形成中必然折射着互联网产品 运营的思维 。 “ A A R R R ”模式 ，即 “拉新 - 激活 - 留存 - 转化 - 转介 ”的运营模式已经 在互联网产品的发展过程中逐渐成熟 。基于此 ，本报告试图从 “ A A R R R ”模式出发 ，观察 不同公链上不同类型的 DApp 在这五个运营环节上的表现， 试图揭示其背后的用户行为特征， 标签化用户群体画像，以此为 DApp 开发者或运营者（包括社区）提供发展策略参考。 本报告从各条公链各类型 D A p p 这一中层的角度对公链 D A p p 生态予以全面的观察 ， 意在基于 D A p p 在五个环节中的运营表现刻画其背后的用户画像 ，为 D A p p 的未来发展提 出宏观的建设性参考。 报 告 认 为， 目 前，ETH、EOS 和 TRON 共 有 613 个 活 跃 DApp，DApp 的 平 均 生 存 率大约为 32.3。 游戏类、 博彩类和高风险类分别是 ETH、 EOS 和 TRON 上 DApp 的主 流类型 ，但主导类 D A p p 类型并不代表着用户行为的偏好方向 ，即 E T H 的游戏类 、 E O S 的博彩类和 T R O N 的高风险类 D A p p 虽然数量众多 ，但在各条公链内部 ，其新增用户数量 并不是最多的 ， D A U 、用户留存率和平均客单价也不是最高的 ，反而交易所是所有 D A p p 中各项数据综合表现更好的一类。4 报告还重点考察了拉新 、激活和留存之间的互动 ，分析结果表明 ，新增用户量与留存率 不构成统计相关 ，拉新的人数越多不意味着留存的人数就会越多 。这意味着 ，在当前存量用 户有限的情况下 ，厮杀增量市场只是实现增长的一种途径而已 ，但做好存量市场的留存以备 下一步深耕 ，可能是更有效率的增长途径 。而在在存量用户中 ，各公链 D A p p 生态的用户 结构不同 ， E T H 的 D A p p 用户生态呈现了底部稳定的细长椎体结构 ，说明 D A p p 缺少将这 些用户转化为深度用户的吸引力。 EOS 的用户活跃结构呈现了 “中间大， 两端小” 的样式， E O S 的 D A p p 更应注重拉新 。 T R O N 的用户结构则呈现了 “金字塔 ”样式 ，说明 T R O N 上的 DApp 在激活新用户方面缺乏富有成效的手段。 另外 ，用户净值的高低可能会影响 D A p p 的运营策略 。在营利一定的情况下 ，用户净 值越高意味着 D A p p 运营方 （包括社区 ）需要的用户数量越少 ，拉新压力越小 ，但转化压 力会上升 。反之用户净值越低意味着 D A p p 运营方 （包括社区 ）需要的用户数量 ，他们面 临的主要任务是拉新和激活。 另一方面， 用户净值还可以作为衡量 DApp 运营成本的红线。 总体而言， 三条公链上的 DApp 在拉新、 激活、 留存和转化上都表现出两极分化的现象， 这意味着当前 DApp 生态的繁荣并不是共同繁荣， 个别 DApp 的繁荣也没有形成辐射效应。5 第一章绪论 研究目的与意义 第一章绪论 （一）研究目的与意义 DApp 即 Dencentralize d App， 是 建 立 在 公 链 之 上 的 去 中 心 化 应 用， 可 以 对 标 为 移 动 互 联 网 时 代 的 App 加 以 理 解。 根 据 DAppTo tal 的 数 据 显 示， 截 至 6 月 10 日，ETH、 EOS、TRON、IOST、BOS 和 ONT 六 条 公 链 上 共 布 局 了 3297 个 DApp，24 小 时 活 跃 用 户 总 量 约 为 15.26 万，24 小 时 总 累 计 交 易 额 约 为 3200.64 万 美 元。 其 中，ETH、EOS 和 T R O N 是较早发展 D A p p 生态的三大公链 ，也是目前 D A p p 生态最繁荣的三大公链 。从 数据上来看，DApp 生态建设正在繁荣展开。 实际上 ，目前 D A p p 的发展还处于早期阶段 ，表面繁荣的背后正面临着生命周期短 、 类型单一 、安全事件频发的发展窘境 。