MAU in der mobilen Analyse — was es ist, Metrik der monatlichen Nutzer und wie man sie berechnet

Was ist MAU in der mobilen Analyse?

MAU (monatlich aktive Nutzer) — eine Kennzahl, die die Anzahl der eindeutigen Nutzer zeigt, die in den letzten 30 Kalendertagen eine Zielaktion in der App durchgeführt haben. Im Gegensatz zu DAU reagiert MAU nicht empfindlich auf tägliche Schwankungen und liefert ein stabiles Bild der Größe der aktiven Basis. Dies ist der Berichtsstandard für öffentliche Technologieunternehmen: Facebook, Spotify, Uber und andere berichten MAU in ihren Quartalsergebnissen.

Warum MAU die Nummer-eins-Metrik für Investoren ist

Investoren bewerten den Geschäftsumfang genau anhand von MAU. Die Kennzahl zeigt, wie viele Nutzer das Produkt über einen Monat hält — der Mindesthorizont zur Bewertung des Product-Market-Fit. Facebook berichtet seit 2012 über MAU, und das Wachstum dieser Kennzahl korreliert direkt mit der Marktkapitalisierung des Unternehmens. Für Startups ist MAU eine der wichtigsten Kennzahlen in Pitch-Decks und Finanzierungsrunden.

MAU im Kontext der Produktanalyse

In der Produktanalyse wird MAU als Eingabemetrik für viele Berechnungen verwendet. Sie bildet die Grundlage für das MAU/DAU-Verhältnis (Stickiness), ARPU (durchschnittlicher Umsatz pro Nutzer) und LTV (Kundenwert). Ohne genaue MAU ist es unmöglich, die Konversion zu zahlenden Nutzern und die Effektivität der Marketingkanäle korrekt zu bewerten. MAU ist die Grundlage der Metrikpyramide, auf der alle anderen Monetarisierungs- und Engagement-Indikatoren aufbauen.

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;

Wie wird MAU berechnet?

Die Berechnung von MAU erscheint auf den ersten Blick einfach: eindeutige Nutzer in 30 Tagen zählen. In der Praxis ergeben sich jedoch mehrere Nuancen, die die Genauigkeit beeinflussen. Die Wahl der Berechnungsmethode — Kalendermonat oder gleitendes Fenster — bestimmt, wie gut die Kennzahl die tatsächliche Nutzeraktivität in der mobilen Entwicklung widerspiegelt.

Kalendermonat vs. gleitendes Fenster

Der Kalendermonat ist der traditionelle Ansatz: MAU wird vom 1. bis zum letzten Tag des Monats berechnet. Er ist für die Berichterstattung praktisch, erzeugt jedoch Artefakte: Wenn zum Beispiel am 30. ein Absturz auftritt, wird der MAU für den Monat unterschätzt. Das gleitende Fenster (30-Tage-Rolling) liefert eine glattere Kennzahl, ist aber für die periodische Berichterstattung komplexer. Laut Mixpanel (2025) verwenden 80% der Produktteams den Kalendermonat für externe Berichte und das gleitende Fenster für interne Dashboards.

Deduplizierung plattformübergreifender Nutzer

Ein und derselbe Nutzer kann von mehreren Geräten auf die App zugreifen: iPhone und iPad, Android-Tablet und Desktop. Ohne Deduplizierung wird MAU um 20-40% aufgebläht. Die beste Praxis ist die Verwendung einer einzigen account_id für alle Plattformen. Wenn der Nutzer nicht authentifiziert ist, verwenden Sie eine Kombination aus device_id + Advertising ID (IDFA auf iOS, GAID auf Android) mit anschließender Deduplizierung bei der Anmeldung.

Berücksichtigung inaktiver Nutzer

Wer gilt als aktiver Nutzer? Die Mindestaktion ist das Öffnen der App (Sitzungsbeginn). Viele Teams legen jedoch eine Schwelle fest: eine Sitzung länger als 10 Sekunden oder die Durchführung mindestens einer Zielaktion. Dies schließt versehentliche Öffnungen und Bots aus. Unterschiedliche Schwellenwerte für die Aktivität führen zu Abweichungen von 10-30% bei MAU, daher muss die Methodik festgelegt und zwischen den Zeiträumen nicht geändert werden.

Automatisierung der MAU-Berechnung

Die meisten Unternehmen automatisieren die MAU-Berechnung über ETL-Pipelines. Daten von Firebase, Amplitude oder eigenen Servern werden in Clickhouse oder Snowflake aggregiert. Die tägliche Neuberechnung von MAU ermöglicht es, Trends in Echtzeit zu erkennen. Wichtig: Bei einer Änderung der Methodik (z. B. Aktivitätsschwelle) berechnen Sie MAU für vorherige Zeiträume neu, um die Vergleichbarkeit der Daten zu gewährleisten.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filter für minimale Sitzungsdauer
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Gleitendes 30-Tage-Fenster
    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: Hierarchie der Metriken

Drei Metriken — DAU, WAU und MAU — bilden ein System zur Bewertung des aktiven Publikums über verschiedene Zeiträume hinweg. Zusammen liefern sie ein umfassendes Bild der Produktgesundheit. Ein Analyst, der nur auf MAU schaut, riskiert, tägliche Probleme zu übersehen; wer nur auf DAU schaut, verpasst den strategischen Trend.

