WAU στην κινητή ανάλυση: τι είναι, μετρική δραστηριότητας και πώς να υπολογίσετε

Τι είναι το WAU στην κινητή ανάλυση;

WAU (Weekly Active Users) — είναι μια μετρική που δείχνει τον αριθμό των μοναδικών χρηστών που αλληλεπίδρασαν με την εφαρμογή τις τελευταίες 7 ημερολογιακές ημέρες. Σε αντίθεση με το DAU (Daily Active Users), το WAU είναι λιγότερο επιρρεπές σε καθημερινές διακυμάνσεις και δίνει μια πιο σταθερή εικόνα της εβδομαδιαίας δραστηριότητας.

Γιατί χρειάζεται η μετρική WAU

Η μετρική επιτρέπει την αξιολόγηση της αποτελεσματικότητας των εβδομαδιαίων δραστηριοτήτων προϊόντος και μάρκετινγκ. Αν το DAU απαντά στην ερώτηση “πόσοι άνθρωποι ήρθαν σήμερα”, το WAU “πόσοι άνθρωποι έμειναν μαζί μας αυτή την εβδομάδα”. Αυτό είναι κρίσιμο για εφαρμογές με κύκλο χρήσης αρκετών ημερών: ιχνηλάτες φυσικής κατάστασης, εκπαιδευτικές πλατφόρμες, συγκεντρωτές ειδήσεων.

Πότε χρησιμοποιείται το WAU αντί για DAU

Σε εφαρμογές με ακανόνιστο αλλά εβδομαδιαίο μοτίβο χρήσης, το DAU μπορεί να παρουσιάζει έντονες διακυμάνσεις. Για παράδειγμα, σε εφαρμογές προγραμματισμού εργασιών οι χρήστες συνδέονται κάθε 2-3 ημέρες — το DAU θα δείξει χαμηλή δραστηριότητα, ενώ το WAU θα αντικατοπτρίζει επαρκώς την πραγματική δέσμευση. Η επιλογή μεταξύ DAU και WAU εξαρτάται από την αναμενόμενη συχνότητα αλληλεπίδρασης με το προϊόν.

Σύνδεση του WAU με μετρικές προϊόντος

WAU συσχετίζεται με τον δείκτη διατήρησης Day 7: αν ο χρήστης επιστρέψει την 7η ημέρα, εισέρχεται στο WAU τουλάχιστον δύο φορές το μήνα. Οι ομάδες χρησιμοποιούν το WAU για την παρακολούθηση της επίδρασης νέων λειτουργιών: η κυκλοφορία μιας λειτουργίας τη Δευτέρα και η μέτρηση του WAU την επόμενη Κυριακή δίνει άμεση αξιολόγηση της επίδρασης της αλλαγής στο εβδομαδιαίο κοινό.

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;

Πώς υπολογίζεται το WAU;

Υπολογισμός του WAU γίνεται με έναν απλό τύπο: αριθμός μοναδικών χρηστών τις τελευταίες 7 ημέρες. Ωστόσο, στην πράξη εφαρμόζονται δύο προσεγγίσεις — σταθερή εβδομάδα (Monday-Sunday) και συρόμενο παράθυρο (rolling 7 days). Η επιλογή της μεθόδου επηρεάζει την ερμηνεία των δεδομένων και τη συγκρισιμότητα των αναφορών.

Σταθερή εβδομάδα έναντι συρόμενου παραθύρου

Η σταθερή εβδομάδα είναι βολική για τακτική αναφορά: το WAU υπολογίζεται από Δευτέρα έως Κυριακή. Το συρόμενο παράθυρο υπολογίζει το WAU για κάθε ημέρα ως το άθροισμα μοναδικών χρηστών από τις προηγούμενες 7 ημέρες. Η δεύτερη προσέγγιση δίνει ένα πιο ομαλό γράφημα και χρησιμοποιείται σε πίνακες ελέγχου πραγματικού χρόνου. Σύμφωνα με τα δεδομένα της Amplitude (2025), το 73% των ομάδων προϊόντος χρησιμοποιεί συρόμενο παράθυρο για το WAU.

Φιλτράρισμα κατά στοχευμένα συμβάντα

Δεν πρέπει κάθε άνοιγμα της εφαρμογής να λαμβάνεται υπόψη στο WAU. Οι ομάδες συχνά φιλτράρουν τους χρήστες κατά στοχευμένα συμβάντα: προβολή περιεχομένου, αγορά, ολοκλήρωση επιπέδου, αποστολή μηνύματος. Αυτό αποκλείει “παθητικούς” χρήστες που άνοιξαν την εφαρμογή κατά λάθος. Στην SQL, ένα τέτοιο φίλτρο προστίθεται μέσω της συνθήκης event_type IN (...).