关于 D A p p 的未来发展还有很多值得探讨的空间 ， 本报告试图通过分析 E T H 、 E O S 和 T R O N 三大公链的 D A p p 在拉新 、激活 、留存 、转化 和转介这五个环节中的运营表现来刻画其背后的用户画像 ，以认知当前 D A p p 用户的行为 现状 ，并基于此探讨用户与 D A p p 开发者或运营者 （包括社区）之间作用与反作用的互动 机制，为 DApp 开发者或运营者（包括社区）提供发展策略参考。 本报告以定量研究为主 ，通过对 E T H 、 E O S 和 T R O N 三大公链上 D A p p 的类型 、 日流水 、平均日新增用户数量 、平均日活跃用户数量 、平均日交易次数 、平均日交易量和 E T H 、 E O S 和 T R O N 三大公链上用户累计交易额 、累计交易次数 、使用次数进行分析 ， 以 观 察 三 大 公 链 上 不 同 类 型 的 DApp 在 AARRR（Acquisition 拉 新、Activation 激 活、 Retention 留 存、Revenue 转 化、Referral 转 介 ） 这 五 个 维 度 上 的 异 同 表 现， 亦 即 观 察 三 大公链上用户群体画像的异同。 本报告的数据来源是 P A N e w s 的数据合作伙伴 区块链数据与安全服务商 PeckShield。 所有数据均为全量数据， 即包含机器人刷量的数据。 报告中， 若无特别说明， 则使用全量数据 ，若在分析中折算了机器人刷量的数据将会予以特别说明 。报告中 ，若无特 别强调 ，则数据采集的时间范围为 2 0 1 9 年 1 月至 2 0 1 9 年 4 月 ，若有特殊说明 ，则以特殊 说明的采集时间为准。 （二）研究方法 研究方法6 第二章DApp 生态现状与用户行为现状 DApp 生态现状 第二章DApp 生态现状与 用户行为现状 （一）DApp 生态现状 公链上 D A p p 的数量和规模是衡量公链性能 ，也是衡量区块链 2 . 0 时代发展程度的 重 要 标 准 之 一。ETH、EOS、TRON、IOST、BOS 和 ONT 六 条 公 链 目 前 都 在 积 极 建 设 DApp 生 态。 其 中，ETH、EOS 和 TRON 是 DApp 生 态 最 繁 荣 的 三 大 公 链， 形 成 了 DApp 生 态 建 设 的 第 一 梯 队。 截 至 4 月 30 日，ETH 上 共 有 247 个 活 跃 DApp，EOS 上 共 有 195 个 活 跃 DApp，TRON 上 共 有 171 个 活 跃 DApp， 第 一 梯 队 的 活 跃 DApp 占 六 条 公 链总活跃 DApp 的 94.60。 E OS E T H T RON 1 9 5 2 4 7 1 7 1 ETH/EOS/TRON的DApp生态现状 活跃DApp的数量 E OS E T H T RON 4 3 . 7 3 1 4 . 0 2 3 9 . 1 6 活跃DApp的数量占各链DApp总量的比重 图 2.1.1 实际上 ，第一梯队的三个 D A p p 生态中的 D A p p 存活率都不到 5 0 ， E O S 和 T R O N 上活跃 D A p p 的数量占 D A p p 总数量的比重相对较高 ，分别达到了 3 9 . 1 6 和 4 3 . 7 3 ，7 T RON Ot her 2 6 7 . 1 4 T RON H i g h- Ri s k 1 4 9 4 0 . 9 3 T RON Gam es 6 6 1 8 . 1 3 T RON Gam b l i n g 1 0 2 2 8 . 0 2 E T H T o o l s E T H E T H Ot her 3 7 5 2 2 . 1 4 E T H H i g h- Ri s k 5 5 E T H Gam es 9 6 1 5 6 . 7 3 E T H Gam b l i n g 1 5 3 9 . 0 3 E T H F i n an c e 4 8 E T H E x c han g es 6 8 4 . 0 1 E OS Ot her 7 7 1 7 . 1 9 E OS E OS Gam es 7 9 1 7 . 6 3 E OS Gam b l i n g 2 3 5 5 2 . 