WAU a mobil analitikában: mi ez, aktivitási metrika és hogyan számoljuk

Mi az a WAU a mobil analitikában?

WAU (Weekly Active Users) — egy metrika, amely megmutatja azon egyedi felhasználók számát, akik az elmúlt 7 naptári napban interakcióba léptek az alkalmazással. A DAU-tól (Daily Active Users) eltérően a WAU kevésbé van kitéve napi ingadozásoknak, és stabilabb képet ad a heti aktivitásról.

Miért van szükség a WAU metrikára

A metrika lehetővé teszi a heti termék- és marketingtevékenységek hatékonyságának értékelését. Ha a DAU arra a kérdésre válaszol, hogy „hány ember jött ma”, a WAU arra, hogy „hány ember maradt velünk ezen a héten”. Ez kritikus fontosságú a néhány napos használati ciklusú alkalmazásoknál: fitneszkövetők, oktatási platformok, híraggregátorok.

Mikor használják a WAU-t a DAU helyett

A rendszertelen, de heti használati mintázatú alkalmazásoknál a DAU erősen ingadozhat. Például feladatütemező alkalmazásokban a felhasználók 2-3 naponta jelentkeznek be — a DAU alacsony aktivitást mutat, míg a WAU megfelelően tükrözi a valós elköteleződést. A DAU és a WAU közötti választás a termékkel való interakció várható gyakoriságától függ.

A WAU kapcsolata a termékmetrikákkal

WAU korrelál a Day 7 megtartási mutatóval: ha a felhasználó a 7. napon visszatér, havonta legalább kétszer bekerül a WAU-ba. A csapatok a WAU-t használják az új funkciók hatásának nyomon követésére: a funkció hétfői elindítása és a WAU következő vasárnapi mérése közvetlen értékelést ad a változás heti közönségre gyakorolt hatásáról.

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;

Hogyan számítják ki a WAU-t?

WAU számítása egy egyszerű képlettel történik: egyedi felhasználók száma az elmúlt 7 napban. A gyakorlatban azonban két megközelítést alkalmaznak — rögzített hét (Monday-Sunday) és csúszó ablak (rolling 7 days). A módszer kiválasztása befolyásolja az adatok értelmezését és a jelentések összehasonlíthatóságát.

Rögzített hét kontra csúszó ablak

A rögzített hét kényelmes a rendszeres jelentéskészítéshez: a WAU-t hétfőtől vasárnapig számítják. A csúszó ablak minden napra kiszámítja a WAU-t az előző 7 nap egyedi felhasználóinak összegeként. A második megközelítés simább grafikont ad, és valós idejű irányítópultokban használják. Az Amplitude (2025) adatai szerint a termékcsapatok 73%-a csúszó ablakot használ a WAU-hoz.

Szűrés célzott események szerint

Nem minden alkalmazásmegnyitást kell figyelembe venni a WAU-ban. A csapatok gyakran szűrik a felhasználókat célzott események szerint: tartalom megtekintése, vásárlás, szint teljesítése, üzenet küldése. Ez kizárja a „passzív” felhasználókat, akik véletlenül nyitották meg az alkalmazást. SQL-ben egy ilyen szűrő az event_type IN (...) feltétellel kerül hozzáadásra.

Cross-platform felhasználók figyelembevétele

Ha egy felhasználó iOS-en és Androidon is aktív, ugyanazokat az azonosítókat (email, account_id) deduplikálni kell. Deduplikáció nélkül a WAU 15-25%-kal magasabb lesz. Használjon belső user_id-t a device_id helyett a helyes számláláshoz. A Clickhouse és a Snowflake támogatja a deduplikációt HyperLogLog vagy Bloom-szűrők segítségével.

import pandas as pd

# Események betöltése az elmúlt 7 napból
events = pd.read_sql('''
    SELECT user_id, event_date
    FROM user_events
    WHERE event_date >= CURRENT_DATE - 7
''', conn)

# WAU számítása csúszó ablakkal
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)

Tipikus hibák a WAU számításánál

Első hiba — az összes esemény figyelembevétele a célzott műveletek szűrése nélkül. Ha bármilyen megnyitást számítanak, a WAU olyan felhasználókat is tartalmaz, akik 5 másodpercre beléptek és bezárták az alkalmazást. Második hiba — időzónák keverése: a 7 nap eseményeit egységes időzónában (általában UTC) kell számolni. Harmadik — a cross-platform felhasználók deduplikációjának hiánya, ami torzítja a közönség valós képét.

WAU vs DAU vs MAU: mi a különbség?

Három metrika — DAU, WAU és MAU — az aktív közönség hierarchiáját alkotják időhorizontok szerint. A DAU a napi aktivitást méri, a WAU a hetit, a MAU a havit. Minden metrika a saját kérdésére válaszol a felhasználói viselkedésről, és különböző termékelemzési forgatókönyvekben használják.

Időhorizontok összehasonlítása

DAU (Daily Active Users) — a legoperatívabb metrika. Megmutatja, hány felhasználó jött ma. A WAU kisimítja a napi csúcsokat és mélypontokat, a MAU pedig a haviakat. A napi használatú alkalmazásoknál (üzenetküldők, közösségi média) a DAU a fő metrika. A heti 1-2 alkalommal használt alkalmazásoknál (fitness, kiszállítás) a WAU pontosabban tükrözi az aktivitást. Szezonális vagy ritkán használt alkalmazásoknál (utazás, adók) — a MAU.

