MAU в мобилната аналитика — какво е, показателят за месечна аудитория и как се изчислява

Какво е MAU в мобилната аналитика?

MAU (Monthly Active Users) — показател, който показва броя на уникалните потребители, извършили целево действие в приложението през последните 30 календарни дни. За разлика от DAU, MAU не е чувствителен към дневните колебания и дава стабилна картина за размера на активната база. Това е стандарт за отчетност на публичните технологични компании: Facebook, Spotify, Uber и други посочват MAU в тримесечните си отчети.

Защо MAU е показател номер едно за инвеститорите

Инвеститорите оценяват мащаба на бизнеса именно по MAU. Показателят показва колко потребители задържа продуктът в рамките на един месец — минималният хоризонт за оценка на product-market fit. Facebook отчита MAU от 2012 г. и ръстът на този показател корелира пряко с капитализацията на компанията. За стартиращите компании MAU е един от ключовите показатели в pitch deck-овете и кръговете на финансиране.

MAU в контекста на продуктовата аналитика

В продуктовата аналитика MAU се използва като входен показател за много изчисления. На негова основа се изчисляват съотношението MAU/DAU (Stickiness), ARPU (Average Revenue Per User) и LTV (Lifetime Value). Без точен MAU е невъзможно правилно да се оцени конверсията в плащащи потребители и ефективността на маркетинговите канали. MAU е основата на пирамидата от показатели, върху която се изграждат всички останали показатели за монетизация и ангажираност.

SELECT
    DATE_TRUNC('month', event_date) AS month_start,
    COUNT(DISTINCT user_id) AS mau
FROM user_events
WHERE event_date >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY month_start
ORDER BY month_start DESC;

Как се изчислява MAU?

Изчислението на MAU на пръв поглед е просто: да се преброят уникалните потребители за 30 дни. На практика обаче възникват няколко нюанса, които влияят на точността. Изборът на метод за изчисление — календарен месец или плъзгащ се прозорец — определя доколко показателят съответства на реалната активност на потребителите в мобилната разработка.

Календарен месец срещу плъзгащ се прозорец

Календарният месец е традиционният подход: MAU се изчислява от първия до последния ден на месеца. Той е удобен за отчетност, но създава артефакти: например ако на 30-ия ден има прекъсване, MAU за месеца ще бъде занижен. Плъзгащият се прозорец (rolling 30 days) дава по-плавен показател, но е по-сложен за периодична отчетност. По данни на Mixpanel (2025), 80% от продуктовите екипи използват календарния месец за външни отчети и плъзгащия се прозорец за вътрешни dashboard-и.

Дедупликация на потребителите между платформи

Един потребител може да влиза в приложението от няколко устройства: iPhone и iPad, Android таблет и настолен компютър. Без дедупликация MAU ще бъде завишен с 20-40%. Най-добрата практика е използването на единен account_id за всички платформи. Ако потребителят не е влязъл, използвайте комбинацията device_id + Advertising ID (IDFA на iOS, GAID на Android) с последваща дедупликация при влизане.

Отчитане на неактивните потребители

Кого да считаме за активен потребител? Минималното действие е отваряне на приложението (session start). Много екипи обаче задават праг: сесия, по-дълга от 10 секунди, или извършване на поне едно целево действие. Това изключва случайните отваряния и ботовете. Различните прагове на активност водят до разлики в MAU от 10-30%, затова методологията трябва да бъде фиксирана и да не се променя между периодите.

Автоматизиране на изчислението на MAU

Повечето компании автоматизират изчислението на MAU чрез ETL pipeline-ове. Данните от Firebase, Amplitude или собствени сървъри се агрегират в Clickhouse или Snowflake. Ежедневното преизчисляване на MAU позволява да виждате тенденциите в реално време. Важно: при промяна на методологията (например прага на активност) преизчислете MAU за предходните периоди, за да запазите съпоставимостта на данните.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Филтър по минимална продължителност на сесията
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Плъзгащ се прозорец от 30 дни
    cutoff = datetime.now() - timedelta(days=30)
    recent = active[active['event_date'] >= cutoff]
    return recent['user_id'].nunique()

events = pd.read_csv('events.csv', parse_dates=['event_date'])
print(f"MAU: {calculate_mau(events)}")

DAU vs WAU vs MAU: йерархия на показателите

Три показателя — DAU, WAU и MAU — образуват система за оценка на активната аудитория на различни времеви хоризонти. Заедно те дават цялостна картина за здравето на продукта. Аналитикът, който гледа само MAU, рискува да пропусне ежедневните проблеми; този, който гледа само DAU, не вижда стратегическата тенденция.