Λογαριασμός χρηστών cross-platform

Εάν ένας χρήστης είναι ενεργός σε iOS και Android, τα ίδια αναγνωριστικά (email, account_id) πρέπει να αφαιρεθούν ως διπλότυπα. Χωρίς αφαίρεση διπλοτύπων, το WAU θα είναι υπερεκτιμημένο κατά 15-25%. Χρησιμοποιήστε εσωτερικό user_id αντί για device_id για σωστή καταμέτρηση. Τα Clickhouse και Snowflake υποστηρίζουν αφαίρεση διπλοτύπων μέσω HyperLogLog ή φίλτρων Bloom.

import pandas as pd

# Φόρτωση συμβάντων των τελευταίων 7 ημερών
events = pd.read_sql('''
    SELECT user_id, event_date
    FROM user_events
    WHERE event_date >= CURRENT_DATE - 7
''', conn)

# Υπολογισμός WAU με συρόμενο παράθυρο
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)

Τυπικά λάθη στον υπολογισμό WAU

Πρώτο λάθος — λήψη υπόψη όλων των συμβάντων χωρίς φιλτράρισμα στοχευμένων ενεργειών. Εάν μετρηθούν όλα τα ανοίγματα, το WAU θα περιλαμβάνει χρήστες που μπήκαν για 5 δευτερόλεπτα και έκλεισαν την εφαρμογή. Δεύτερο λάθος — ανάμειξη ζωνών ώρας: τα συμβάντα 7 ημερών πρέπει να υπολογίζονται σε μία ενιαία ζώνη ώρας (συνήθως UTC). Τρίτο — έλλειψη αφαίρεσης διπλοτύπων χρηστών cross-platform, που παραμορφώνει την πραγματική εικόνα του κοινού.

WAU vs DAU vs MAU: ποια είναι η διαφορά;

Τρεις μετρικές — DAU, WAU και MAU — σχηματίζουν μια ιεραρχία ενεργού κοινού ανά χρονικούς ορίζοντες. Το DAU μετρά την καθημερινή δραστηριότητα, το WAU — την εβδομαδιαία, το MAU — τη μηνιαία. Κάθε μετρική απαντά στη δική της ερώτηση σχετικά με τη συμπεριφορά των χρηστών και χρησιμοποιείται σε διαφορετικά σενάρια ανάλυσης προϊόντος.

Σύγκριση χρονικών οριζόντων

DAU (Daily Active Users) — η πιο λειτουργική μετρική. Δείχνει πόσοι χρήστες ήρθαν σήμερα. Το WAU εξομαλύνει τις καθημερινές κορυφές και πτώσεις, και το MAU — τις μηνιαίες. Για εφαρμογές με καθημερινή χρήση (messenger, μέσα κοινωνικής δικτύωσης) το DAU είναι η κύρια μετρική. Για εφαρμογές που χρησιμοποιούνται 1-2 φορές την εβδομάδα (φυσική κατάσταση, παράδοση) το WAU αντικατοπτρίζει πιο accurately τη δραστηριότητα. Για εποχικές ή σπάνια χρησιμοποιούμενες εφαρμογές (ταξίδια, φόροι) — MAU.

Συντελεστής Stickiness

Stickiness (προσκόλληση) — η αναλογία DAU προς MAU, που δείχνει πόσο συχνά επιστρέφουν οι χρήστες. Η τιμή άνω του 20% θεωρείται καλή. Το WAU χρησιμοποιείται για ενδιάμεσο έλεγχο: αν το DAU/MAU πέσει, μπορεί να ελεγχθεί WAU/MAU — αν είναι σταθερό, το πρόβλημα βρίσκεται στην καθημερινή, όχι στη γενική δραστηριότητα. Τύπος: Stickiness = DAU / MAU * 100%. Για μια υγιή εφαρμογή, αυτός ο δείκτης παραμένει στο εύρος 20-50%.

Ποια μετρική είναι πιο σημαντική και πότε

Η επιλογή μετρικής εξαρτάται από τον επιχειρηματικό κύκλο του προϊόντος. Στη φάση ανάπτυξης, η εστίαση είναι στο DAU — είναι σημαντικό να βλέπουμε την καθημερινή δυναμική νέων χρηστών. Στη φάση ωριμότητας, το WAU γίνεται η βασική μετρική: δείχνει πόσοι χρήστες παραμένουν πιστοί σε εβδομαδιαίο ορίζοντα. Το MAU είναι κρίσιμο για αναφορές σε επενδυτές και αξιολόγηση συνολικής εμβέλειας. Συνδυάζοντας τις τρεις μετρικές, ο αναλυτής αποκτά πλήρη εικόνα του κύκλου ζωής του χρήστη.

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

# Παράδειγμα υπολογισμού DAU/MAU WAU για υποθετική εφαρμογή
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}%")

Πρότυπα WAU ανά κατηγορία εφαρμογής

Πρότυπα WAU διαφέρουν σημαντικά μεταξύ κατηγοριών εφαρμογών. Δεν υπάρχει καθολική “καλή” τιμή — η μετρική πρέπει να συγκρίνεται με δείκτες αναφοράς εντός της ίδιας κάθετης αγοράς. Οι εφαρμογές μέσων κοινωνικής δικτύωσης εμφανίζουν τις υψηλότερες τιμές WAU σε σχέση με το MAU, ενώ το ηλεκτρονικό εμπόριο και οι ταξιδιωτικές εφαρμογές — χαμηλότερες λόγω ακανόνιστου μοτίβου χρήσης.

