MAU nell’analisi mobile — metrica dell’audience mensile, cosa è e come calcolarla

Cos’è MAU nell’analisi mobile?

MAU (Monthly Active Users) — metrica che mostra il numero di utenti unici che hanno eseguito un’azione target nell’app negli ultimi 30 giorni di calendario. A differenza di DAU, MAU non è sensibile alle fluttuazioni giornaliere e fornisce un quadro stabile della dimensione della base attiva. È lo standard di reporting per le aziende tecnologiche pubbliche: Facebook, Spotify, Uber e altre indicano MAU nei report trimestrali.

Perché MAU è la metrica numero uno per gli investitori

Gli investitori valutano la scala del business proprio attraverso MAU. La metrica mostra quanti utenti il prodotto trattiene in un mese — l’orizzonte minimo per valutare il product-market fit. Facebook riporta MAU dal 2012 e la crescita di questa metrica è direttamente correlata alla capitalizzazione dell’azienda. Per le startup, MAU è uno degli indicatori chiave nei pitch-deck e nei round di finanziamento.

MAU nel contesto dell’analisi di prodotto

Nell’analisi di prodotto, MAU viene utilizzato come metrica di input per molti calcoli. Sulla sua base si calcolano il rapporto MAU/DAU (Stickiness), ARPU (Average Revenue Per User) e LTV (Lifetime Value). Senza un MAU accurato non è possibile valutare correttamente la conversione in utenti paganti e l’efficacia dei canali di marketing. MAU è la base della piramide delle metriche su cui si costruiscono tutti gli altri indicatori di monetizzazione e coinvolgimento.

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;

Come si calcola MAU?

Il calcolo di MAU a prima vista è semplice: contare gli utenti unici in 30 giorni. Tuttavia, in pratica emergono diverse sfumature che influenzano la precisione. La scelta del metodo di calcolo — mese di calendario o finestra mobile — determina quanto la metrica corrisponde all’attività reale degli utenti nello sviluppo mobile.

Mese di calendario vs finestra mobile

Mese di calendario — approccio tradizionale: MAU viene calcolato dal 1º all’ultimo giorno del mese. È comodo per il reporting, ma crea artefatti: ad esempio, se il 30 si verifica un guasto, il MAU del mese risulterà inferiore. Finestra mobile (rolling 30 days) fornisce una metrica più uniforme, ma è più complessa per il reporting periodico. Secondo Mixpanel (2025), l’80% dei team di prodotto utilizza il mese di calendario per i report esterni e la finestra mobile per i dashboard interni.

Deduplicazione degli utenti cross-platform

Un utente può accedere all’app da più dispositivi: iPhone e iPad, tablet Android e desktop. Senza deduplicazione, MAU sarà gonfiato del 20-40%. La best practice — utilizzare un account_id unificato per tutte le piattaforme. Se l’utente non è autenticato, utilizza la combinazione device_id + Advertising ID (IDFA su iOS, GAID su Android) con successiva deduplicazione dopo l’autenticazione.

Considerazione degli utenti inattivi

Chi viene considerato utente attivo? L’azione minima — apertura dell’app (session start). Tuttavia, molti team stabiliscono una soglia: sessione più lunga di 10 secondi o esecuzione di almeno un’azione target. Questo esclude aperture casuali e bot. Soglie diverse portano a differenze del 10-30% nel MAU, quindi la metodologia deve essere fissata e non modificata tra i periodi.

Automazione del calcolo di MAU

La maggior parte delle aziende automatizza il calcolo di MAU tramite pipeline ETL. I dati da Firebase, Amplitude o server proprietari vengono aggregati in Clickhouse o Snowflake. Il ricalcolo giornaliero di MAU consente di vedere i trend in tempo reale. Importante: quando si modifica la metodologia (ad esempio, la soglia di attività), ricalcola MAU per i periodi precedenti per mantenere la comparabilità dei dati.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filtro per durata minima della sessione
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Finestra mobile di 30 giorni
    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: gerarchia delle metriche

Tre metriche — DAU, WAU e MAU — formano un sistema di valutazione dell’audience attiva su diversi orizzonti temporali. Insieme danno un quadro completo della salute del prodotto. L’analista che guarda solo MAU rischia di perdere i problemi quotidiani; chi guarda solo DAU non vede il trend strategico.

