MAU a mobilanalitikában — mi ez, a havi felhasználói bázis metrikája és hogyan számítsuk ki

Mi az a MAU a mobilanalitikában?

MAU (Monthly Active Users) — olyan metrika, amely megmutatja, hány egyedi felhasználó hajtott végre célzott műveletet az alkalmazásban az elmúlt 30 naptári nap során. A DAU-val ellentétben a MAU nem érzékeny a napi ingadozásokra, és stabil képet ad az aktív bázis méretéről. Ez a tőzsdei technológiai vállalatok jelentéstételi standardja: a Facebook, a Spotify, az Uber és mások negyedéves jelentéseikben tüntetik fel a MAU-t.

Miért a MAU a befektetők számára az első számú metrika

A befektetők a MAU alapján értékelik az üzlet méretét. Ez a metrika azt mutatja, hány felhasználót tart meg a termék egy hónap alatt — ez a product-market fit értékelésének minimális horizontja. A Facebook 2012 óta jelent MAU-t, és ennek a metrikának a növekedése közvetlenül korrelál a vállalat tőkeértékével. A startupok számára a MAU az egyik kulcsmutató a pitch deck-ekben és a finanszírozási körökben.

A MAU a termékanalitika kontextusában

A termékanalitikában a MAU-t input metrikaként használják számos számításhoz. Ennek alapján számolják a MAU/DAU arányt (Stickiness), az ARPU-t (Average Revenue Per User) és az LTV-t (Lifetime Value). Pontos MAU nélkül nem lehet helyesen értékelni a fizető felhasználóvá válás konverzióját és a marketingcsatornák hatékonyságát. A MAU a metrika-piramis alapja, amelyre az összes többi monetizációs és bevonódási mutató épül.

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;

Hogyan számolják a MAU-t?

A MAU számítása első ránézésre egyszerű: megszámoljuk az egyedi felhasználókat 30 napra. A gyakorlatban azonban több olyan részlet merül fel, amely befolyásolja a pontosságot. A számítási módszer megválasztása — naptári hónap vagy gördülő ablak — meghatározza, hogy a metrika mennyire felel meg a felhasználók tényleges aktivitásának a mobilfejlesztésben.

Naptári hónap a gördülő ablakkal szemben

A naptári hónap a hagyományos megközelítés: a MAU-t a hónap első napjától az utolsó napjáig számoljuk. Kényelmes a jelentéstételhez, de műtermékeket hozhat létre: például ha a 30-án üzemzavar történik, az adott havi MAU alacsonyabb lesz. A gördülő ablak (rolling 30 days) simább metrikát ad, de nehezebb a rendszeres jelentéstételhez. A Mixpanel (2025) adatai szerint a termékcsapatok 80%-a naptári hónapot használ a külső jelentésekhez és gördülő ablakot a belső dashboards-okhoz.

A platformok közötti felhasználók duplikációmentesítése

Egy felhasználó több eszközről is bejelentkezhet az alkalmazásba: iPhone-ról és iPad-ről, Android-táblagépről és asztali gépről. Deduplikáció nélkül a MAU 20-40%-kal túlbecsült. A legjobb gyakorlat egyetlen account_id használata az összes platformon. Ha a felhasználó nincs bejelentkezve, használjon device_id + Advertising ID kombinációt (IDFA iOS-en, GAID Androidon), majd a bejelentkezéskor végezzen deduplikációt.

Az inaktív felhasználók figyelembevétele

Kit tekintsünk aktív felhasználónak? A minimális művelet az alkalmazás megnyitása (session start). Sok csapat azonban küszöböt állít be: legalább 10 másodpercnél hosszabb munkamenet vagy legalább egy célzott művelet végrehajtása. Ez kizárja a véletlenszerű megnyitásokat és a botokat. A különböző aktivitási küszöbök 10-30%-os eltérést okoznak a MAU-ban, ezért a módszertant rögzíteni kell, és nem szabad időszakok között változtatni.

A MAU-számítás automatizálása

A vállalatok többsége ETL-csővezetékeken keresztül automatizálja a MAU-számítást. A Firebase-ből, az Amplitude-ból vagy a saját szerverekből származó adatokat a Clickhouse-ban vagy a Snowflake-ben aggregálják. A MAU napi újraszámítása lehetővé teszi a trendek valós idejű követését. Fontos: módszertanváltáskor (például aktivitási küszöb) számolja újra a MAU-t a korábbi időszakokra is, hogy az adatok összehasonlíthatók maradjanak.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Szűrés a munkamenet minimális hossza szerint
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # 30 napos gördülő ablak
    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: a metrikák hierarchiája

Három metrika — DAU, WAU és MAU — az aktív közönség értékelésének rendszerét alkotja különböző időhorizontokon. Együtt teljes képet adnak a termék egészségéről. Az analitikus, aki csak a MAU-t nézi, kockáztatja, hogy elszalasztja a napi problémákat; aki csak a DAU-t nézi, nem látja a stratégiai trendet.

