WAU در تحلیل موبایل: چیست، معیار فعالیت و نحوه محاسبه

WAU در تحلیل موبایل چیست؟

WAU (Weekly Active Users) — معیاری است که تعداد کاربران منحصربه‌فردی را نشان می‌دهد که در 7 روز تقویمی گذشته با برنامه تعامل داشته‌اند. برخلاف DAU (Daily Active Users)، WAU کمتر در معرض نوسانات روزانه قرار دارد و تصویر پایدارتری از فعالیت هفتگی ارائه می‌دهد.

چرا معیار WAU لازم است

این معیار امکان ارزیابی اثربخشی فعالیت‌های هفتگی محصول و بازاریابی را فراهم می‌کند. اگر DAU به سوال “امروز چند نفر آمدند” پاسخ می‌دهد، WAU — “چند نفر این هفته با ما ماندند”. این برای برنامه‌هایی با چرخه استفاده چند روزه حیاتی است: ردیاب‌های تناسب اندام، پلتفرم‌های آموزشی، خبرخوان‌ها.

چه زمانی از WAU به جای DAU استفاده می‌شود

در برنامه‌هایی با الگوی استفاده نامنظم اما هفتگی، DAU می‌تواند به شدت نوسان کند. به عنوان مثال، در برنامه‌های برنامه‌ریزی وظایف کاربران هر 2-3 روز یکبار وارد می‌شوند — DAU فعالیت کمی نشان می‌دهد، در حالی که WAU تعامل واقعی را به درستی منعکس می‌کند. انتخاب بین DAU و WAU به دفعات مورد انتظار تعامل با محصول بستگی دارد.

ارتباط WAU با معیارهای محصول

WAU با شاخص حفظ Day 7 همبستگی دارد: اگر کاربر در روز 7 برگردد، حداقل دو بار در ماه وارد WAU می‌شود. تیم‌ها از WAU برای ردیابی تأثیر ویژگی‌های جدید استفاده می‌کنند: راه‌اندازی ویژگی در دوشنبه و اندازه‌گیری WAU در یکشنبه بعد ارزیابی مستقیم تأثیر تغییر بر مخاطب هفتگی را فراهم می‌کند.

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;

WAU چگونه محاسبه می‌شود؟

محاسبه WAU با یک فرمول ساده انجام می‌شود: تعداد کاربران منحصربه‌فرد در 7 روز گذشته. با این حال در عمل دو رویکرد اعمال می‌شود — هفته ثابت (Monday-Sunday) و پنجره لغزان (rolling 7 days). انتخاب روش بر تفسیر داده‌ها و قابلیت مقایسه گزارش‌ها تأثیر می‌گذارد.

هفته ثابت در مقابل پنجره لغزان

هفته ثابت برای گزارش‌دهی منظم راحت است: WAU از دوشنبه تا یکشنبه محاسبه می‌شود. پنجره لغزان WAU را برای هر روز به عنوان مجموع کاربران منحصربه‌فرد 7 روز گذشته محاسبه می‌کند. رویکرد دوم نمودار صاف‌تری ارائه می‌دهد و در داشبوردهای بلادرنگ استفاده می‌شود. طبق داده‌های Amplitude (2025)، 73% از تیم‌های محصول از پنجره لغزان برای WAU استفاده می‌کنند.

فیلتر کردن بر اساس رویدادهای هدفمند

هر باز کردن برنامه نباید در WAU محاسبه شود. تیم‌ها اغلب کاربران را بر اساس رویدادهای هدفمند فیلتر می‌کنند: مشاهده محتوا، خرید، تکمیل مرحله، ارسال پیام. این کار کاربران “منفعل” را که برنامه را تصادفی باز کرده‌اند حذف می‌کند. در SQL چنین فیلتری با شرط event_type IN (...) اضافه می‌شود.

