数据分析 — 用户粘性的两个计算指标（DAU/MAU和月人均活跃天数）

很多运营都了解DAU（日活跃用户数）和MAU（月活跃用户数）的重要性，但在某些情况下这两个数值本身并不能反映出太多问题，这个时候就要引用到【DAU/MAU】的概念，即【日活/月活】。

用户粘性的两个计算指标：

1、DAU/MAU ，用户粘性通常用DAU/MAU的公式来计算

2、每月用户平均活跃天数，即月平均活跃天数，以上二者作用一致

 

【对DAU/MAU做公式解释】 

DAU，即：Daily Active User日活跃用户数，MAU，即：Monthly Active User月活跃用户数。

 

DAU/MAU比值越趋近于1表明用户活跃度越高，在比值低于0.2时，应用的传播性和互动性将会很弱。对于常见的App，用户粘性的取值范围就是3%~100%，不同领域的App也会有不同的基准值，例如移动游戏会以20%为基线，而工具类App会以40%为基线。

例子1： 从极限的角度看，如果每天活跃都是同样的用户，例如每天都是1万DAU，那么30天内每天都是这1万用户在活跃，MAU也是1万，于是DAU/MAU就是100%，用户粘性达到上限，微信就是接近100%的例子。

例子2： 另一个极端的例子，如果每天活跃用户都不相同，例如每天1万DAU，那么30天内每天的活跃用户都不同，MAU就是30万，于是DAU/MAU就是1/30，用户完全没有粘性。

在日常的项目和产品运营工作中， 单日的DAU/MAU的数值往往受到周期（工作日/周末）、版本更新和活动的影响，用户粘性在短期内的波动较大。所以通常要采用长期的均值作参考，例如一个月、两个大版本之间。eg:以某客户App为例，DAU/MAU的数值在工作日约50%，而在周末和假期的数值则在20%左右。那么谈到用户粘性的时候，通常采用每天DAU/MAU的平均值39.37%（均值如何算出的？）。

 

【解读DAU/MAU变化】

1）（DAU/MAU）↑，DAU↑

原因：产品的运营活动或较大变动唤醒了部分沉睡用户，新增用户较少

运营方向：加大产品推广，拉新

2）（DAU/MAU）↑，MAU↓

原因：非忠实用户的流失变多，产品没有满足这部分用户的需求

运营方向：确保核心功能的同时进行多元化的功能延伸，满足非忠诚用户的需求

3）（DAU/MAU）↓，DAU↓

原因：产品的核心功能出现问题，可能存在竞品等外界干扰

运营方向：需要进一步打磨产品，提升用户体验

4）（DAU/MAU）↓，MAU↑

原因：产品的运营活动或推广宣传带来了一批新的用户，但其活跃度缺乏持续性，用户流失较大

运营方向：需要增加用户粘性，给予用户持续性的多变的激励，以减少流失 

 

【对DAU/MAU算法做进一步探讨】： 

目前主流的算法，是使用昨日DAU和前30天的MAU，例如如果今天是8月31日，那么DAU选取8月30日，MAU选取8月1日至30日。

这种算法的优势是DAU和MAU在同一天算出来，计算方便。

而劣势则是只计算了完整的30天周期内最后一天DAU在MAU中的占比，许多严谨的客户会提出为什么不能选其他日期的DAU呢？ 

例如采用完整周期内的第一天DAU1作为分子除以MAU，就可以得到另一种粘性的解读：

任意一天的活跃用户在30天内活跃的比重，都可以是一种对用户粘性定义，即DAU1/MAU、DAU2/MAU、DAU3/MAU…。

重新计算上面客户的DAU1/MAU粘性，结果为39.41%，数值与传统的定义差距不大，同样的计算DAU2/MAU、DAU2/MAU……后，这些数值结果差距不大。

再进一步追踪，一个30天周期内的每个DAUn除以MAU的数值，也呈现明显的波动。此处的波动走势，与30个DAU的走势一致（仅仅是除以了相同的数值的差异）。

 

将上述的DAU1/MAU到DAU30/MAU逐一加和，得到的恰巧是另一个常用指标：当月人均活跃天数，这也是评估用户粘性的一个指标。 

那么人均活跃天数和DAU/MAU之间有多大关联？   

既然当月人均活跃天数是30个DAU之和除以1个MAU，

而用户粘性是1个DAU除以MAU，

两者在数量级上自然会差30倍左右。 

对比除以30后的当月人均活跃天数和用户粘性DAU/MAU，发现两者的走势基本一致。而差异点在于波动幅度和响应时间略有滞后。而从数值上看，30天当月人均活跃天数是11.93天，除以30后得到结果0.3977，与DAU/MAU的39.37%也非常接近。所以在工作中使用月均活跃天数和DAU/MAU的作用一致。

参考：https://www.cnblogs.com/Formulate0303/p/13896008.html