Relazione tra DAU, WAU e MAU

Il rapporto delle metriche è descritto da una semplice regolarità: DAU ≤ WAU ≤ MAU. Il divario tra DAU e MAU mostra quanto uniformemente gli utenti sono distribuiti nei giorni del mese. Se DAU costituisce il 10% di MAU — gli utenti accedono raramente (ad esempio, app di prenotazione hotel). Se DAU costituisce il 50% di MAU — l’app viene utilizzata quasi quotidianamente (social network, messenger). Il coefficiente DAU/MAU si chiama Stickiness ed è un indicatore standard di coinvolgimento.

Stickiness: il principale indicatore di coinvolgimento

Stickiness = DAU / MAU * 100%. Valore superiore al 50% — eccellente per qualsiasi app. Valore 20-50% — normale per la maggior parte dei prodotti. Valore inferiore al 20% — segnale di problemi di ritorno. Stickiness non dipende dalla scala: un’app con 1 milione di MAU e una startup con 10 mila MAU possono avere lo stesso valore. Questo rende la metrica comoda per il benchmarking e il confronto dei prodotti all’interno della stessa categoria.

Norme MAU per categoria di app

Le norme MAU dipendono dalla categoria, dalla geografia e dalla maturità del prodotto. Invece di valori assoluti, gli analisti utilizzano la dinamica di MAU (crescita MoM) e il rapporto con altre metriche. Crescita di MAU del 10% mese su mese è considerata buona per un prodotto maturo, del 30%+ per un prodotto in rapida crescita.

Benchmark MAU per categoria

Secondo il rapporto App Annie State of Mobile 2025, il MAU mediano per diverse categorie varia. Social Media: 50-500 milioni (player globali), Gaming: 1-50 milioni, E-commerce: 100 mila — 10 milioni, Fintech: 500 mila — 20 milioni. Questi numeri dipendono fortemente dalla regione: un’app con 1 milione di MAU negli USA può essere considerata grande, in India — media. Confrontare MAU ha senso solo all’interno della stessa categoria e della stessa regione geografica.

MAU e monetizzazione

MAU è direttamente collegato ai ricavi attraverso ARPU. Se MAU cresce ma ARPU diminuisce — il business si sta espandendo verso un pubblico meno abbiente. Se MAU è stabile ma ARPU cresce — il prodotto aumenta la monetizzazione della base esistente. Scenario ideale: crescita di MAU con mantenimento o crescita di ARPU. Il rapporto MAU/Revenue — indicatore chiave per valutare l’unità economica di un’app mobile.

Come aumentare MAU in un’app mobile?

Crescita di MAU — prima di tutto crescita del numero di nuovi utenti (acquisition) e riduzione dell’abbandono (retention). A differenza di DAU, che può essere aumentato con metodi tattici, MAU richiede una strategia sistemica di acquisizione e fidelizzazione del pubblico. Esaminiamo i principali canali di crescita confermati dalla pratica dei prodotti mobile leader.

Acquisition organica: ASO e contenuti

App Store Optimization (ASO) — il modo più economico per far crescere MAU. L’ottimizzazione del nome, delle parole chiave, dell’icona e degli screenshot può aumentare il traffico organico del 20-40%. Il secondo canale — content marketing: articoli, video e case study che si posizionano nei motori di ricerca e portano nuovi utenti. Per le app B2C sono efficaci le meccaniche virali: “invita un amico — ottieni un bonus”.

Acquisizione a pagamento (UA)

User Acquisition (UA) — canali a pagamento: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Il costo di acquisizione di un MAU varia notevolmente: da $0.50 nei mercati in via di sviluppo a $5-8 in US/EU. Principio chiave: CAC (Customer Acquisition Cost) deve essere inferiore a LTV (Lifetime Value) almeno 3 volte. Le campagne pubblicitarie devono essere targettizzate su coorti con retention Day 30 superiore al 20%.

Programmi referral e viralità

Le meccaniche referral — motore di crescita organica di MAU. Dropbox è passato da 100 mila a 4 milioni di MAU in 15 mesi grazie al programma referral. Chiave del successo: valore del bonus per entrambe le parti (invitante e invitato). Per le app mobile sono efficaci i link referral con deep linking — il nuovo utente accede direttamente allo schermo desiderato dopo l’installazione.

-- Calcolo di MAU con suddivisione per sorgente di traffico
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;