MAU sa mobile analytics — ano ito, metrika ng buwanang audience at paano kalkulahin

Ano ang MAU sa mobile analytics?

MAU (Monthly Active Users) — metrika na nagpapakita ng bilang ng mga natatanging user na nagsagawa ng target na aksyon sa app sa nakalipas na 30 araw ng kalendaryo. Hindi tulad ng DAU, ang MAU ay hindi sensitibo sa pang-araw-araw na pagbabago at nagbibigay ng matatag na larawan ng laki ng aktibong base. Ito ang pamantayan ng pag-uulat para sa mga pampublikong tech company: Facebook, Spotify, Uber at iba pa ay naglalagay ng MAU sa mga quarterly report.

Bakit ang MAU ang metrika numero uno para sa mga investor

Mga investor ay sinusuri ang laki ng negosyo batay sa MAU. Ipinapakita ng metrika na ito kung ilang user ang kayang panatilihin ng produkto sa loob ng isang buwan — ang pinakamababang panahon para suriin ang product-market fit. Ang Facebook ay nag-uulat ng MAU mula noong 2012, at ang paglago ng metrikang ito ay direktang nauugnay sa capitalization ng kumpanya. Para sa mga startup, ang MAU ay isa sa mga pangunahing indikator sa pitch deck at funding rounds.

MAU sa konteksto ng product analytics

Sa product analytics, ang MAU ay ginagamit bilang input metrika para sa maraming kalkulasyon. Batay dito, kinakalkula ang MAU/DAU ratio (Stickiness), ARPU (Average Revenue Per User) at LTV (Lifetime Value). Kung walang tamang MAU, imposibleng suriin nang tama ang conversion sa mga paying user at ang epektibidad ng mga marketing channel. Ang MAU ay ang base ng pyramid ng mga metrika kung saan nakabatay ang lahat ng iba pang indikator ng monetization at engagement.

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;

Paano kinakalkula ang MAU?

Pagkalkula ng MAU ay simple sa unang tingin: bilangin ang mga natatanging user sa loob ng 30 araw. Ngunit sa praktika, may ilang nuance na nakakaapekto sa accuracy. Ang pagpili ng paraan ng pagkalkula — buwan ng kalendaryo o sliding window — ang tumutukoy kung gaano kalapit ang metrika sa aktwal na aktibidad ng user sa mobile development.

Buwan ng kalendaryo laban sa sliding window

Buwan ng kalendaryo — tradisyonal na paraan: ang MAU ay kinakalkula mula una hanggang huling araw ng buwan. Maginhawa ito para sa pag-uulat, ngunit lumilikha ng artifacts: halimbawa, kung may outage sa ika-30, ang MAU para sa buwang iyon ay mas mababa. Ang sliding window (rolling 30 days) ay nagbibigay ng mas makinis na metrika, ngunit mas kumplikado para sa pana-panahong pag-uulat. Ayon sa data ng Mixpanel (2025), 80% ng mga product team ay gumagamit ng buwan ng kalendaryo para sa panlabas na ulat at sliding window — para sa panloob na dashboard.

Deduplication ng cross-platform user

Ang isang user ay maaaring pumasok sa app mula sa ilang device: iPhone at iPad, Android tablet at desktop. Kung walang deduplication, ang MAU ay matataas ng 20-40%. Pinakamahusay na praktika — paggamit ng iisang account_id para sa lahat ng platform. Kung hindi naka-login ang user, gamitin ang kumbinasyon ng device_id + Advertising ID (IDFA sa iOS, GAID sa Android) na may kasunod na deduplication kapag nag-login.

Pagbilang ng mga hindi aktibong user

Sino ang ituturing na aktibong user? Pinakamababang aksyon — pagbubukas ng app (session start). Ngunit maraming team ang nagtatakda ng threshold: session na mas mahaba sa 10 segundo o pagsasagawa ng kahit isang target na aksyon. Ito ay nagbubukod ng mga random na pagbubukas at bot. Ang iba't ibang threshold ng aktibidad ay nagdudulot ng 10-30% na pagkakaiba sa MAU, kaya dapat ay maayos na itakda ang methodology at hindi baguhin sa pagitan ng mga panahon.

Automation ng pagkalkula ng MAU

Karamihan ng mga kumpanya ay ina-automate ang pagkalkula ng MAU sa pamamagitan ng ETL pipeline. Ang data mula sa Firebase, Amplitude o sariling server ay naka-aggregate sa Clickhouse o Snowflake. Ang araw-araw na muling pagkalkula ng MAU ay nagpapahintulot na makita ang mga trend sa real-time. Mahalaga: kapag binabago ang methodology (halimbawa, threshold ng aktibidad), muling kalkulahin ang MAU para sa mga naunang panahon upang mapanatili ang comparability ng data.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filter batay sa minimum na haba ng session
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Sliding window ng 30 araw
    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: hierarchy ng mga metrika

Tatlong metrika — DAU, WAU at MAU — ay bumubuo ng sistema ng pagsusuri ng aktibong audience sa iba't ibang time horizon. Magkasama, nagbibigay sila ng kumpletong larawan ng kalusugan ng produkto. Ang analyst na tumitingin lamang sa MAU ay nanganganib na mapalampas ang pang-araw-araw na problema; ang tumitingin lamang sa DAU ay hindi nakikita ang estratehikong trend.

