মোবাইল অ্যানালিটিক্সে MAU — এটি কী, মাসিক সক্রিয় ব্যবহারকারীর মেট্রিক এবং কীভাবে গণনা করবেন

মোবাইল অ্যানালিটিক্সে MAU কী?

MAU (Monthly Active Users) — একটি মেট্রিক যা গত ৩০ ক্যালেন্ডার দিনের মধ্যে অ্যাপে একটি লক্ষ্যযুক্ত ক্রিয়া সম্পন্ন করা অনন্য ব্যবহারকারীর সংখ্যা দেখায়। DAU-এর বিপরীতে, MAU দৈনিক ওঠানামার প্রতি সংবেদনশীল নয় এবং সক্রিয় বেসের আকারের স্থিতিশীল চিত্র দেয়। এটি পাবলিক টেক কোম্পানিগুলির জন্য রিপোর্টিং স্ট্যান্ডার্ড: Facebook, Spotify, Uber এবং অন্যান্যরা ত্রৈমাসিক রিপোর্টে MAU নির্দেশ করে।

কেন MAU বিনিয়োগকারীদের জন্য নম্বর ওয়ান মেট্রিক

বিনিয়োগকারীরা ব্যবসার স্কেল মূল্যায়ন করেন মূলত MAU-এর মাধ্যমে। মেট্রিকটি দেখায় যে পণ্যটি এক মাসের মধ্যে কতজন ব্যবহারকারী ধরে রাখে — প্রোডাক্ট-মার্কেট ফিট মূল্যায়নের জন্য ন্যূনতম দিগন্ত। Facebook ২০১২ সাল থেকে MAU রিপোর্ট করে আসছে, এবং এই মেট্রিকের বৃদ্ধি সরাসরি কোম্পানির মূলধনের সাথে সম্পর্কিত। স্টার্টআপগুলির জন্য, MAU পিচ-ডেক এবং ফান্ডিং রাউন্ডে মূল সূচকগুলির মধ্যে একটি।

প্রোডাক্ট অ্যানালিটিক্সের প্রসঙ্গে MAU

প্রোডাক্ট অ্যানালিটিক্সে MAU অনেক গণনার জন্য ইনপুট মেট্রিক হিসাবে ব্যবহৃত হয়। এর ভিত্তিতে MAU/DAU অনুপাত (Stickiness), ARPU (Average Revenue Per User) এবং LTV (Lifetime Value) গণনা করা হয়। সঠিক MAU ছাড়া পেমেন্টকারী ব্যবহারকারীদের কনভার্সন এবং মার্কeting চ্যানেলের কার্যকারিতা সঠিকভাবে মূল্যায়ন করা অসম্ভব। MAU হল মেট্রিক পিরামিডের ভিত্তি, যার উপর মনিটাইজেশন এবং এনগেজমেন্টের অন্যান্য সূচক নির্মিত হয়।

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;

MAU কীভাবে গণনা করা হয়?

MAU-এর গণনা প্রথম দৃষ্টিতে সহজ: ৩০ দিনের মধ্যে অনন্য ব্যবহারকারী গণনা করা। তবে বাস্তবে বেশ কয়েকটি সূক্ষ্মতা দেখা দেয় যা নির্ভুলতাকে প্রভাবিত করে। গণনার পদ্ধতি নির্বাচন — ক্যালেন্ডার মাস বা স্লাইডিং উইন্ডো — নির্ধারণ করে যে মেট্রিকটি মোবাইল ডেভেলপমেন্টে প্রকৃত ব্যবহারকারীর কার্যকলাপের সাথে কতটা সামঞ্জস্যপূর্ণ।