4 6 E OS E x c han g es 3 0 ETH/EOS/TRON各DApp类别的数量及占公链DApp总量的比重 第二章DApp 生态现状与用户行为现状 DApp 生态现状 ETH 的 DApp 存 活 率 只 有 14.02， 尽 管 ETH 上 的 DApp 数 量 和 活 跃 DApp 数 量 都 是 最 高的。这在一定程度上说明，EOS 和 TRON 的 DApp 生态比 ETH 更繁荣。 从公链 DApp 的类型来看， 本报告主要将 DApp 分为游戏类、 博彩类、 交易所、 其他类、 高风险类、 金融财务类、 平台类这七类， 其中游戏类、 博彩类和高风险类是主流的 DApp 类型。 虽然受限于区块链技术的发展 ， D A p p 的类型总体上是大致相同的 ，但具体来看 ， E T H 、 EOS 和 TRON 三大公链 DApp 类型的格局还有一些不同之处。 在不考虑 D A p p 当前是否存活的情况下 ，也即在纵向时间线上最大限度地包含 D A p p 发展 的情况下进行观察 ，可以发现如上图所示 ，ETH、EOS 和 TRON 在 DApp 生态建设中已经形 成了差异化的格局，即三条公链上各自有一种主导类型的 DApp，并且三者的主导类型不同。 在 ETH 上，游戏类 DApp 数 量 最 多， 一 共 有 961 个， 占 ETH 上 DApp 总 量 的 56.73； 在 EOS 上，博彩类 DApp 数量最多， 一共有 2 35 个， 占 EOS 上 DApp 总量的 52.46 ； 在 TRON 上， 高风险类 DApp 数量最多，一共有 149 个，占 TRON 上 DApp 总量的 40.93。 并 且， 在 此 种 情 况 下，ETH 的 DApp 总 量 要 远 远 大 于 EOS 和 TRON， 其 DApp 类 型 也 比 EOS 和 TRON 要 略 微 丰 富。 比 如 ETH 上 曾 出 现 / 现 活 跃 的 Finance 类 DApp 有 48 个、 Plat 类 DApp 有 15 个、Tools 类 DApp 有 12 个、Social 类 DApp 有 7 个， 其 中 Plat 图 2.1.28 第二章DApp 生态现状与用户行为现状 用户行为现状 只存在于 ETH，而 Finance、Tools 和 Social 在 EOS 和 TRON 上即使有也是少量的。 造成公链 D A p p 生态图景差异的原因之一可能是各条公链的底层技术差异 。比如 ，由于以太 坊有很多其他公链没有的中间件支持标准，包括 ERC 72 1 和 ERC 1155 等，所以一些涉及到复杂 的游戏道具开发或资产上链的 D A p p 就只能选择在 E T H 上进行开发 。而 E O S 的最大竞争优势在 于高 TPS，所以一些涉及到高频链上交互的 DApp 就倾向于选择在 EOS 上进行开发。 截 至 4 月 30 日，ETH、EOS、TRON、IOST、BOS 和 ONT 六 条 公 链 上 2 4 小 时 活 跃 用 户总量约为 17.31 万人次，2 4 小时总累计交易额约为 32 04.42 万美元。 从三大公链的数据来看， 截至 4 月 30 日， 在 ETH 的 DApp 生态中， 24 小时活跃用户数约有 1.18 万 人，2 4 小 时 累 计 交 易 次 数 约 为 5.10 万 次，2 4 小 时 累 计 交 易 额 约 为 1.93 万 ETH（ 约 313.55 万 美元） 。 E O S 的 D A p p 生态在去除机器人刷量数据之后 ， 2 4 小时活跃用户数约为 7 . 6 1 万人 ， 2 4 小 时 累 计 交 易 次 数 约 为 244.13 万 次，24 小 时 累 计 交 易 额 约 为 470.06 万 EOS （ 约 2280.06 万 美 元） 。 T R O N 的 D A p p 生态在去除机器人刷量数据之后 ， 2 4 小时活跃用户数约有 5 . 5 9 万人次 ， 24 小时累计交易次数约为 135.92 万次， 2 4 小时累计交易额约为 5.13 亿 TRX （约 12 29.88 万美元） 。 仅从用户使用行为的基本面数据来看，ETH 已经全面落后于 EOS 和 TRON，是三条公链 中 DApp 用户最不活跃的一条公链，而 EOS 三项数据表现均为最好，是 DApp 用户活跃程度最 高的公链。 （二）用户行为现状 2 4 小时活跃用户数（万人） 2 4 小时累计交易次数（万次） 2 4 小时累计交易额（万美元） E OS E T H T RON 1 , 2 2 9 . 8 8 3 1 3 . 5 5 2 , 2 8 0 . 0 6 1 3 5 . 9 2 5 . 1 0 2 4 4 . 1 3 5 . 5 9 1 . 1 8 7 . 6 1 ETH/EOS/TRON用户的使用行为现状 用户使用行为的基本面 0 1 0 0 2 0 0 3 0 0 4 0 0 2 4 小时平均客单交易额（美元/人） 0 2 0 4 0 6 0 8 0 2 4 小时平均单次交易额（美元/次） 0 1 0 2 0 3 0 4 0 2 4 小时人均交易次数（次/人） E OS E T H T RON 2 9 9 . 6 1 2 6 5 . 7 2 2 2 0 . 0 1 6 1 . 4 8 9 . 3 4 9 . 0 5 3 2 . 0 8 2 4 . 3 1 4 . 3 2 用户使用行为与经济效益的关系 图 2.2.19 第二章DApp 生态现状与用户行为现状 用户行为现状 但是 ，如果从更微观的角度来观察各条公链的用户经济效益 ，根据折算 ， E T H 上 2 4 小时内 平均客单交易额 1 为 2 6 5 . 7 2 美元 ， 2 4 小时内平均单次交易额 2 为 61.48 美 元；EOS 上 2 4 小 时 内人均客单交易额为 2 9 9 . 6 1 美元 ， 2 4 小时内平均单次交易额为 9 . 3 4 美元 ； T R O N 上 ，相当于 24 小时内人均客单交易额为 220.01 美元，2 4 小时内平均单次交易额为 9.05 美元。 这说明 ，虽然 TRON 的用户较为活跃，但无论是客单交易额还是单次交易额都低于 ETH 和 EOS，是三大公链中 DApp 用户经济效益最弱的一条公链。而 E T H 的 D A p p 用户虽然不太活 跃 ，但是其客单交易额只比最高的 E O S 少了 3 3 美元 ，其 6 1 . 4 8 美元的单次交易额则要远远高于 EOS 和 TRON，4.32 次 人 均 交 易 次 数 则 要 远 远 低 于 EOS 和 TRON。 这 意 味 着，ETH 上 DApp 经济规模的扩大主要依靠用户 ，其用户单客经济效益要好于其他两条公链 ，如果三条公链的经济规 模相当 （简单视为总交易额相当 ） ，那么 E T H 需要的用户数量可能是最少的 。与 E T H “走质 ” 的路线不同 ， E O S 的策略是 “走量 ” ，其 D A p p 经济规模的扩大主要靠高频的链上交互来实现 ， TRON 的情况则与 EOS 类似。 两种不同的用户行为类型可能将对公链未来的 D A p p 生态发展产生深远影响 ，这种影响或将 表现为公链 D A p p 生态的极化 ，即刚开始因公链技术特性导致 D A p p 类型的差异化 ，进而导致用 户行为的差异化 ，现在反过来 ，由于用户行为的差异化 ，导致该条公链上的 D A p p 开发者更专注 于开发某种类型的 DApp。 1. 平均客单交易额 指 24 小时内单个 DAU 的平均交易额。 2. 平均单次交易额 指 24 小时内每次交易的平均交易额。10 第二章DApp 生态现状与用户行为现状 用户生态的真实繁荣程度 在 EOS 和 TRON 上存在 DApp 用户数据虚假的现象， 这可能是一种 DApp 开发者通过美化 数据使 D A p p 登上排行榜以吸引更多用户使用的营销手法 ，也可能是一种黑客为了更大可能获得 博彩类 DApp 的奖金而开设大量群控账号的攻击手法。 根据 DAppTotal5 月 14 日当天按照用户数量多寡对 DApp 进行排名的榜单来看， EOS 排名 前 1 0 0 的 D A p p 真实用户比 （去机器人数据情况下真实用户数 / 总用户数）的中值为 9 7 . 9 8 ， 均值也达到 81.30， 这意味着用户数量最多的 100 个 DApp 中大多数 DApp 的用户数据基本真实。 T R O N 的真实用户情况比 E O S 还要略微好一点 。