حساب کاربران بین پلتفرمی

اگر کاربر در iOS و Android فعال باشد، شناسه‌های یکسان (email، account_id) باید حذف تکراری شوند. بدون حذف تکراری، WAU 15-25% بالاتر خواهد بود. برای شمارش صحیح به جای device_id از user_id داخلی استفاده کنید. Clickhouse و Snowflake از حذف تکراری از طریق HyperLogLog یا فیلترهای بلوم پشتیبانی می‌کنند.

import pandas as pd

# بارگیری رویدادهای 7 روز گذشته
events = pd.read_sql('''
    SELECT user_id, event_date
    FROM user_events
    WHERE event_date >= CURRENT_DATE - 7
''', conn)

# محاسبه WAU با پنجره لغزان
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)

اشتباهات معمول در محاسبه WAU

اشتباه اول — در نظر گرفتن همه رویدادها بدون فیلتر کردن اقدامات هدفمند. اگر هر بازکردنی شمارش شود، WAU شامل کاربرانی می‌شود که 5 ثانیه وارد شده و برنامه را بسته‌اند. اشتباه دوم — مخلوط کردن مناطق زمانی: رویدادهای 7 روز باید در یک منطقه زمانی واحد (معمولاً UTC) محاسبه شوند. سوم — عدم حذف تکراری کاربران بین پلتفرمی که تصویر واقعی مخاطب را تحریف می‌کند.

WAU vs DAU vs MAU: تفاوت چیست؟

سه معیار — DAU، WAU و MAU — سلسله‌مراتب مخاطب فعال را بر اساس افق‌های زمانی تشکیل می‌دهند. DAU فعالیت روزانه را اندازه می‌گیرد، WAU — هفتگی، MAU — ماهانه. هر معیار به سوال خود درباره رفتار کاربران پاسخ می‌دهد و در سناریوهای مختلف تحلیل محصول استفاده می‌شود.

مقایسه افق‌های زمانی

DAU (Daily Active Users) — عملیاتی‌ترین معیار است. نشان می‌دهد امروز چند کاربر آمده‌اند. WAU پیک‌ها و افت‌های روزانه را هموار می‌کند و MAU — ماهانه. برای برنامه‌های با استفاده روزانه (پیام‌رسان‌ها، رسانه‌های اجتماعی) DAU معیار اصلی است. برای برنامه‌هایی با استفاده 1-2 بار در هفته (تناسب اندام، تحویل) WAU فعالیت را دقیق‌تر منعکس می‌کند. برای برنامه‌های فصلی یا کم‌استفاده (سفر، مالیات) — MAU.

ضریب چسبندگی (Stickiness)

Stickiness (چسبندگی) — نسبت DAU به MAU که نشان می‌دهد کاربران چند وقت یکبار برمی‌گردند. مقدار بالای 20% خوب در نظر گرفته می‌شود. WAU برای کنترل میانی استفاده می‌شود: اگر DAU/MAU کاهش یابد، می‌توان WAU/MAU را بررسی کرد — اگر پایدار بود، مشکل در فعالیت روزانه است نه کلی. فرمول: Stickiness = DAU / MAU * 100%. برای یک برنامه سالم این شاخص در محدوده 20-50% باقی می‌ماند.

کدام معیار چه زمانی مهم‌تر است

انتخاب معیار به چرخه تجاری محصول بستگی دارد. در مرحله رشد تمرکز بر DAU است — دیدن پویایی روزانه کاربران جدید مهم است. در مرحله بلوغ WAU به معیار کلیدی تبدیل می‌شود: نشان می‌دهد چند کاربر در افق هفتگی وفادار می‌مانند. MAU برای گزارش‌دهی به سرمایه‌گذاران و ارزیابی پوشش کلی حیاتی است. با ترکیب سه معیار، تحلیلگر تصویر کاملی از چرخه عمر کاربر به دست می‌آورد.

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

# مثال محاسبه DAU/MAU WAU برای یک برنامه فرضی
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}%")

هنجارهای WAU بر اساس دسته برنامه‌ها

هنجارهای WAU بین دسته‌های برنامه بسیار متفاوت است. یک مقدار “خوب” جهانی وجود ندارد — معیار باید با معیارهای داخل همان بخش مقایسه شود. برنامه‌های رسانه‌های اجتماعی بالاترین مقادیر WAU نسبت به MAU را نشان می‌دهند، در حالی که تجارت الکترونیک و برنامه‌های گردشگری به دلیل الگوی استفاده نامنظم پایین‌تر هستند.