ক্যালেন্ডার মাস বনাম স্লাইডিং উইন্ডো

ক্যালেন্ডার মাস — ঐতিহ্যগত পদ্ধতি: MAU মাসের ১ম থেকে শেষ তারিখ পর্যন্ত গণনা করা হয়। এটি রিপোর্টিংয়ের জন্য সুবিধাজনক, তবে আর্টিফ্যাক্ট তৈরি করে: উদাহরণস্বরূপ, যদি ৩০ তারিখে কোনো ত্রুটি ঘটে, তবে মাসের MAU কম দেখাবে। স্লাইডিং উইন্ডো (rolling 30 days) মসৃণ মেট্রিক দেয়, কিন্তু পর্যায়ক্রমিক রিপোর্টিংয়ের জন্য জটিল। Mixpanel (২০২৫) অনুসারে, ৮০% প্রোডাক্ট টিম বাহ্যিক রিপোর্টের জন্য ক্যালেন্ডার মাস এবং অভ্যন্তরীণ ড্যাশবোর্ডের জন্য স্লাইডিং উইন্ডো ব্যবহার করে।

ক্রস-প্ল্যাটফর্ম ব্যবহারকারীদের ডিডুপ্লিকেশন

একজন ব্যবহারকারী একাধিক ডিভাইস থেকে অ্যাপে প্রবেশ করতে পারেন: iPhone এবং iPad, Android ট্যাবলেট এবং ডেস্কটপ। ডিডুপ্লিকেশন ছাড়া MAU ২০-৪০% বেশি হবে। সর্বোত্তম অনুশীলন — সমস্ত প্ল্যাটফর্মের জন্য একটি ইউনিফাইড account_id ব্যবহার করা। যদি ব্যবহারকারী লগ ইন না করে থাকে, তাহলে device_id + Advertising ID (iOS-এ IDFA, Android-এ GAID) সংমিশ্রণ ব্যবহার করুন এবং লগ ইন করার পর ডিডুপ্লিকেশন করুন।

নিষ্ক্রিয় ব্যবহারকারীদের হিসাব

কে সক্রিয় ব্যবহারকারী হিসেবে গণ্য হবে? ন্যূনতম ক্রিয়া — অ্যাপ খোলা (session start)। তবে অনেক টিম একটি থ্রেশহোল্ড সেট করে: ১০ সেকেন্ডের বেশি সেশন বা কমপক্ষে একটি লক্ষ্যযুক্ত ক্রিয়া সম্পাদন। এটি এলোমেলো খোলা এবং বট বাদ দেয়। বিভিন্ন থ্রেশহোল্ড MAU-তে ১০-৩০% পার্থক্য সৃষ্টি করে, তাই পদ্ধতিটি স্থির করা উচিত এবং সময়ের মধ্যে পরিবর্তন না করা।

MAU গণনার অটোমেশন

বেশিরভাগ কোম্পানি ETL-পাইপলাইনের মাধ্যমে MAU গণনা স্বয়ংক্রিয় করে। Firebase, Amplitude বা নিজস্ব সার্ভার থেকে ডেটা Clickhouse বা Snowflake-এ একত্রিত করা হয়। দৈনিক MAU পুনঃগণনা রিয়েল টাইমে ট্রেন্ড দেখতে সাহায্য করে। গুরুত্বপূর্ণ: পদ্ধতি পরিবর্তন করার সময় (যেমন, কার্যকলাপের থ্রেশহোল্ড), আগের সময়ের জন্য MAU পুনঃগণনা করুন যাতে ডেটা তুলনাযোগ্য থাকে।

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # ন্যূনতম সেশন দৈর্ঘ্যের ফিল্টার
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # ৩০ দিনের স্লাইডিং উইন্ডো
    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 বনাম WAU বনাম MAU: মেট্রিকের শ্রেণিবিন্যাস

তিনটি মেট্রিক — DAU, WAU এবং MAU — বিভিন্ন সময় দিগন্তে সক্রিয় শ্রোতা মূল্যায়নের একটি সিস্টেম গঠন করে। এগুলি একসাথে পণ্যের স্বাস্থ্যের একটি বিস্তৃত চিত্র দেয়। একজন অ্যানালিস্ট যিনি শুধুমাত্র MAU দেখেন, তিনি দৈনিক সমস্যা মিস করতে পারেন; যিনি শুধুমাত্র DAU দেখেন, তিনি কৌশলগত ট্রেন্ড দেখতে পান না।

