MAU dalam analitik seluler — apa itu, metrik audiens bulanan, dan cara menghitungnya

Apa itu MAU dalam analitik seluler?

MAU (Monthly Active Users) — metrik yang menunjukkan jumlah pengguna unik yang melakukan tindakan target dalam aplikasi selama 30 hari kalender terakhir. Berbeda dengan DAU, MAU tidak sensitif terhadap fluktuasi harian dan memberikan gambaran yang stabil tentang ukuran basis aktif. Ini adalah standar pelaporan untuk perusahaan teknologi publik: Facebook, Spotify, Uber, dan lainnya mencantumkan MAU dalam laporan kuartalan.

Mengapa MAU adalah metrik nomor satu bagi investor

Investor menilai skala bisnis berdasarkan MAU. Metrik ini menunjukkan berapa banyak pengguna yang dipertahankan produk selama satu bulan — cakrawala minimum untuk menilai product-market fit. Facebook melaporkan MAU sejak 2012, dan pertumbuhan metrik ini berkorelasi langsung dengan kapitalisasi perusahaan. Bagi startup, MAU adalah salah satu indikator kunci dalam pitch deck dan putaran pendanaan.

MAU dalam konteks analitik produk

Dalam analitik produk, MAU digunakan sebagai metrik input untuk banyak perhitungan. Berdasarkan MAU, dihitung rasio MAU/DAU (Stickiness), ARPU (Average Revenue Per User), dan LTV (Lifetime Value). Tanpa MAU yang akurat, mustahil menilai dengan benar konversi menjadi pengguna berbayar dan efektivitas saluran pemasaran. MAU adalah dasar piramida metrik tempat semua indikator monetisasi dan keterlibatan lainnya dibangun.

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;

Bagaimana cara menghitung MAU?

Perhitungan MAU sekilas sederhana: menghitung pengguna unik selama 30 hari. Namun, dalam praktiknya ada beberapa nuansa yang memengaruhi akurasi. Pilihan metode perhitungan — bulan kalender atau jendela berjalan — menentukan seberapa sesuai metrik dengan aktivitas pengguna yang sebenarnya dalam pengembangan seluler.

Bulan kalender vs jendela berjalan

Bulan kalender — pendekatan tradisional: MAU dihitung dari tanggal 1 hingga akhir bulan. Metode ini nyaman untuk pelaporan, tetapi menciptakan artefak: misalnya, jika terjadi kegagalan pada tanggal 30, MAU bulan itu akan lebih rendah. Jendela berjalan (rolling 30 days) memberikan metrik yang lebih halus, tetapi lebih sulit untuk pelaporan berkala. Menurut data Mixpanel (2025), 80% tim produk menggunakan bulan kalender untuk laporan eksternal dan jendela berjalan untuk dasbor internal.

Deduplikasi pengguna lintas platform

Satu pengguna dapat mengakses aplikasi dari beberapa perangkat: iPhone dan iPad, tablet Android dan desktop. Tanpa deduplikasi, MAU akan lebih tinggi 20-40%. Praktik terbaik adalah menggunakan satu account_id untuk semua platform. Jika pengguna tidak login, gunakan kombinasi device_id + Advertising ID (IDFA di iOS, GAID di Android) dengan deduplikasi berikutnya saat login.

Memperhitungkan pengguna tidak aktif

Kriteria pengguna aktif? Tindakan minimum — membuka aplikasi (session start). Namun, banyak tim menetapkan ambang batas: sesi lebih dari 10 detik atau melakukan setidaknya satu tindakan target. Ini mengecualikan pembukaan acak dan bot. Ambang batas aktivitas yang berbeda menyebabkan perbedaan MAU sebesar 10-30%, jadi metodologi harus ditetapkan dan tidak berubah antar periode.

Otomatisasi perhitungan MAU

Sebagian besar perusahaan mengotomatiskan perhitungan MAU melalui pipeline ETL. Data dari Firebase, Amplitude, atau server sendiri diagregasi di Clickhouse atau Snowflake. Penghitungan ulang MAU harian memungkinkan melihat tren secara real-time. Penting: saat mengubah metodologi (misalnya, ambang batas aktivitas), hitung ulang MAU untuk periode sebelumnya agar data tetap dapat dibandingkan.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filter berdasarkan durasi sesi minimum
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Jendela berjalan 30 hari
    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: hierarki metrik

Tiga metrik — DAU, WAU, dan MAU — membentuk sistem penilaian audiens aktif pada cakrawala waktu yang berbeda. Bersama-sama mereka memberikan gambaran menyeluruh tentang kesehatan produk. Analis yang hanya melihat MAU berisiko melewatkan masalah harian; yang hanya melihat DAU tidak melihat tren strategis.

