MAU در تحلیل موبایل — چیست، متریک مخاطبان ماهانه و نحوه محاسبه

MAU در تحلیل موبایل چیست؟

MAU (Monthly Active Users) — متریکی که تعداد کاربران منحصربه‌فردی را نشان می‌دهد که در ۳۰ روز تقویمی گذشته یک اقدام هدفمند در برنامه انجام داده‌اند. برخلاف DAU، MAU به نوسانات روزانه حساس نیست و تصویری پایدار از اندازه پایگاه فعال ارائه می‌دهد. این استاندارد گزارش‌دهی برای شرکت‌های فناوری عمومی است: فیسبوک، اسپاتیفای، اوبر و دیگران MAU را در گزارش‌های سه‌ماهه خود ذکر می‌کنند.

چرا MAU متریک شماره یک برای سرمایه‌گذاران است

سرمایه‌گذاران مقیاس کسب‌وکار را دقیقاً بر اساس MAU ارزیابی می‌کنند. این متریک نشان می‌دهد که محصول چند کاربر را در طول یک ماه حفظ می‌کند — حداقل افق برای ارزیابی تناسب محصول با بازار. فیسبوک از سال ۲۰۱۲ MAU را گزارش می‌دهد و رشد این متریک مستقیماً با سرمایه شرکت همبستگی دارد. برای استارتاپ‌ها، MAU یکی از شاخص‌های کلیدی در pitch-deckها و دورهای تأمین مالی است.

MAU در زمینه تحلیل محصول

در تحلیل محصول، MAU به عنوان متریک ورودی برای بسیاری از محاسبات استفاده می‌شود. بر اساس آن، نسبت MAU/DAU (Stickiness)، ARPU (Average Revenue Per User) و LTV (Lifetime Value) محاسبه می‌شود. بدون MAU دقیق، نمی‌توان تبدیل به کاربران پرداخت‌کننده و اثربخشی کانال‌های بازاریابی را به درستی ارزیابی کرد. MAU اساس هرم متریک‌هاست که سایر شاخص‌های درآمدزایی و تعامل بر آن بنا می‌شوند.

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 چگونه محاسبه می‌شود؟

محاسبه MAU در نگاه اول ساده است: شمارش کاربران منحصربه‌فرد در ۳۰ روز. اما در عمل چندین نکته ظریف بر دقت تأثیر می‌گذارد. انتخاب روش محاسبه — ماه تقویمی یا پنجره متحرک — تعیین می‌کند که متریک تا چه حد با فعالیت واقعی کاربران در توسعه موبایل مطابقت دارد.

ماه تقویمی در مقابل پنجره متحرک

ماه تقویمی — رویکرد سنتی: MAU از اول تا آخرین روز ماه محاسبه می‌شود. برای گزارش‌دهی راحت است، اما مصنوعاتی ایجاد می‌کند: مثلاً اگر در روز ۳۰ خرابی رخ دهد، MAU ماه پایین‌تر خواهد بود. پنجره متحرک (rolling 30 days) متریک نرم‌تری ارائه می‌دهد، اما برای گزارش‌دهی دوره‌ای پیچیده‌تر است. طبق داده‌های Mixpanel (2025)، ۸۰٪ تیم‌های محصول از ماه تقویمی برای گزارش‌های خارجی و از پنجره متحرک برای داشبوردهای داخلی استفاده می‌کنند.

حذف تکراری‌های کاربران بین‌پلتفرمی

یک کاربر می‌تواند از چندین دستگاه وارد برنامه شود: آیفون و آیپد، تبلت اندروید و دسکتاپ. بدون حذف تکراری، MAU ۲۰-۴۰٪ بالاتر خواهد بود. بهترین روش استفاده از account_id یکپارچه برای همه پلتفرم‌هاست. اگر کاربر وارد نشده است، از ترکیب device_id + Advertising ID (IDFA در iOS، GAID در Android) با حذف تکراری بعدی هنگام ورود استفاده کنید.