Връзката между DAU, WAU и MAU

Съотношението на показателите се описва с проста закономерност: DAU ≤ WAU ≤ MAU. Разликата между DAU и MAU показва колко равномерно са разпределени потребителите по дните на месеца. Ако DAU съставлява 10% от MAU — потребителите влизат рядко (например приложение за резервация на хотели). Ако DAU съставлява 50% от MAU — приложението се използва почти ежедневно (социални мрежи, месинджъри). Коефициентът DAU/MAU се нарича Stickiness и е стандартен показател за ангажираност.

Stickiness: основният показател за ангажираност

Stickiness = DAU / MAU * 100%. Стойност над 50% е отличен показател за всяко приложение. Стойност 20-50% е нормална за повечето продукти. Стойност под 20% е сигнал за проблем със завръщаемостта. Stickiness не зависи от мащаба: приложение с 1 милион MAU и стартираща компания с 10 хиляди MAU могат да имат една и съща стойност. Това прави показателя удобен за бенчмаркинг и сравнение на продукти в рамките на една категория.

Норми за MAU по категории приложения

Нормите за MAU зависят от категорията, географията и зрелостта на продукта. Вместо абсолютни стойности анализаторите използват динамиката на MAU (Month-over-Month growth) и съотношението с другите показатели. Ръст на MAU с 10% месец за месец се счита за добър за зрял продукт, 30%+ — за бързо растящ.

Бенчмаркове за MAU по категории

По данни на доклада App Annie State of Mobile 2025 медианният MAU за различните категории варира. Социални мрежи: 50-500 милиона (глобални играчи), игри: 1-50 милиона, електронна търговия: 100 хиляди — 10 милиона, финтех: 500 хиляди — 20 милиона. Тези числа силно зависят от региона: приложение с 1 милион MAU в САЩ може да се счита за голямо, в Индия — за средно. Сравняването на MAU има смисъл само в рамките на една категория и един географски регион.

MAU и монетизация

MAU е пряко свързан с приходите чрез ARPU. Ако MAU расте, а ARPU пада — бизнесът се мащабира към по-неплатежоспособна аудитория. Ако MAU е стабилен, а ARPU расте — продуктът увеличава монетизацията на съществуващата база. Идеалният сценарий: ръст на MAU при запазване или повишаване на ARPU. Съотношението на MAU към приходите е ключов показател за оценка на unit-икономиката на мобилното приложение.

Как да увеличим MAU в мобилно приложение?

Ръстът на MAU е преди всичко увеличаване на броя на новите потребители (acquisition) и намаляване на оттока (retention). За разлика от DAU, който може да се повиши с тактически методи, MAU изисква системна стратегия за привличане и задържане на аудитория. Нека разгледаме основните канали за растеж, потвърдени от практиката на водещите мобилни продукти.

Органичен acquisition: ASO и съдържание

App Store Optimization (ASO) е най-икономичният начин за увеличаване на MAU. Оптимизирането на името, ключовите думи, иконата и екранните снимки може да увеличи органичния трафик с 20-40%. Вторият канал е content маркетингът: статии, видеа и казуси, които се класират в търсенето и довеждат нови потребители. За B2C приложенията са ефективни вирусните механики: покани приятел — получи бонус.

Платено привличане (UA)

User Acquisition (UA) — платени канали: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Разходите за привличане на един MAU варират значително: от $0.50 на развиващите се пазари до $5-8 в САЩ/ЕС. Ключовият принцип: CAC (Customer Acquisition Cost) трябва да бъде по-нисък от LTV (Lifetime Value) поне 3 пъти. Рекламните кампании трябва да се таргетират към кохорти с retention Day 30 над 20%.

Реферални програми и виралност

Рефералните механики са двигател на органичния растеж на MAU. Dropbox нарасна от 100 хиляди до 4 милиона MAU за 15 месеца благодарение на рефералната програма. Ключът към успеха: стойността на бонуса и за двете страни (поканващия и поканения). За мобилните приложения са ефективни рефералните връзки с deep linking — новият потребител веднага попада в правилния екран на приложението след инсталацията.

-- Расчёт MAU с разбивкой по источнику трафика
SELECT
    source,
    COUNT(DISTINCT user_id) AS mau
FROM user_events e
JOIN users u ON e.user_id = u.id
WHERE e.event_date >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY source
ORDER BY mau DESC;