A DAU, WAU és MAU közötti kapcsolat

A metrikák arányát egyszerű szabályszerűség írja le: DAU ≤ WAU ≤ MAU. A DAU és a MAU közötti rés megmutatja, mennyire egyenletesen oszlanak el a felhasználók a hónap napjai között. Ha a DAU a MAU 10%-a — a felhasználók ritkán lépnek be (például szállodafoglalási alkalmazás). Ha a DAU a MAU 50%-a — az alkalmazást szinte naponta használják (közösségi hálózatok, üzenetküldők). A DAU/MAU arányt Stickinessnek hívják, és ez a bevonódás standard mutatója.

Stickiness: a bevonódás fő mutatója

Stickiness = DAU / MAU * 100%. Az 50% feletti érték bármely alkalmazásnál kiváló mutató. A 20-50% közötti érték a legtöbb terméknél normális. A 20% alatti érték a visszatérési probléma jelzése. A Stickiness nem függ a mérettől: az 1 millió MAU-val rendelkező alkalmazás és a 10 ezer MAU-val rendelkező startup értéke azonos lehet. Ez kényelmessé teszi a metrikát a benchmarkinghoz és az egy kategórián belüli termékek összehasonlításához.

MAU-normák alkalmazáskategóriánként

A MAU-normák kategóriától, földrajzi helytől és a termék érettségétől függenek. Az abszolút értékek helyett az analitikusok a MAU dinamikáját (Month-over-Month growth) és más metrikákkal való arányát használják. A MAU-növekedés 10%-os havi szintje az érett termék esetében jónak számít, 30%+ — a gyorsan növekvő termék esetében.

MAU-benchmarkok kategóriánként

A App Annie State of Mobile 2025 jelentés adatai szerint a medián MAU kategóriánként változik. Social Media: 50-500 millió (globális szereplők), Gaming: 1-50 millió, E-commerce: 100 ezer — 10 millió, Fintech: 500 ezer — 20 millió. Ezek a számok erősen függenek a régiótól: az 1 millió MAU-val rendelkező alkalmazás az USA-ban nagynak számíthat, Indiában — közepesnek. A MAU-t csak egy kategórián és egy földrajzi régión belül érdemes összehasonlítani.

A MAU és a monetizáció

A MAU közvetlenül kapcsolódik a bevételhez az ARPU-n keresztül. Ha a MAU nő és az ARPU csökken — az üzlet kevésbé fizetőképes közönségre terjeszkedik. Ha a MAU stabil és az ARPU nő — a termék növeli a meglévő bázis monetizációját. Ideális forgatókönyv: MAU-növekedés az ARPU megtartása vagy növelése mellett. A MAU és a bevétel aránya kulcsmutató a mobilalkalmazás unit-gazdaságosságának értékeléséhez.

Hogyan növeljük a MAU-t mobilalkalmazásban?

A MAU-növekedés elsősorban az új felhasználók számának növelését (acquisition) és a lemorzsolódás csökkentését (retention) jelenti. Ellentétben a DAU-val, amely taktikai módszerekkel emelhető, a MAU a közönség vonzásának és megtartásának szisztematikus stratégiáját igényli. Tekintsük át a vezető mobiltermékek gyakorlata által igazolt fő növekedési csatornákat.

Organikus acquisition: ASO és tartalom

Az App Store Optimization (ASO) a leggazdaságosabb módja a MAU növelésének. A név, a kulcsszavak, az ikon és a képernyőképek optimalizálása 20-40%-kal növelheti az organikus forgalmat. A második csatorna a content marketing: cikkek, videók és esettanulmányok, amelyek jól szerepelnek a keresőben és új felhasználókat hoznak. A B2C-alkalmazásoknál hatékonyak a vírusos mechanizmusok: hívj meg egy barátot — kapsz bónuszt.

Fizetett szerzés (UA)

A User Acquisition (UA) — fizetett csatornák: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Egy MAU megszerzésének költsége erősen változó: a fejlődő piacokon $0.50-től az USA/EU esetében $5-8-ig. Kulcsely: a CAC-nak (Customer Acquisition Cost) legalább 3-szor alacsonyabbnak kell lennie az LTV-nél (Lifetime Value). A hirdetési kampányoknak a 20%-nál magasabb Day 30 retention-nel rendelkező kohorszokat kell célozniuk.

Ajánlási programok és virálitás

Az ajánlási mechanizmusok a MAU organikus növekedésének hajtóereje. A Dropbox 100 ezerről 4 millió MAU-ra nőtt 15 hónap alatt az ajánlási programjának köszönhetően. A siker kulcsa: a bónusz értéke mindkét fél számára (meghívó és meghívott). A mobilalkalmazásoknál hatékonyak a deep linkinggel ellátott ajánlási linkek — az új felhasználó a telepítés után azonnal az alkalmazás megfelelő képernyőjére kerül.

-- MAU kiszámítása forgalmi forrás szerinti bontásban
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;