حساب‌سازی کاربران غیرفعال

چه کسی کاربر فعال محسوب می‌شود؟ حداقل اقدام — باز کردن برنامه (شروع جلسه). با این حال، بسیاری از تیم‌ها آستانه تعیین می‌کنند: جلسه طولانی‌تر از ۱۰ ثانیه یا انجام حداقل یک اقدام هدفمند. این کار باز کردن‌های تصادفی و ربات‌ها را حذف می‌کند. آستانه‌های مختلف فعالیت منجر به تفاوت ۱۰-۳۰٪ در MAU می‌شود، بنابراین روش‌شناسی باید ثابت و بدون تغییر بین دوره‌ها باشد.

خودکارسازی محاسبه MAU

بیشتر شرکت‌ها محاسبه MAU را از طریق خطوط لوله ETL خودکار می‌کنند. داده‌های Firebase، Amplitude یا سرورهای خود در Clickhouse یا Snowflake جمع‌آوری می‌شوند. محاسبه مجدد روزانه MAU امکان مشاهده روندها را در زمان واقعی فراهم می‌کند. مهم: هنگام تغییر روش‌شناسی (مثلاً آستانه فعالیت)، MAU را برای دوره‌های قبلی دوباره محاسبه کنید تا قابلیت مقایسه داده‌ها حفظ شود.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # فیلتر بر اساس حداقل طول جلسه
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # پنجره متحرک ۳۰ روزه
    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 در مقابل WAU در مقابل MAU: سلسله‌مراتب متریک‌ها

سه متریک — DAU، WAU و MAU — یک سیستم ارزیابی مخاطبان فعال در افق‌های زمانی مختلف را تشکیل می‌دهند. با هم، تصویر جامعی از سلامت محصول ارائه می‌دهند. تحلیلی که فقط به MAU نگاه می‌کند، خطر از دست دادن مشکلات روزانه را دارد؛ کسی که فقط به DAU نگاه می‌کند، روند استراتژیک را نمی‌بیند.

ارتباط بین DAU، WAU و MAU

نسبت متریک‌ها با یک قاعده ساده توصیف می‌شود: DAU ≤ WAU ≤ MAU. شکاف بین DAU و MAU نشان می‌دهد که کاربران چقدر به طور مساوی در روزهای ماه توزیع شده‌اند. اگر DAU ۱۰٪ MAU باشد — کاربران به ندرت وارد می‌شوند (مثلاً برنامه رزرو هتل). اگر DAU ۵۰٪ MAU باشد — برنامه تقریباً روزانه استفاده می‌شود (شبکه‌های اجتماعی، پیام‌رسان‌ها). ضریب DAU/MAU Stickiness نامیده می‌شود و شاخص استاندارد تعامل است.

Stickiness: شاخص اصلی تعامل

Stickiness = DAU / MAU * ۱۰۰٪. مقدار بالای ۵۰٪ — شاخص عالی برای هر برنامه. مقدار ۲۰-۵۰٪ — نرمال برای بیشتر محصولات. مقدار زیر ۲۰٪ — نشانه مشکل بازگشت‌پذیری. Stickiness به مقیاس بستگی ندارد: برنامه با ۱ میلیون MAU و استارتاپ با ۱۰ هزار MAU می‌توانند شاخص یکسانی داشته باشند. این امر متریک را برای محک‌زدن و مقایسه محصولات در یک دسته مناسب می‌کند.

هنجارهای MAU بر اساس دسته‌بندی برنامه‌ها

هنجارهای MAU به دسته‌بندی، جغرافیا و بلوغ محصول بستگی دارد. تحلیل‌گران به جای مقادیر مطلق از پویایی MAU (رشد ماه به ماه) و نسبت با سایر متریک‌ها استفاده می‌کنند. رشد MAU ۱۰٪ ماه به ماه برای محصول بالغ خوب در نظر گرفته می‌شود، ۳۰٪+ — برای محصول با رشد سریع.