同样根据 D A p p T o t a l 网站 5 月 1 4 日当天 按照用户数量多寡对 D A p p 进行排名的榜单来看 ， T R O N 排名前 1 0 0 的 D A p p 真实用户比的中值 达到 1 0 0 ，也就是说 T R O N 上最受欢迎的前 1 0 0 个 D A p p 中有 5 0 个 D A p p 的用户数据都是完 全真实的。而 TRON 的平均真实用户比也达到了 88.89。 0 . 0 0 5 0 . 0 0 1 0 0 . 0 0 真实用户 9 7 . 9 8 8 1 . 3 0 中 值 均 值 EOS/TRON上用户数量Top 100 的DApp 的真实用户量分布 EOS真实用户量 0 . 0 0 5 0 . 0 0 1 0 0 . 0 0 真实用户 1 0 0 . 0 0 8 8 . 8 9 中 值 均 值 TRON 真实用户量 图 2.3.1 （三）用户生态的真实繁荣程度11 虽然从整体上看， EOS 和 TRON 上 DApp 的用户数据真实度都比较高， 但是不可忽略的是， 两条公链上仍有为数不少的 D A p p ，其真实用户比严重偏离均值 。如果将某个 D A p p 的真实用户 比偏离该公链平均真实用户比 1 5 以上视为严重偏离的话 （上图中虚线框内的 D A p p 都是真实用 户 严 重 偏 离 的 DApp），EOS 有 19 个 DApp，相当于 EOS 中 19 的 DApp 用户数据虚假， TRON 有 13 个 DApp，相当于 TRON 中有 13 的 DApp 用户数据虚假。 但这只是整体情况 ，由于 D A p p 市场仍然是一个 “马太效应 ”十分明显的市场 ，主要表现在 超过 7 0 的日活跃用户都集中在 1 0 个 D A p p 中 。 E O S 中排名前 1 0 的 D A p p 日活用户占前 1 0 0 个 DApp 的 70.71， TRON 的这一数据高达 73.83。 这种格局有可能会造成一定的样本偏差， 即由于排名靠后的 D A p p 日活用户较少 （大多少于 1 0 人） ，刷量的必要性和可能性都较小 ，这就 会拉高前 1 0 0 个 D A p p 的平均真实用户量 。而实际情况可能是 ，更能代表这个生态的用户现状的 前 10 个 DApp，其虚假繁荣程度可能更高或更低。 第二章DApp 生态现状与用户行为现状 用户生态的真实繁荣程度 0.00 50.00 100.00 真实用户 PRA CandyBox Endless Game EOS Knights Hash Baby Lore Free BingoBet BigGame Dapp365 ADM 平均值 63. 94 EOS/TRON上用户数量Top 10 的DApp 的真实用户量分布 EOS真实用户量 0.00 50.00 100.00 真实用户 BetHash - 1,000,000 TRX Gift Fishing Master TRXMarket TronTrade TronWoW 平均值 95. 33 TRON 真实用户量 图 2.3.2 在只观察用户量前 1 0 的 D A p p 情况下 ，可以明显看到 ， E O S 的平均真实用户比被 极 大 拉 低 了， 仅 有 63.9 4。 这 主 要 是 受 到 个 别 DApp 的 影 响， 比 如 Endless Game 和 Lore Free， 其 真 实 用 户 比 分 别 只 有 13.30 和 13.97。 而 相 反 的 情 况 是，TRON 上 用 户12 第二章DApp 生态现状与用户行为现状 小结 量前 1 0 的 D A p p 的平均真实用户比达到了 9 5 . 3 3 ，高于用户量前 1 0 0 的平均水平 。从这 个角度来看 ， E O S 和 T R O N 上用户虚假程度的差距可能不是整体的 1 9 比 1 3 ，而更可 能是 36 比 5。 E T H 的 D A p p 生态不存在用户数据虚假 ，这很大程度是由于用户每一次调用以太坊的 合约都需要支付实实在在的 G a s 费 ，这也意味着如果 D A p p 开发者或黑客想要刷量的话要 付出比 EOS 和 TRON 远高得多的成本。 目前， ETH、 EOS 、 TRON、 IOST、 BOS 和 ONT 六条公链上共布局了 2614 个 DApp。 