WAU بر اساس دسته برنامه‌ها

طبق گزارش Adjust Mobile Benchmarks 2025، نسبت متوسط WAU/MAU برای دسته‌های مختلف: Social Media — 0.65، Gaming — 0.55، E-commerce — 0.35، Fintech — 0.45، Health & Fitness — 0.40. این بدان معناست که در شبکه‌های اجتماعی 65% از کاربران ماهانه به صورت هفتگی فعال هستند، و در تجارت الکترونیک — فقط 35%. مقادیر پایین‌تر از متوسط نشان‌دهنده مشکل در تعامل یا فاصله اندازه‌گیری نادرست انتخاب شده است.

عوامل مؤثر بر WAU

فصلی بودن — عامل اول. برنامه‌های تحویل غذا پیک WAU را در جمعه و شنبه نشان می‌دهند، برنامه‌های تناسب اندام — در ژانویه و قبل از تابستان. اعلان‌های push — عامل دوم: یک کمپین خوب می‌تواند WAU را 15-30% در یک هفته افزایش دهد. عامل سوم — به‌روزرسانی برنامه: پس از انتشار بزرگ WAU معمولاً 10-20% در عرض دو هفته رشد می‌کند و سپس در سطح جدیدی تثبیت می‌شود.

چگونه WAU را در برنامه موبایل افزایش دهیم؟

رشد WAU وظیفه‌ای است که با ترکیبی از ابزارهای محصول و بازاریابی حل می‌شود. برخلاف DAU که می‌توان با یک اقدام یکباره افزایش داد، WAU نیاز به کار سیستماتیک بر بازگشت کاربران در افق هفتگی دارد. اجازه دهید استراتژی‌های اصلی تأیید شده توسط تمرین محصولات بزرگ موبایل را بررسی کنیم.

اعلان‌های push شخصی‌سازی شده

کمپین‌های push — سریع‌ترین راه برای تأثیرگذاری بر WAU. طبق داده‌های Airship (2025)، اعلان‌های push شخصی‌سازی شده WAU را 20-25% در هفته اول افزایش می‌دهند. تقسیم‌بندی مخاطب بر اساس دفعات استفاده مهم است: به کاربران “خواب” (5+ روز وارد نشده‌اند) پیام‌های انگیزشی، به کاربران فعال — اطلاعاتی ارسال شود. زمان‌بندی اهمیت دارد: برای برنامه‌های تناسب اندام بهترین زمان صبح، برای بازی‌ها — عصر است.

چالش‌ها و رویدادهای هفتگی

مکانیک فعالیت‌های هفتگی — یکی از مؤثرترین محرک‌های WAU است. بازی‌ها از رویدادهای هفتگی با پاداش‌های ویژه استفاده می‌کنند، برنامه‌های تناسب اندام — چالش‌های “7 روز بدون وقفه”، تجارت الکترونیک — تخفیف‌های هفتگی برای مشترکین. اصل کلیدی: فعالیت باید محدود به زمان باشد (7 روز) تا FOMO ایجاد کرده و کاربر را به بازگشت ترغیب کند.

یادآوری‌های ایمیلی و SMS

همه کاربران به اعلان‌های push اجازه نمی‌دهند. برای آنها خبرنامه‌های ایمیلی و SMS با خلاصه هفتگی مؤثر است: “آمار شما برای این هفته”، “مقالات جدید در وبلاگ”، “محصولاتی که مشاهده کردید”. نرخ باز شدن ایمیل‌های با آمار شخصی 40% بالاتر از خبرنامه‌های استاندارد است. ترکیب push + ایمیل حداکثر افزایش WAU را می‌دهد — تا 35% در ماه.

-- کاربرانی که بیش از ۵ روز غیرفعال بوده‌اند (هدف برای 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';