DAU, WAU এবং MAU-এর মধ্যে সম্পর্ক

মেট্রিকগুলির সম্পর্ক একটি সাধারণ প্যাটার্ন দ্বারা বর্ণিত: DAU ≤ WAU ≤ MAU। DAU এবং MAU-এর মধ্যে ব্যবধান দেখায় যে ব্যবহারকারীরা মাসের দিনগুলিতে কতটা সমানভাবে বিতরণ করা হয়েছে। যদি DAU MAU-এর ১০% হয় — ব্যবহারকারীরা খুব কমই আসে (যেমন, হোটেল বুকিং অ্যাপ)। যদি DAU MAU-এর ৫০% হয় — অ্যাপটি প্রায় প্রতিদিন ব্যবহার করা হয় (সোশ্যাল নেটওয়ার্ক, মেসেঞ্জার)। DAU/MAU অনুপাতকে Stickiness বলা হয় এবং এটি এনগেজমেন্টের মানক সূচক।

Stickiness: এনগেজমেন্টের প্রধান সূচক

Stickiness = DAU / MAU * ১০০%। ৫০% এর উপরে মান — যেকোনো অ্যাপের জন্য চমৎকার সূচক। ২০-৫০% মান — অধিকাংশ পণ্যের জন্য স্বাভাবিক। ২০% এর নিচে মান — ফিরে আসার সমস্যার সংকেত। Stickiness স্কেলের উপর নির্ভর করে না: ১ মিলিয়ন MAU-এর অ্যাপ এবং ১০ হাজার MAU-এর স্টার্টআপের একই হতে পারে। এটি মেট্রিকটিকে বেঞ্চমার্কিং এবং একই ক্যাটাগরির মধ্যে পণ্য তুলনার জন্য সুবিধাজনক করে তোলে।

অ্যাপের ক্যাটাগরি অনুসারে MAU-এর নিয়ম

MAU-এর নিয়ম ক্যাটাগরি, ভৌগোলিক অবস্থান এবং পণ্যের পরিপক্কতার উপর নির্ভর করে। পরম মানের পরিবর্তে, অ্যানালিস্টরা MAU-এর গতিশীলতা (মাসওভার-মাস গ্রোথ) এবং অন্যান্য মেট্রিকের সাথে সম্পর্ক ব্যবহার করেন। পরিণত পণ্যের জন্য মাসে মাসে MAU-এর ১০% বৃদ্ধি ভাল বলে বিবেচিত হয়, দ্রুত বর্ধনশীল পণ্যের জন্য ৩০%+।

ক্যাটাগরি অনুসারে MAU বেঞ্চমার্ক

App Annie State of Mobile 2025 রিপোর্ট অনুসারে, বিভিন্ন ক্যাটাগরির জন্য মিডিয়ান MAU পরিবর্তিত হয়। সোশ্যাল মিডিয়া: ৫০-৫০০ মিলিয়ন (গ্লোবাল প্লেয়ার), গেমিং: ১-৫০ মিলিয়ন, ই-কমার্স: ১০০ হাজার — ১০ মিলিয়ন, ফিনটেক: ৫০০ হাজার — ২০ মিলিয়ন। এই সংখ্যাগুলি অঞ্চলের উপর অনেক বেশি নির্ভর করে: USA-তে ১ মিলিয়ন MAU-এর অ্যাপ বড় বলে বিবেচিত হতে পারে, ভারতে — মাঝারি। MAU তুলনা শুধুমাত্র একই ক্যাটাগরি এবং একই ভৌগোলিক অঞ্চলের মধ্যে অর্থপূর্ণ।