其中， ETH、EOS 和 TRON 共 有 613 个 活 跃 DApp， 占 DApp 总 数 量 的 比 重 约 为 2 3.45， 这 意 味 着 每条公链上 DApp 的平均生存率小于 10。 从公链 DApp 的类型来看， 游戏类、 博彩类和高风险类是主流的 DApp 类型。 但目前 ETH、 E O S 和 T R O N 在 D A p p 生态建设中已经形成了差异化的竞争格局 ，即三条公链上各自有一种主 导类型的 D A p p ，并且三者的主导类型不同 。 E T H 是游戏类 D A p p 占主导地位 ， E O S 是博彩类 DApp 占主导地位，TRON 是高风险类 DApp 占主导地位。 从用户使用行为的基本面数据来看 ， E T H 是三条公链中 D A p p 用户最不活跃的一条公链 ， E O S 是 D A p p 用户活跃程度最高的公链 。从更微观的角度来观察公链的用户经济效益 ， T R O N 是三大公链中 D A p p 用户经济效益最弱的一条公链 ， E T H 的用户单客经济效益要好于其他两条公 链 。经济模式可以分为两种 ，一种是 E T H “走质”的路线 ，另一种是 E O S “走量”的路线 ，后者 DApp 经济规模的扩大主要靠高频的链上交互来实现，TRON 的情况则与 EOS 更类似。 目前 DApp 的生态繁荣存在一定程度的虚假性， EOS 约有 19 的 DApp 存在用户数据虚假， T R O N 约有 1 3 的 D A p p 存在用户数据虚假 。但如果将样本偏差考虑在内 ， E O S 的虚假程度可 能高达 36。 （四） 小结13 第三章DApp 拉新与其背后的新用户 “入场”图景 DApp 的拉新表现 第 三 章DApp 拉 新 与 其 背后的新用户“入场”图景 （一） DApp 的拉新表现 “AARRR” 闭环中的第一个 “A” 是指 Acquisitio n， 即拉新， 这是 DApp 运营的第一步， 如果不能实现拉新， 那用户就无法流转到接下来的 “ARRR” 环节， DApp 也就不能运作起来。 本 节 将 主 要 以 ETH、EOS 和 TRON 上 4 月 日 均 DAU 前 50 的 DApp， 也 即 三 条 公 链上各自最受用户欢迎的 50 个 DApp 为考察对象， 以观察三条公链上 DApp 拉新的平均表 现和不同类型 D A p p 拉新的平均表现 。选择 4 月份作为观察时间点主要是因为从整体角度 来看 ， D A p p 拉新表现与月份之间并不存在相关关系 ，即 D A p p 用户没有在哪个特定的自 然月大规模涌入，如此选择距离最近的完整自然月可以展现 DApp 拉新的现状。 从不同公链上 D A p p 拉新的整体表现来看 ， E T H 上不同 D A p p 的新增用户数量离散程 度最小 ，中位数约为 1 2 人 ，这说明最受用户欢迎的 5 0 个 D A p p 中 5 0 的 D A p p 日均新 增人数为 1 2 人以上 ，有 2 5 的 D A p p 日均新增人数超过 2 5 人 ，还有 2 5 的 D A p p 日 均新增人数低于 6 人 。 E O S 上不同 D A p p 的新增用户数量离散程度居三者中间 ， 5 0 的 D A p p 日均新增人数超过 1 7 人 ，其中 2 5 的 D A p p 日均新增人数超过 7 6 人 ，在低于中 值的另一半中有 2 5 的 D A p p 日均新增人数低于 9 人 。 E O S 上 D A p p 的平均拉新表现 与 E T H 较为接近 ，但 E O S 受极值影响更大 ，不同 D A p p 之间的拉新表现分化明显 ，最高 的 EOS Global 的 4 月 日 均 新 增 高 达 3648 人， 还 有 3 个 DApp 日 均 新 增 超 过 500 人， 而 最低的 N a k a m o t o . r u n 新增人数为 0 。离散程度较小但极值较多 ，说明 E T H 和 E O S 内部 DApp 拉新能力两级分化则较为严重，即用户更易被个别项目吸引。 