WAU in der mobilen Analytik: Was ist das, Aktivitätsmetrik und wie berechnet man sie

Was ist WAU in der mobilen Analytik?

WAU (Weekly Active Users) ist eine Metrik, die die Anzahl der eindeutigen Nutzer zeigt, die in den letzten 7 Kalendertagen mit der App interagiert haben. Im Gegensatz zu DAU (Daily Active Users) unterliegt WAU weniger täglichen Schwankungen und liefert ein stabileres Bild der wöchentlichen Aktivität.

Warum die Metrik WAU benötigt wird

Die Metrik ermöglicht die Bewertung der Effektivität wöchentlicher Produkt- und Marketingaktivitäten. Wenn DAU die Frage beantwortet „Wie viele Menschen sind heute gekommen“, dann beantwortet WAU „Wie viele Menschen sind diese Woche bei uns geblieben“. Dies ist kritisch wichtig für Apps mit einem Nutzungszyklus von mehreren Tagen: Fitness-Tracker, Bildungsplattformen, Nachrichtenaggregatoren.

Wann WAU statt DAU verwendet wird

In Apps mit unregelmäßigem, aber wöchentlichem Nutzungsmuster kann DAU stark schwanken. Beispielsweise in Taskplanungs-Apps melden sich Nutzer alle 2–3 Tage an — DAU würde niedrige Aktivität zeigen, während WAU das tatsächliche Engagement angemessen widerspiegelt. Die Wahl zwischen DAU und WAU hängt von der erwarteten Interaktionshäufigkeit mit dem Produkt ab.

Beziehung von WAU zu Produktmetriken

WAU korreliert mit der Day-7-Bindungsrate: Wenn ein Nutzer am Tag 7 zurückkehrt, fällt er mindestens zweimal im Monat in WAU. Teams verwenden WAU, um die Wirkung neuer Funktionen zu verfolgen: Eine Funktion am Montag starten und WAU am folgenden Sonntag messen, ergibt eine direkte Bewertung der Auswirkung der Änderung auf das wöchentliche Publikum.

SELECT
    DATE_TRUNC('week', event_date) AS week_start,
    COUNT(DISTINCT user_id) AS wau
FROM user_events
WHERE event_date >= CURRENT_DATE - INTERVAL '7 days'
    AND event_type IN ('session', 'purchase', 'content_view')
GROUP BY week_start
ORDER BY week_start DESC;

Wie wird WAU berechnet?

Die Berechnung von WAU folgt einer einfachen Formel: die Anzahl der eindeutigen Nutzer in den letzten 7 Tagen. In der Praxis werden jedoch zwei Ansätze verwendet — feste Woche (Montag–Sonntag) und gleitendes Fenster (rolling 7 days). Die Wahl der Methode beeinflusst die Dateninterpretation und die Vergleichbarkeit von Berichten.

Feste Woche vs. gleitendes Fenster

Die feste Woche ist praktisch für regelmäßige Berichte: WAU wird von Montag bis Sonntag berechnet. Das gleitende Fenster berechnet WAU für jeden Tag als Summe der eindeutigen Nutzer der letzten 7 Tage. Der zweite Ansatz erzeugt einen glatteren Graphen und wird in Echtzeit-Dashboards verwendet. Laut Amplitude (2025) verwenden 73% der Produktteams ein gleitendes Fenster für WAU.

Filtern nach Zielereignissen

Nicht jedes Öffnen der App sollte in WAU gezählt werden. Teams filtern Nutzer oft nach Zielereignissen: Inhaltsansicht, Kauf, Levelabschluss, Nachrichtensenden. Dadurch werden „passive“ Nutzer ausgeschlossen, die die App versehentlich geöffnet haben. In SQL wird ein solcher Filter über die Bedingung event_type IN (...) hinzugefügt.