Beziehung zwischen DAU, WAU und MAU

Die Beziehung der Metriken folgt einem einfachen Muster: DAU ≤ WAU ≤ MAU. Die Lücke zwischen DAU und MAU zeigt, wie gleichmäßig die Nutzer über die Tage des Monats verteilt sind. Wenn DAU 10% von MAU ausmacht — besuchen Nutzer selten (z. B. eine Hotelbuchungs-App). Wenn DAU 50% von MAU ausmacht — wird die App fast täglich genutzt (soziale Netzwerke, Messenger). Das Verhältnis DAU/MAU wird als Stickiness bezeichnet und ist ein standardmäßiger Engagement-Indikator.

Stickiness: Der wichtigste Engagement-Indikator

Stickiness = DAU / MAU * 100%. Ein Wert über 50% ist ausgezeichnet für jede App. Ein Wert von 20-50% ist normal für die meisten Produkte. Ein Wert unter 20% signalisiert ein Bindungsproblem. Stickiness ist unabhängig vom Umfang: Eine App mit 1 Million MAU und ein Startup mit 10.000 MAU können die gleiche Stickiness aufweisen. Dies macht die Kennzahl für Benchmarking und den Vergleich von Produkten innerhalb derselben Kategorie geeignet.

MAU-Normen nach App-Kategorie

Die MAU-Normen hängen von der Kategorie, der Geografie und der Reife des Produkts ab. Anstelle von absoluten Werten verwenden Analysten die MAU-Dynamik (Monats-über-Monats-Wachstum) und Beziehungen zu anderen Metriken. Ein MAU-Wachstum von 10% Monat für Monat gilt als gut für ein reifes Produkt, 30%+ für ein schnell wachsendes.

MAU-Benchmarks nach Kategorie

Laut dem App Annie State of Mobile 2025-Bericht variiert der mediane MAU je nach Kategorie. Soziale Medien: 50-500 Millionen (globale Player), Gaming: 1-50 Millionen, E-Commerce: 100.000 — 10 Millionen, Fintech: 500.000 — 20 Millionen. Diese Zahlen hängen stark von der Region ab: Eine App mit 1 Million MAU in den USA kann als groß gelten, in Indien — als mittelgroß. Der Vergleich von MAU ist nur innerhalb derselben Kategorie und geografischen Region sinnvoll.

MAU und Monetarisierung

MAU ist direkt mit dem Umsatz über ARPU verbunden. Wenn MAU wächst, während ARPU fällt, skaliert das Geschäft auf ein weniger zahlungskräftiges Publikum. Wenn MAU stabil ist, während ARPU wächst, steigert das Produkt die Monetarisierung seiner bestehenden Basis. Das Idealszenario: MAU-Wachstum bei gleichzeitiger Beibehaltung oder Steigerung des ARPU. Das Verhältnis von MAU zum Umsatz ist ein Schlüsselindikator für die Bewertung der Unit-Ökonomie einer mobilen App.

Wie steigert man MAU in einer mobilen App?

MAU-Wachstum bedeutet in erster Linie die Steigerung der Anzahl neuer Nutzer (Akquisition) und die Verringerung der Abwanderung (Bindung). Im Gegensatz zu DAU, das mit taktischen Methoden gesteigert werden kann, erfordert MAU eine systematische Strategie zur Gewinnung und Bindung von Nutzern. Lassen Sie uns die wichtigsten Wachstumskanäle erkunden, die durch die Praxis führender mobiler Produkte bestätigt wurden.

Organische Akquisition: ASO und Content

App Store Optimization (ASO) ist der kostengünstigste Weg, MAU zu steigern. Die Optimierung von Titel, Keywords, Icon und Screenshots kann den organischen Traffic um 20-40% steigern. Der zweite Kanal ist Content-Marketing: Artikel, Videos und Fallstudien, die in der Suche ranken und neue Nutzer bringen. Für B2C-Apps sind virale Mechanismen wirksam: „lade einen Freund ein — erhalte einen Bonus.“

Bezahlte Nutzerakquisition (UA)

User Acquisition (UA) — bezahlte Kanäle: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Die Kosten für die Akquisition eines MAU variieren stark: von 0,50 $ in Entwicklungsländern bis zu 5-8 $ in den USA/EU. Das Schlüsselprinzip: CAC (Kundenakquisitionskosten) sollte mindestens 3-mal niedriger sein als LTV (Kundenwert). Werbekampagnen sollten auf Kohorten mit einer Day-30-Bindung von über 20% abzielen.

Empfehlungsprogramme und Viralität

Empfehlungsmechaniken sind ein Treiber für organisches MAU-Wachstum. Dropbox wuchs dank seines Empfehlungsprogramms in 15 Monaten von 100.000 auf 4 Millionen MAU. Der Schlüssel zum Erfolg: der Wert des Bonus für beide Seiten (der Einladende und der Eingeladene). Für mobile Apps sind Empfehlungslinks mit Deep Linking effektiv — der neue Nutzer gelangt nach der Installation direkt zum gewünschten Bildschirm.

-- MAU-Berechnung nach Traffic-Quelle aufgeschlüsselt
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;