MAU w analityce mobilnej — co to jest, metryka miesięcznej aktywności użytkowników i jak obliczać

Czym jest MAU w analityce mobilnej?

MAU (Monthly Active Users) — metryka pokazująca liczbę unikalnych użytkowników, którzy wykonali docelowe działanie w aplikacji w ciągu ostatnich 30 dni kalendarzowych. W przeciwieństwie do DAU, MAU nie jest wrażliwy na dzienne wahania i daje stabilny obraz rozmiaru aktywnej bazy. Jest to standard raportowania dla publicznych firm technologicznych: Facebook, Spotify, Uber i inne podają MAU w raportach kwartalnych.

Dlaczego MAU jest metryką numer jeden dla inwestorów

Inwestorzy oceniają skalę biznesu właśnie na podstawie MAU. Metryka pokazuje, ilu użytkowników produkt utrzymuje w ciągu miesiąca — minimalny horyzont do oceny product-market fit. Facebook raportuje MAU od 2012 roku, a wzrost tej metryki bezpośrednio koreluje z kapitalizacją firmy. Dla startupów MAU jest jednym z kluczowych wskaźników w pitch deckach i rundach finansowania.

MAU w kontekście analityki produktowej

W analityce produktowej MAU jest używany jako metryka wejściowa do wielu obliczeń. Na jego podstawie oblicza się MAU/DAU ratio (Stickiness), ARPU (Average Revenue Per User) i LTV (Lifetime Value). Bez dokładnego MAU nie można poprawnie ocenić konwersji na płacących użytkowników ani efektywności kanałów marketingowych. MAU stanowi podstawę piramidy metryk, na której budowane są wszystkie inne wskaźniki monetyzacji i zaangażowania.

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;

Jak oblicza się MAU?

Obliczanie MAU na pierwszy rzut oka jest proste: policzyć unikalnych użytkowników w ciągu 30 dni. Jednak w praktyce pojawia się kilka niuansów wpływających na dokładność. Wybór metody obliczania — miesiąc kalendarzowy czy okno kroczące — określa, na ile metryka odpowiada rzeczywistej aktywności użytkowników w rozwoju mobilnym.

Miesiąc kalendarzowy a okno kroczące

Miesiąc kalendarzowy — tradycyjne podejście: MAU liczy się od 1. do ostatniego dnia miesiąca. Jest wygodny do raportowania, ale tworzy artefakty: na przykład, jeśli 30. dnia wystąpiła awaria, MAU za miesiąc będzie zaniżony. Okno kroczące (rolling 30 days) daje gładszą metrykę, ale jest trudniejsze do okresowego raportowania. Według danych Mixpanel (2025), 80% zespołów produktowych używa miesiąca kalendarzowego do raportów zewnętrznych i okna kroczącego do wewnętrznych dashboardów.

Deduplikacja użytkowników międzyplatformowych

Jeden użytkownik może logować się do aplikacji z wielu urządzeń: iPhone i iPad, tablet z Androidem i desktop. Bez deduplikacji MAU będzie zawyżony o 20-40%. Najlepszą praktyką jest używanie jednolitego account_id dla wszystkich platform. Jeśli użytkownik nie jest zalogowany, stosuj parę device_id + Advertising ID (IDFA na iOS, GAID na Android) z późniejszą deduplikacją przy logowaniu.

Uwzględnianie nieaktywnych użytkowników

Kogo uważać za aktywnego użytkownika? Minimalne działanie — otwarcie aplikacji (session start). Jednak wiele zespołów ustawia próg: sesja dłuższa niż 10 sekund lub wykonanie przynajmniej jednego docelowego działania. To wyklucza przypadkowe otwarcia i boty. Różne progi aktywności prowadzą do różnic w MAU na poziomie 10-30%, dlatego metodologia powinna być ustalona i niezmienna między okresami.

Automatyzacja obliczania MAU

Większość firm automatyzuje obliczanie MAU przez pipeline'y ETL. Dane z Firebase, Amplitude lub własnych serwerów są agregowane w Clickhouse lub Snowflake. Codzienne przeliczanie MAU pozwala widzieć trendy w czasie rzeczywistym. Ważne: przy zmianie metodologii (np. progu aktywności) przelicz MAU za poprzednie okresy, aby zachować porównywalność danych.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filtr minimalnej długości sesji
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Okno kroczące 30 dni
    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: hierarchia metryk

Trzy metryki — DAU, WAU i MAU — tworzą system oceny aktywnej publiczności na różnych horyzontach czasowych. Razem dają kompleksowy obraz zdrowia produktu. Analityk, który patrzy tylko na MAU, ryzykuje przeoczenie codziennych problemów; ten, kto patrzy tylko na DAU, nie widzi strategicznego trendu.