محک‌های MAU بر اساس دسته‌بندی

طبق داده‌های گزارش App Annie State of Mobile 2025، میانه MAU برای دسته‌بندی‌های مختلف متفاوت است. شبکه‌های اجتماعی: ۵۰-۵۰۰ میلیون (بازیکنان جهانی)، بازی: ۱-۵۰ میلیون، تجارت الکترونیک: ۱۰۰ هزار — ۱۰ میلیون، فین‌تک: ۵۰۰ هزار — ۲۰ میلیون. این اعداد به شدت به منطقه بستگی دارد: برنامه با ۱ میلیون MAU در ایالات متحده ممکن است بزرگ در نظر گرفته شود، در هند — متوسط. مقایسه MAU فقط در یک دسته و یک منطقه جغرافیایی معنا دارد.

MAU و درآمدزایی

MAU مستقیماً از طریق ARPU با درآمد مرتبط است. اگر MAU رشد کند و ARPU کاهش یابد — کسب‌وکار به سمت مخاطبان کم‌توان‌تر مقیاس‌پذیری می‌کند. اگر MAU پایدار باشد و ARPU رشد کند — محصول درآمدزایی از پایگاه موجود را افزایش می‌دهد. سناریوی ایده‌آل: رشد MAU با حفظ یا رشد ARPU. نسبت MAU به درآمد — شاخص کلیدی برای ارزیابی اقتصاد واحد یک برنامه موبایل.

چگونه MAU را در برنامه موبایل افزایش دهیم؟

رشد MAU — اول از همه افزایش تعداد کاربران جدید (جذب) و کاهش ریزش (حفظ) است. برخلاف DAU که با روش‌های تاکتیکی قابل افزایش است، MAU به استراتژی سیستماتیک جذب و نگهداری مخاطب نیاز دارد. بیایید کانال‌های اصلی رشد تأیید شده توسط عملکرد محصولات پیشرو موبایل را بررسی کنیم.

جذب ارگانیک: ASO و محتوا

App Store Optimization (ASO) — اقتصادی‌ترین روش رشد MAU. بهینه‌سازی نام، کلمات کلیدی، آیکون و تصاویر صفحه می‌تواند ترافیک ارگانیک را ۲۰-۴۰٪ افزایش دهد. کانال دوم — بازاریابی محتوا: مقالات، ویدیوها و مطالعات موردی که در جستجو رتبه‌بندی می‌شوند و کاربران جدید جذب می‌کنند. برای برنامه‌های B2C، مکانیک‌های ویروسی مؤثر هستند: «دوست خود را دعوت کنید — پاداش بگیرید».

جذب پولی (UA)

User Acquisition (UA) — کانال‌های پولی: Facebook Ads، Google Ads، Apple Search Ads، TikTok Ads. هزینه جذب یک MAU به طور گسترده‌ای متفاوت است: از ۰.۵۰ دلار در بازارهای در حال توسعه تا ۵-۸ دلار در آمریکا/اروپا. اصل کلیدی: CAC (Customer Acquisition Cost) باید حداقل ۳ برابر کمتر از LTV (Lifetime Value) باشد. کمپین‌های تبلیغاتی باید روی گروه‌هایی با حفظ روز ۳۰ بالای ۲۰٪ هدف‌گیری شوند.

برنامه‌های ارجاع و ویروسی شدن

مکانیک‌های ارجاع — محرک رشد ارگانیک MAU. Dropbox از ۱۰۰ هزار به ۴ میلیون MAU در ۱۵ ماه به لطف برنامه ارجاع رسید. کلید موفقیت: ارزش پاداش برای هر دو طرف (دعوت‌کننده و دعوت‌شونده). برای برنامه‌های موبایل، لینک‌های ارجاع با deep linking مؤثر هستند — کاربر جدید بلافاصله پس از نصب به صفحه مناسب برنامه هدایت می‌شود.

-- محاسبه MAU به تفکیک منبع ترافیک
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;