Berücksichtigung von plattformübergreifenden Nutzern

Wenn ein Nutzer sowohl auf iOS als auch auf Android aktiv ist, müssen identische Identifikatoren (E-Mail, account_id) dedupliziert werden. Ohne Deduplizierung wird WAU um 15–25% aufgebläht. Verwenden Sie eine interne user_id anstelle von device_id für die korrekte Zählung. Clickhouse und Snowflake unterstützen die Deduplizierung über HyperLogLog oder Bloom-Filter.

import pandas as pd

# Lade Ereignisse der letzten 7 Tage
events = pd.read_sql('''
    SELECT user_id, event_date
    FROM user_events
    WHERE event_date >= CURRENT_DATE - 7
''', conn)

# WAU-Berechnung mit gleitendem Fenster
events['week_start'] = events['event_date'] \
    - pd.to_timedelta(events['event_date'].dt.dayofweek, unit='D')
wau = events.groupby('week_start')['user_id'] \
    .nunique().reset_index()
wau.columns = ['week_start', 'wau']
print(wau)

Häufige Fehler bei der WAU-Berechnung

Der erste Fehler ist das Zählen aller Ereignisse ohne Filterung von Zielaktionen. Wenn jedes Öffnen gezählt wird, umfasst WAU Nutzer, die die App für 5 Sekunden geöffnet und geschlossen haben. Der zweite Fehler ist das Vermischen von Zeitzonen: Ereignisse über 7 Tage sollten in einer einzigen Zeitzone (normalerweise UTC) gezählt werden. Der dritte ist das Fehlen der plattformübergreifenden Nutzerdeduplizierung, die das tatsächliche Publikumsbild verzerrt.

WAU vs DAU vs MAU: Was ist der Unterschied?

Drei Metriken — DAU, WAU und MAU — bilden eine Hierarchie des aktiven Publikums nach Zeithorizonten. DAU misst die tägliche Aktivität, WAU die wöchentliche und MAU die monatliche. Jede Metrik beantwortet ihre eigene Frage zum Nutzerverhalten und wird in verschiedenen Szenarien der Produktanalytik verwendet.

Vergleich der Zeithorizonte

DAU (Daily Active Users) ist die operativste Metrik. Sie zeigt, wie viele Nutzer heute gekommen sind. WAU glättet tägliche Spitzen und Täler, während MAU monatliche glättet. Für Apps mit täglicher Nutzung (Messenger, soziale Medien) ist DAU die primäre Metrik. Für Apps, die 1–2 Mal pro Woche genutzt werden (Fitness, Lieferung), spiegelt WAU die Aktivität genauer wider. Für saisonale oder selten genutzte Apps (Reisen, Steuern) — MAU.

Stickiness-Verhältnis

Stickiness (Klebrigkeit) ist das Verhältnis von DAU zu MAU und zeigt, wie oft Nutzer zurückkehren. Ein Wert über 20% gilt als gut. WAU wird für die Zwischenüberwachung verwendet: Wenn DAU/MAU fällt, kann man WAU/MAU überprüfen — wenn es stabil ist, liegt das Problem an der täglichen Aktivität, nicht an der Gesamtaktivität. Formel: Stickiness = DAU / MAU * 100%. Für eine gesunde App bleibt dieser Indikator im Bereich von 20–50%.

Wann jede Metrik wichtiger ist

Die Auswahl der Metrik hängt vom Geschäftszyklus des Produkts ab. In der Wachstumsphase liegt der Fokus auf DAU — es ist wichtig, die tägliche Dynamik neuer Nutzer zu sehen. In der Reifephase wird WAU zur Schlüsselmetrik: Sie zeigt, wie viele Nutzer auf wöchentlicher Basis loyal bleiben. MAU ist kritisch für Investorenberichte und die Bewertung der Gesamtreichweite. Durch die Kombination der drei Metriken erhält ein Analyst ein vollständiges Bild des Nutzerlebenszyklus.

def calculate_stickiness(dau, mau):
    return round((dau / mau) * 100, 2)

# Beispiel für DAU/MAU/WAU-Berechnung für eine hypothetische App
daily = 15000
weekly = 45000
monthly = 80000

stickiness = calculate_stickiness(daily, monthly)
wau_mau_ratio = round((weekly / monthly) * 100, 2)

print(f"Stickiness: {stickiness}%")
print(f"WAU/MAU: {wau_mau_ratio}%")

WAU-Normen nach App-Kategorie

Die Normen für WAU variieren stark zwischen den App-Kategorien. Es gibt keinen universellen „guten“ Wert — die Metrik sollte mit Benchmarks innerhalb derselben Vertikale verglichen werden. Social Media-Apps zeigen die höchsten WAU-Werte im Verhältnis zu MAU, während E-Commerce- und Reise-Apps aufgrund unregelmäßiger Nutzungsmuster niedrigere Werte aufweisen.