Stickiness együttható

Stickiness (tapadás) — a DAU és a MAU aránya, amely megmutatja, milyen gyakran térnek vissza a felhasználók. A 20% feletti érték jónak számít. A WAU-t közbenső ellenőrzésre használják: ha a DAU/MAU csökken, ellenőrizhető a WAU/MAU — ha stabil, a probléma a napi, nem az általános aktivitásban van. Képlet: Stickiness = DAU / MAU * 100%. Egy egészséges alkalmazásnál ez a mutató 20-50% tartományban marad.

Melyik metrika mikor fontosabb

A metrika kiválasztása a termék üzleti ciklusától függ. A növekedési szakaszban a fókusz a DAU-n van — fontos látni az új felhasználók napi dinamikáját. Az érettségi szakaszban a WAU válik kulcsmetrikává: megmutatja, hány felhasználó marad hűséges a heti időhorizonton. A MAU kritikus a befektetőknek szóló jelentésekben és a teljes elérés értékelésében. A három metrika kombinálásával az elemző teljes képet kap a felhasználói életciklusról.

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

# Példa a DAU/MAU WAU kiszámítására egy hipotetikus alkalmazáshoz
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}%")

WAU normák alkalmazáskategóriánként

WAU normák nagymértékben eltérnek az alkalmazáskategóriák között. Nem létezik univerzális „jó” érték — a metrikát ugyanazon vertikális benchmarkjaival kell összehasonlítani. A közösségi média alkalmazások mutatják a legmagasabb WAU-értékeket a MAU-hoz képest, míg az e-kereskedelmi és utazási alkalmazások alacsonyabbakat a rendszertelen használati mintázat miatt.

WAU alkalmazáskategóriánként

Az Adjust Mobile Benchmarks 2025 jelentése szerint a medián WAU/MAU arány a különböző kategóriákban: Social Media — 0.65, Gaming — 0.55, E-commerce — 0.35, Fintech — 0.45, Health & Fitness — 0.40. Ez azt jelenti, hogy a közösségi médiában a havi felhasználók 65%-a hetente aktív, az e-kereskedelemben pedig csak 35%. A medián alatti értékek elköteleződési problémát vagy rosszul megválasztott mérési intervallumot jeleznek.

WAU-t befolyásoló tényezők

Szezonális ingadozás — az első tényező. Az ételkiszállító alkalmazások a WAU csúcsát pénteken és szombaton mutatják, a fitneszalkalmazások januárban és nyár előtt. A push-értesítések — a második tényező: egy jól megtervezett kampány egy hét alatt 15-30%-kal növelheti a WAU-t. A harmadik tényező — az alkalmazásfrissítések: egy nagy kiadás után a WAU általában 10-20%-kal nő két héten belül, majd új szinten stabilizálódik.

Hogyan növelhető a WAU mobilalkalmazásban?

WAU növekedése egy olyan feladat, amelyet a termék- és marketingeszközök kombinációjával oldanak meg. Ellentétben a DAU-val, amelyet egyszeri akcióval lehet növelni, a WAU szisztematikus munkát igényel a felhasználók heti időhorizonton történő visszatérésén. Tekintsük át a nagy mobiltermékek gyakorlatával megerősített fő stratégiákat.

Push-értesítések személyre szabással

Push-kampányok — a leggyorsabb módja a WAU befolyásolásának. Az Airship (2025) adatai szerint a személyre szabott push-értesítések 20-25%-kal növelik a WAU-t az első héten. Fontos a közönség szegmentálása használati gyakoriság szerint: az „alvó” felhasználóknak (5+ napja nem jelentkeztek be) motiváló üzeneteket küldeni, az aktívaknak információs üzeneteket. Az időzítés számít: fitneszalkalmazásoknál a legjobb idő a reggel, játékoknál az este.

Heti kihívások és események

A heti tevékenységek mechanikája — a WAU egyik leghatékonyabb hajtóereje. A játékok heti eseményeket használnak különleges jutalmakkal, a fitneszalkalmazások „7 nap szünet nélkül” kihívásokat, az e-kereskedelem heti kedvezményeket az előfizetőknek. A kulcsfontosságú elv: a tevékenységnek időben korlátozottnak kell lennie (7 nap), hogy FOMO-t hozzon létre és motiválja a felhasználót a visszatérésre.

E-mail és SMS emlékeztetők

Nem minden felhasználó engedélyezi a push-értesítéseket. Számukra hatékonyak az e-mail hírlevelek és SMS-ek heti összefoglalóval: „Az Ön statisztikája erre a hétre”, „Új cikkek a blogban”, „Megtekintett termékek”. A személyes statisztikát tartalmazó e-mailek megnyitási aránya 40%-kal magasabb, mint a szabványos hírleveleké. A push + e-mail kombináció adja a maximális WAU-növekedést — akár 35%-ot havonta.

-- Több mint 5 napja inaktív felhasználók (a reactivation célpontjai)
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';