Hubungan antara DAU, WAU, dan MAU

Rasio metrik dijelaskan oleh pola sederhana: DAU ≤ WAU ≤ MAU. Kesenjangan antara DAU dan MAU menunjukkan seberapa merata pengguna tersebar di hari-hari dalam sebulan. Jika DAU mencapai 10% dari MAU — pengguna jarang masuk (misalnya, aplikasi pemesanan hotel). Jika DAU mencapai 50% dari MAU — aplikasi digunakan hampir setiap hari (jejaring sosial, messenger). Koefisien DAU/MAU disebut Stickiness dan merupakan indikator keterlibatan standar.

Stickiness: indikator keterlibatan utama

Stickiness = DAU / MAU * 100%. Nilai di atas 50% — indikator sangat baik untuk aplikasi apa pun. Nilai 20-50% — normal untuk sebagian besar produk. Nilai di bawah 20% — sinyal masalah dengan retensi. Stickiness tidak bergantung pada skala: aplikasi dengan 1 juta MAU dan startup dengan 10 ribu MAU bisa memiliki nilai yang sama. Ini membuat metrik ini nyaman untuk benchmarking dan perbandingan produk dalam satu kategori.

Norma MAU menurut kategori aplikasi

Norma MAU bergantung pada kategori, geografi, dan kematangan produk. Alih-alih nilai absolut, analis menggunakan dinamika MAU (Month-over-Month growth) dan rasio dengan metrik lain. Pertumbuhan MAU 10% bulan ke bulan dianggap baik untuk produk matang, 30%+ — untuk produk yang berkembang pesat.

Benchmark MAU menurut kategori

Menurut data laporan App Annie State of Mobile 2025, MAU median untuk kategori berbeda bervariasi. Social Media: 50-500 juta (pemain global), Gaming: 1-50 juta, E-commerce: 100 ribu — 10 juta, Fintech: 500 ribu — 20 juta. Angka ini sangat bergantung pada wilayah: aplikasi dengan 1 juta MAU di AS bisa dianggap besar, di India — sedang. Membandingkan MAU masuk akal hanya dalam satu kategori dan satu wilayah geografis.

MAU dan monetisasi

MAU terkait langsung dengan pendapatan melalui ARPU. Jika MAU tumbuh dan ARPU turun — bisnis berekspansi ke audiens yang kurang mampu membayar. Jika MAU stabil dan ARPU naik — produk meningkatkan monetisasi basis yang ada. Skenario ideal: pertumbuhan MAU dengan ARPU yang tetap atau naik. Rasio MAU terhadap Revenue adalah indikator kunci untuk menilai unit-ekonomi aplikasi seluler.

Bagaimana cara meningkatkan MAU di aplikasi seluler?

Pertumbuhan MAU terutama adalah peningkatan jumlah pengguna baru (acquisition) dan penurunan churn (retention). Berbeda dengan DAU yang bisa dinaikkan dengan metode taktis, MAU membutuhkan strategi sistematis untuk menarik dan mempertahankan audiens. Mari kita lihat saluran pertumbuhan utama yang terbukti dalam praktik produk seluler terkemuka.

Acquisition organik: ASO dan konten

App Store Optimization (ASO) — cara paling ekonomis untuk menumbuhkan MAU. Optimasi nama, kata kunci, ikon, dan screenshot dapat meningkatkan trafik organik 20-40%. Saluran kedua — content marketing: artikel, video, dan studi kasus yang muncul di hasil pencarian dan mendatangkan pengguna baru. Untuk aplikasi B2C, mekanisme viral efektif: undang teman — dapatkan bonus.

Acquisition berbayar (UA)

User Acquisition (UA) — saluran berbayar: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Biaya menarik satu MAU sangat bervariasi: dari $0.50 di developing markets hingga $5-8 di US/EU. Prinsip kunci: CAC (Customer Acquisition Cost) harus lebih rendah dari LTV (Lifetime Value) minimal 3 kali. Kampanye iklan harus menargetkan kohort dengan retention Day 30 di atas 20%.

Program referensi dan virality

Mekanisme referensi — pendorong pertumbuhan organik MAU. Dropbox tumbuh dari 100 ribu menjadi 4 juta MAU dalam 15 bulan berkat program referensi. Kunci keberhasilan: nilai bonus bagi kedua belah pihak (yang mengundang dan yang diundang). Untuk aplikasi seluler, link referensi dengan deep linking efektif — pengguna baru langsung masuk ke layar yang tepat setelah instalasi.

-- Perhitungan MAU berdasarkan sumber lalu lintas
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;