MAU এবং মনিটাইজেশন

MAU সরাসরি ARPU-এর মাধ্যমে রাজস্বের সাথে সম্পর্কিত। যদি MAU বাড়ে কিন্তু ARPU কমে — ব্যবসাটি কম সচ্ছল দর্শকদের দিকে স্কেল করছে। যদি MAU স্থিতিশীল থাকে কিন্তু ARPU বাড়ে — পণ্যটি বিদ্যমান বেসের মনিটাইজেশন বাড়াচ্ছে। আদর্শ পরিস্থিতি: ARPU সংরক্ষণ বা বৃদ্ধির সাথে MAU-এর বৃদ্ধি। MAU থেকে Revenue অনুপাত — মোবাইল অ্যাপের ইউনিট-ইকোনমিক্স মূল্যায়নের মূল সূচক।

মোবাইল অ্যাপে MAU কীভাবে বাড়ানো যায়?

MAU-এর বৃদ্ধি — প্রথমত নতুন ব্যবহারকারীর সংখ্যা বৃদ্ধি (acquisition) এবং গ্রাহক হারানো কমানো (retention)। DAU-এর বিপরীতে, যা কৌশলগত পদ্ধতিতে বাড়ানো যায়, MAU-এর জন্য দর্শক আকর্ষণ এবং ধরে রাখার পদ্ধতিগত কৌশল প্রয়োজন। নেতৃস্থানীয় মোবাইল পণ্যের অনুশীলন দ্বারা নিশ্চিত প্রধান বৃদ্ধির চ্যানেলগুলি বিবেচনা করা যাক।

জৈব acquisition: ASO এবং কন্টেন্ট

App Store Optimization (ASO) — MAU বৃদ্ধির সবচেয়ে সাশ্রয়ী উপায়। নাম, কীওয়ার্ড, আইকন এবং স্ক্রিনশট অপ্টিমাইজেশন জৈব ট্রাফিক ২০-৪০% বাড়াতে পারে। দ্বিতীয় চ্যানেল — কন্টেন্ট মার্কeting: নিবন্ধ, ভিডিও এবং কেস স্টাডি যা সার্চে র্যাঙ্ক করে এবং নতুন ব্যবহারকারী নিয়ে আসে। B2C অ্যাপের জন্য ভাইরাল মেকানিক্স কার্যকর: “বন্ধুকে আমন্ত্রণ জানান — বোনাস পান”।

পেইড আকর্ষণ (UA)

User Acquisition (UA) — পেইড চ্যানেল: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads। একটি MAU আকর্ষণের খরচ অনেক বেশি পরিবর্তিত হয়: ডেভেলপিং মার্কেটে $০.৫০ থেকে US/EU-তে $৫-৮। মূল নীতি: CAC (Customer Acquisition Cost) কমপক্ষে ৩ গুণ LTV (Lifetime Value) এর নিচে হওয়া উচিত। বিজ্ঞাপন ক্যাম্পেইনগুলি Day 30 retention ২০% এর উপরে থাকা কোহোর্টকে টার্গেট করা উচিত।

রেফারেল প্রোগ্রাম এবং ভাইরালিটি

রেফারেল মেকানিক্স — MAU-এর জৈব বৃদ্ধির চালিকাশক্তি। Dropbox রেফারেল প্রোগ্রামের মাধ্যমে ১৫ মাসে ১০০ হাজার থেকে ৪ মিলিয়ন MAU-তে পৌঁছেছে। সাফল্যের চাবিকাঠি: উভয় পক্ষের জন্য বোনাসের মূল্য (আমন্ত্রণকারী এবং আমন্ত্রিত)। মোবাইল অ্যাপের জন্য ডিপ লিংকিং সহ রেফারেল লিঙ্ক কার্যকর — নতুন ব্যবহারকারী ইনস্টল করার পর সরাসরি প্রয়োজনীয় স্ক্রিনে প্রবেশ করে।

-- ট্রাফিক উৎস অনুযায়ী MAU গণনা
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;