Związek między DAU, WAU i MAU

Stosunek metryk opisuje prosta prawidłowość: DAU ≤ WAU ≤ MAU. Różnica między DAU a MAU pokazuje, jak równomiernie użytkownicy są rozłożeni w dniach miesiąca. Jeśli DAU stanowi 10% MAU — użytkownicy logują się rzadko (np. aplikacja do rezerwacji hoteli). Jeśli DAU stanowi 50% MAU — aplikacja jest używana prawie codziennie (media społecznościowe, komunikatory). Współczynnik DAU/MAU nazywa się Stickiness i jest standardowym wskaźnikiem zaangażowania.

Stickiness: główny wskaźnik zaangażowania

Stickiness = DAU / MAU * 100%. Wartość powyżej 50% — doskonały wskaźnik dla każdej aplikacji. Wartość 20-50% — norma dla większości produktów. Wartość poniżej 20% — sygnał problemu z powracalnością. Stickiness nie zależy od skali: aplikacja z 1 mln MAU i startup z 10 tys. MAU mogą mieć taki sam wskaźnik. To czyni metrykę wygodną do benchmarkingu i porównywania produktów w ramach jednej kategorii.

Normy MAU według kategorii aplikacji

Normy MAU zależą od kategorii, geografii i dojrzałości produktu. Zamiast wartości bezwzględnych analitycy używają dynamiki MAU (wzrost miesiąc do miesiąca) i relacji z innymi metrykami. Wzrost MAU o 10% miesiąc do miesiąca jest uważany za dobry dla dojrzałego produktu, o 30%+ — dla szybko rosnącego.

Benchmarki MAU według kategorii

Według danych raportu App Annie State of Mobile 2025, medianowy MAU dla różnych kategorii jest zróżnicowany. Social Media: 50-500 mln (gracze globalni), Gaming: 1-50 mln, E-commerce: 100 tys. — 10 mln, Fintech: 500 tys. — 20 mln. Te liczby silnie zależą od regionu: aplikacja z 1 mln MAU w USA może być uznana za dużą, w Indiach — za średnią. Porównywanie MAU ma sens tylko w obrębie jednej kategorii i jednego regionu geograficznego.

MAU a monetyzacja

MAU jest bezpośrednio związany z przychodem przez ARPU. Jeśli MAU rośnie, a ARPU spada — biznes skaluje się na mniej wypłacalną publiczność. Jeśli MAU jest stabilny, a ARPU rośnie — produkt zwiększa monetyzację istniejącej bazy. Idealny scenariusz: wzrost MAU przy zachowaniu lub wzroście ARPU. Stosunek MAU do Revenue to kluczowy wskaźnik do oceny ekonomiki jednostkowej aplikacji mobilnej.

Jak zwiększyć MAU w aplikacji mobilnej?

Wzrost MAU to przede wszystkim wzrost liczby nowych użytkowników (akwizycja) i zmniejszenie odpływu (retencja). W przeciwieństwie do DAU, który można podnieść taktycznymi metodami, MAU wymaga systematycznej strategii przyciągania i utrzymywania publiczności. Rozważmy główne kanały wzrostu potwierdzone praktyką wiodących produktów mobilnych.

Organiczna akwizycja: ASO i treści

App Store Optimization (ASO) — najbardziej ekonomiczny sposób wzrostu MAU. Optymalizacja nazwy, słów kluczowych, ikony i zrzutów ekranu może zwiększyć ruch organiczny o 20-40%. Drugi kanał — content marketing: artykuły, wideo i case studies, które pozycjonują się w wyszukiwarkach i przyciągają nowych użytkowników. Dla aplikacji B2C skuteczne są mechaniki wirusowe: „zaproś znajomego — otrzymaj bonus”.

Płatne pozyskiwanie (UA)

User Acquisition (UA) — kanały płatne: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Koszt pozyskania jednego MAU znacznie się różni: od $0.50 na rynkach rozwijających się do $5-8 w US/EU. Kluczowa zasada: CAC (Customer Acquisition Cost) powinien być niższy od LTV (Lifetime Value) co najmniej 3-krotnie. Kampanie reklamowe powinny być targetowane na kohorty z retencją Day 30 powyżej 20%.

Programy poleceń i wiralność

Mechaniki poleceń — driver organicznego wzrostu MAU. Dropbox urósł z 100 tys. do 4 mln MAU w ciągu 15 miesięcy dzięki programowi poleceń. Klucz do sukcesu: wartość bonusu dla obu stron (zapraszający i zaproszony). Dla aplikacji mobilnych skuteczne są linki polecające z deep linking — nowy użytkownik od razu trafia na odpowiedni ekran aplikacji po instalacji.

-- Obliczenie MAU z podziałem na źródło ruchu
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;