WAU ανά κατηγορία εφαρμογής

Σύμφωνα με την έκθεση Adjust Mobile Benchmarks 2025, η διάμεση αναλογία WAU/MAU για διάφορες κατηγορίες είναι: Social Media — 0.65, Gaming — 0.55, E-commerce — 0.35, Fintech — 0.45, Health & Fitness — 0.40. Αυτό σημαίνει ότι στα μέσα κοινωνικής δικτύωσης, το 65% των μηνιαίων χρηστών είναι ενεργοί εβδομαδιαία, και στο ηλεκτρονικό εμπόριο — μόνο 35%. Τιμές κάτω από τη διάμεσο υποδηλώνουν πρόβλημα δέσμευσης ή λανθασμένα επιλεγμένο διάστημα μέτρησης.

Παράγοντες που επηρεάζουν το WAU

Εποχικότητα — πρώτος παράγοντας. Οι εφαρμογές παράδοσης φαγητού εμφανίζουν κορύφωση WAU την Παρασκευή και το Σάββατο, οι εφαρμογές φυσικής κατάστασης — τον Ιανουάριο και πριν από το καλοκαίρι. Ειδοποιήσεις push — δεύτερος παράγοντας: μια σωστή καμπάνια μπορεί να αυξήσει το WAU κατά 15-30% σε μια εβδομάδα. Τρίτος παράγοντας — ενημερώσεις εφαρμογής: μετά από μια μεγάλη κυκλοφορία, το WAU συνήθως αυξάνεται κατά 10-20% μέσα σε δύο εβδομάδες και στη συνέχεια σταθεροποιείται σε νέο επίπεδο.

Πώς να αυξήσετε το WAU σε μια κινητή εφαρμογή;

Αύξηση του WAU είναι ένα έργο που επιλύεται με συνδυασμό εργαλείων προϊόντος και μάρκετινγκ. Σε αντίθεση με το DAU, το οποίο μπορεί να αυξηθεί με μία εφάπαξ ενέργεια, το WAU απαιτεί συστηματική εργασία για την επιστροφή των χρηστών σε εβδομαδιαίο ορίζοντα. Ας εξετάσουμε τις κύριες στρατηγικές που επιβεβαιώνονται από την πρακτική μεγάλων κινητών προϊόντων.

Push ειδοποιήσεις με εξατομίκευση

Εκστρατείες push — ο ταχύτερος τρόπος να επηρεάσετε το WAU. Σύμφωνα με τα δεδομένα της Airship (2025), οι εξατομικευμένες push ειδοποιήσεις αυξάνουν το WAU κατά 20-25% την πρώτη εβδομάδα. Είναι σημαντικό να τμηματοποιείτε το κοινό ανά συχνότητα χρήσης: στους “κοιμώμενους” χρήστες (δεν έχουν συνδεθεί για 5+ ημέρες) στείλτε παρακινητικά μηνύματα, στους ενεργούς — ενημερωτικά. Ο συγχρονισμός έχει σημασία: για εφαρμογές φυσικής κατάστασης, η καλύτερη ώρα είναι το πρωί, για παιχνίδια — το βράδυ.

Εβδομαδιαίες προκλήσεις και εκδηλώσεις

Η μηχανική των εβδομαδιαίων δραστηριοτήτων — ένας από τους πιο αποτελεσματικούς οδηγούς του WAU. Τα παιχνίδια χρησιμοποιούν εβδομαδιαίες εκδηλώσεις με ειδικές ανταμοιβές, οι εφαρμογές φυσικής κατάστασης — προκλήσεις “7 ημέρες χωρίς διακοπή”, το ηλεκτρονικό εμπόριο — εβδομαδιαίες εκπτώσεις για συνδρομητές. Η βασική αρχή: η δραστηριότητα πρέπει να είναι χρονικά περιορισμένη (7 ημέρες) για να δημιουργηθεί FOMO και να παρακινηθεί ο χρήστης να επιστρέψει.

Υπενθυμίσεις email και SMS

Δεν επιτρέπουν όλοι οι χρήστες τις push ειδοποιήσεις. Για αυτούς, είναι αποτελεσματικά τα ενημερωτικά email και τα SMS με εβδομαδιαία περίληψη: “Τα στατιστικά σας για την εβδομάδα”, “Νέα άρθρα στο ιστολόγιο”, “Προϊόντα που είδατε”. Το ποσοστό ανοίγματος email με προσωπικά στατιστικά είναι 40% υψηλότερο από τα τυπικά ενημερωτικά. Ο συνδυασμός push + email δίνει τη μέγιστη αύξηση WAU — έως 35% το μήνα.

-- Χρήστες ανενεργοί για πάνω από 5 ημέρες (στόχος για reactivation)
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';