相比之下 ， T R O N 是三条公链中 D A p p 新增用户数量离散程度最高的一条公链 ， 5 0 的 D A p p 日均拉新人数为 4 5 人 ，这其中 2 5 的 D A p p 日均拉新人数超过 1 5 3 人 ，在低于 中值的另一半中有 25 的 DApp 日均新增人数低于 11 人。 TRON 与 EOS 的不同之处在于， 虽然两者链上 D A p p 的拉新能力分化比较明显 ，但 T R O N 受极值的影响小于 E O S ，也小 于 ETH。 关于三条公链上 D A p p 整体拉新能力的分化格局可以从右侧去除部分异常值的图中更14 第三章DApp 拉新与其背后的新用户“入场”图景 DApp 类型对拉新的影响 清晰的观察到。 如果再加上 D A p p 的类型为考察维度 ，可以看到三条公链上不同类型的 D A p p 在拉新 能力上有着明显的差异。 E OS E T H T RON 0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 av g _ d n u ETH/EOS/TRON 4月DAU 前50的DAp p日均新增人数分布（去极值） E OS E T H T RON 0 5 0 0 1 0 0 0 1 5 0 0 2 0 0 0 2 5 0 0 3 0 0 0 3 5 0 0 av g _ d n u ETH/EOS/TRON 4月DAU 前50的DAp p日均新增人数分布 DApp日均新增用户数 图 3.1.1 （二） DApp 类型对拉新的影响15 第三章DApp 拉新与其背后的新用户“入场”图景 DApp 类型对拉新的影响 E x c han g es F i n an c e Gam b l i n g Gam es H i g h- Ri s k Ot her P l at f o rm 0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 av g _ d n u ETH E x c han g es Gam b l i n g Gam es Ot her 0 5 0 0 1 0 0 0 1 5 0 0 2 0 0 0 2 5 0 0 3 0 0 0 3 5 0 0 av g _ d n u EOS E x c han g es Gam b l i n g Gam es H i g h- Ri s k 0 5 0 0 1 0 0 0 1 5 0 0 2 0 0 0 av g _ d n u TRON 4 月DAU前50 的不同类型的DApp日均新增人数分布 图 3.2.1 E T H 中交易所和游戏类 D A p p 的日均新增人数最分散 ，说明这两类的 D A p p 拉新能力 较为分化 。其次是金融财务类和其他类 D A p p 。而博彩 、高风险和平台类 D A p p 的日均新 增人数都比较接近 ，但这可能与这三类 D A p p 数量较少有关 。从平均水平来看 ，金融财务 类的 D A p p 是日均新增人数最多的一类 D A p p ， 5 0 以上日均新增 1 8 . 7 人 ，高于 E T H 的 整体水平 。数量最多的游戏类 D A p p ，其 5 0 的 D A p p 日均新增人数只有 9 . 5 人 ，不仅 低于金融财务类 ，还低于交易所 、博彩类 、其他类和平台类的 D A p p ，拉新能力仅排第六 位 。综合来看 ，游戏类 D A p p 由于整体拉新能力分化较大 ，且平均拉新人数较低 ，游戏类 D A p p 要么能吸引很多用户 ，要么吸引的用户很少 ，两级分化严重 ，因此游戏类是 E T H 上 所有 DApp 类型中拉新头部效应最明显的类型。 在 EOS 的 DApp 生 态 中， 其 他 类 DApp 的 日 均 新 增 人 数 极 其 分 散。EOS Global 和 L o r e F r e e 的日均新增人数都超过 1 5 0 0 人 ，但整个其他类 1 0 个 D A p p 的还有一半的新增 人数低于 3 6 人 ，内部拉新能力分化严重 。其次 ，游戏和交易所类的 D A p p 日均新增人数都16 较为集中 ，且没有异常值 ， 5 0 的 D A p p 日均拉新人数分别超过 5 0 人和 3 8 人 ，远高于 E O