Koneksyon sa pagitan ng DAU, WAU at MAU

Ratio ng mga metrika ay inilalarawan ng simpleng pattern: DAU ≤ WAU ≤ MAU. Ang agwat sa pagitan ng DAU at MAU ay nagpapakita kung gaano pantay na ipinamahagi ang mga user sa mga araw ng buwan. Kung ang DAU ay 10% ng MAU — bihirang pumasok ang mga user (halimbawa, hotel booking app). Kung ang DAU ay 50% ng MAU — halos araw-araw ginagamit ang app (social network, messenger). Ang coefficient na DAU/MAU ay tinatawag na Stickiness at ito ang karaniwang indikator ng engagement.

Stickiness: pangunahing indikator ng engagement

Stickiness = DAU / MAU * 100%. Ang halagang higit sa 50% — mahusay na indikator para sa anumang app. Ang halagang 20-50% — normal para sa karamihan ng mga produkto. Ang halagang mababa sa 20% — senyales ng problema sa return rate. Ang Stickiness ay hindi nakadepende sa laki: ang app na may 1 milyong MAU at ang startup na may 10 libong MAU ay maaaring magkaroon ng parehong halaga. Ginagawa nitong maginhawa ang metrika para sa benchmarking at paghahambing ng mga produkto sa loob ng isang kategorya.

Mga norma ng MAU ayon sa kategorya ng app

Mga norma ng MAU ay nakadepende sa kategorya, heograpiya at kapanahunan ng produkto. Sa halip na mga absolute value, ginagamit ng mga analyst ang dynamics ng MAU (Month-over-Month growth) at ang ratio sa iba pang metrika. Ang paglago ng MAU na 10% buwan-sa-buwan ay itinuturing na mabuti para sa mature na produkto, 30%+ — para sa mabilis na lumalagong produkto.

Mga benchmark ng MAU ayon sa kategorya

Ayon sa data ng ulat ng App Annie State of Mobile 2025, ang median na MAU para sa iba't ibang kategorya ay nag-iiba. Social Media: 50-500 milyon (global player), Gaming: 1-50 milyon, E-commerce: 100 libo — 10 milyon, Fintech: 500 libo — 20 milyon. Ang mga numerong ito ay lubos na nakadepende sa rehiyon: ang app na may 1 milyong MAU sa US ay maaaring ituring na malaki, sa India — katamtaman. Ang paghahambing ng MAU ay may katuturan lamang sa loob ng isang kategorya at isang heyograpikong rehiyon.

MAU at monetization

MAU ay direktang konektado sa kita sa pamamagitan ng ARPU. Kung ang MAU ay lumalaki at ang ARPU ay bumababa — lumalawak ang negosyo sa hindi gaanong kayang magbayad na audience. Kung ang MAU ay matatag at ang ARPU ay lumalaki — pinapataas ng produkto ang monetization ng umiiral na base. Perpektong senaryo: paglago ng MAU habang pinapanatili o pinapalago ang ARPU. Ang ratio ng MAU sa Revenue ay pangunahing indikator para sa pagsusuri ng unit-ekonomiya ng mobile app.

Paano palaguin ang MAU sa mobile app?

Paglago ng MAU ay una sa lahat ang pagtaas ng bilang ng mga bagong user (acquisition) at pagbaba ng churn (retention). Hindi tulad ng DAU na maaaring itaas sa pamamagitan ng taktikal na pamamaraan, ang MAU ay nangangailangan ng sistematikong estratehiya ng pag-akit at pagpapanatili ng audience. Tingnan natin ang mga pangunahing channel ng paglago na napatunayan ng praktika ng mga nangungunang mobile product.

Organikong acquisition: ASO at content

App Store Optimization (ASO) — ang pinaka-matipid na paraan para palaguin ang MAU. Ang pag-optimize ng pangalan, keyword, icon at screenshot ay maaaring magpapataas ng organikong trapiko ng 20-40%. Ang pangalawang channel — content marketing: mga artikulo, video at case study na niraranggo sa paghahanap at nagdadala ng mga bagong user. Para sa B2C app, epektibo ang viral mechanics: mag-imbita ng kaibigan — makakuha ng bonus.

Bayad na acquisition (UA)

User Acquisition (UA) — bayad na channel: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Ang gastos ng pagkuha ng isang MAU ay malaki ang pagkakaiba: mula $0.50 sa developing markets hanggang $5-8 sa US/EU. Pangunahing prinsipyo: ang CAC (Customer Acquisition Cost) ay dapat mas mababa kaysa sa LTV (Lifetime Value) nang hindi bababa sa 3 beses. Ang mga ad campaign ay dapat i-target ang mga cohort na may retention Day 30 na higit sa 20%.

Referral program at virality

Referral mechanics — driver ng organikong paglago ng MAU. Lumaki ang Dropbox mula 100 libo hanggang 4 milyong MAU sa loob ng 15 buwan dahil sa referral program. Susi sa tagumpay: ang halaga ng bonus para sa magkabilang panig (nag-iimbita at inanyayahan). Para sa mobile app, epektibo ang referral link na may deep linking — agad na nakarating ang bagong user sa tamang screen ng app pagkatapos ng pag-install.

-- Pagkalkula ng MAU na may breakdown ayon sa pinagmulan ng trapiko
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;