WAU nach App-Kategorie

Laut dem Adjust Mobile Benchmarks 2025-Bericht beträgt das mediane WAU/MAU-Verhältnis für verschiedene Kategorien: Soziale Medien — 0.65, Gaming — 0.55, E-Commerce — 0.35, Fintech — 0.45, Gesundheit & Fitness — 0.40. Das bedeutet, dass in sozialen Netzwerken 65% der monatlichen Nutzer wöchentlich aktiv sind, während es im E-Commerce nur 35% sind. Werte unter dem Median deuten auf ein Engagement-Problem oder ein falsch gewähltes Messintervall hin.

Faktoren, die WAU beeinflussen

Saisonalität ist der erste Faktor. Essensliefer-Apps zeigen einen WAU-Höhepunkt am Freitag und Samstag, Fitness-Apps — im Januar und vor dem Sommer. Push-Benachrichtigungen sind der zweite Faktor: Eine gut gestaltete Kampagne kann WAU in einer Woche um 15–30% steigern. Der dritte Faktor sind App-Updates: Nach einer großen Veröffentlichung wächst WAU normalerweise innerhalb von zwei Wochen um 10–20% und stabilisiert sich dann auf einem neuen Niveau.

Wie erhöht man WAU in einer mobilen App?

WAU zu steigern ist eine Aufgabe, die mit einer Kombination aus Produkt- und Marketing-Tools gelöst wird. Im Gegensatz zu DAU, das mit einer einmaligen Aktion gesteigert werden kann, erfordert WAU systematische Arbeit an der Rückkehr der Nutzer auf wöchentlicher Basis. Schauen wir uns die wichtigsten Strategien an, die durch die Praxis großer mobiler Produkte bestätigt wurden.

Personalisierte Push-Benachrichtigungen

Push-Kampagnen sind der schnellste Weg, um WAU zu beeinflussen. Laut Airship (2025) erhöhen personalisierte Push-Benachrichtigungen WAU in der ersten Woche um 20–25%. Es ist wichtig, das Publikum nach Nutzungshäufigkeit zu segmentieren: „schlafenden“ Nutzern (5+ Tage nicht eingeloggt) motivierende Nachrichten senden, aktiven Nutzern informative. Timing ist wichtig: Für Fitness-Apps ist die beste Zeit der Morgen, für Spiele der Abend.

Wöchentliche Herausforderungen und Events

Die Mechanik wöchentlicher Aktivitäten ist einer der effektivsten Treiber für WAU. Spiele verwenden wöchentliche Events mit besonderen Belohnungen, Fitness-Apps nutzen „7 Tage ohne Aussetzen“-Herausforderungen und E-Commerce wöchentliche Rabatte für Abonnenten. Das Schlüsselprinzip: Die Aktivität muss zeitlich begrenzt sein (7 Tage), um FOMO zu erzeugen und den Nutzer zur Rückkehr zu motivieren.

E-Mail- und SMS-Erinnerungen

Nicht alle Nutzer erlauben Push-Benachrichtigungen. Für sie sind E-Mail-Newsletter und SMS mit wöchentlichen Zusammenfassungen effektiv: „Ihre wöchentlichen Statistiken,“ „Neue Blog-Artikel,“ „Angesehene Produkte.“ Die Öffnungsrate von E-Mails mit persönlichen Statistiken ist 40% höher als bei Standard-Newslettern. Die Kombination von Push + E-Mail ergibt den maximalen WAU-Anstieg — bis zu 35% pro Monat.

-- Benutzer, die länger als 5 Tage inaktiv sind (Ziel für Reaktivierung)
SELECT user_id, MAX(event_date) AS last_active
FROM user_events
GROUP BY user_id
HAVING MAX(event_date) < CURRENT_DATE - INTERVAL '5 days'
    AND MAX(event_date) > CURRENT_DATE - INTERVAL '14 days';