MAU em análise mobile — o que é, métrica de público mensal e como calcular

O que é MAU em análise mobile?

MAU (Usuários Ativos Mensais) — uma métrica que mostra o número de usuários únicos que realizaram uma ação alvo no aplicativo nos últimos 30 dias corridos. Ao contrário do DAU, o MAU não é sensível a flutuações diárias e fornece uma imagem estável do tamanho da base ativa. Este é o padrão de relatórios para empresas de tecnologia públicas: Facebook, Spotify, Uber e outras reportam MAU em resultados trimestrais.

Por que o MAU é a métrica número um para investidores

Os investidores avaliam a escala do negócio precisamente pelo MAU. A métrica mostra quantos usuários o produto retém durante um mês — o horizonte mínimo para avaliar o product-market fit. O Facebook reporta MAU desde 2012, e o crescimento dessa métrica correlaciona-se diretamente com a capitalização de mercado da empresa. Para startups, o MAU é uma das métricas-chave em pitch decks e rodadas de financiamento.

MAU no contexto da análise de produto

Na análise de produto, o MAU é usado como métrica de entrada para muitos cálculos. Ele serve como base para a relação MAU/DAU (Stickiness), ARPU (Receita Média por Usuário) e LTV (Valor do Ciclo de Vida). Sem um MAU preciso, é impossível avaliar corretamente a conversão para usuários pagantes e a eficácia dos canais de marketing. O MAU é a base da pirâmide de métricas sobre a qual todos os outros indicadores de monetização e engajamento são construídos.

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;

Como o MAU é calculado?

O cálculo do MAU parece simples à primeira vista: contar usuários únicos em 30 dias. No entanto, na prática, surgem várias nuances que afetam a precisão. A escolha do método de cálculo — mês calendário ou janela móvel — determina o quão bem a métrica reflete a atividade real do usuário no desenvolvimento mobile.

Mês calendário vs janela móvel

O mês calendário é a abordagem tradicional: o MAU é calculado do 1º ao último dia do mês. É conveniente para relatórios, mas cria artefatos: por exemplo, se ocorrer uma falha no dia 30, o MAU do mês será subestimado. A janela móvel (rolling 30 dias) fornece uma métrica mais suave, mas é mais complexa para relatórios periódicos. De acordo com a Mixpanel (2025), 80% das equipes de produto usam o mês calendário para relatórios externos e a janela móvel para painéis internos.

Deduplicação de usuários multiplataforma

Um mesmo usuário pode acessar o aplicativo de vários dispositivos: iPhone e iPad, tablet Android e desktop. Sem deduplicação, o MAU será inflado em 20-40%. A melhor prática é usar um único account_id para todas as plataformas. Se o usuário não estiver autenticado, use uma combinação de device_id + Advertising ID (IDFA no iOS, GAID no Android) com deduplicação posterior ao login.

Consideração de usuários inativos

Quem conta como usuário ativo? A ação mínima é abrir o aplicativo (início de sessão). No entanto, muitas equipes estabelecem um limite: sessão com mais de 10 segundos ou realização de pelo menos uma ação alvo. Isso exclui aberturas acidentais e bots. Limites diferentes de atividade levam a variações de MAU de 10-30%, portanto a metodologia deve ser fixada e não alterada entre períodos.

Automatização do cálculo de MAU

A maioria das empresas automatiza o cálculo de MAU por meio de pipelines ETL. Os dados do Firebase, Amplitude ou servidores próprios são agregados no Clickhouse ou Snowflake. O recálculo diário do MAU permite ver tendências em tempo real. Importante: ao alterar a metodologia (por exemplo, limite de atividade), recalcule o MAU para períodos anteriores para manter a comparabilidade dos dados.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filtro de duração mínima de sessão
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Janela móvel de 30 dias
    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: hierarquia de métricas

Três métricas — DAU, WAU e MAU — formam um sistema para avaliar o público ativo em diferentes horizontes de tempo. Juntas, elas fornecem uma imagem abrangente da saúde do produto. Um analista que olha apenas para o MAU corre o risco de perder problemas diários; aquele que olha apenas para o DAU perde a tendência estratégica.

Relação entre DAU, WAU e MAU

A relação das métricas segue um padrão simples: DAU ≤ WAU ≤ MAU. A lacuna entre DAU e MAU mostra o quão uniformemente os usuários estão distribuídos ao longo dos dias do mês. Se DAU representa 10% do MAU — os usuários visitam com pouca frequência (por exemplo, um aplicativo de reserva de hotéis). Se DAU representa 50% do MAU — o aplicativo é usado quase diariamente (redes sociais, mensageiros). A relação DAU/MAU é chamada de Stickiness e é um indicador padrão de engajamento.

Stickiness: o principal indicador de engajamento

Stickiness = DAU / MAU * 100%. Um valor acima de 50% é excelente para qualquer aplicativo. Um valor de 20-50% é normal para a maioria dos produtos. Um valor abaixo de 20% sinaliza um problema de retenção. Stickiness não depende da escala: um aplicativo com 1 milhão de MAU e uma startup com 10 mil MAU podem ter o mesmo Stickiness. Isso torna a métrica conveniente para benchmarking e comparação de produtos dentro da mesma categoria.

Normas de MAU por categoria de aplicativo

As normas de MAU dependem da categoria, geografia e maturidade do produto. Em vez de valores absolutos, os analistas usam a dinâmica do MAU (crescimento mês a mês) e as relações com outras métricas. Um crescimento de MAU de 10% mês a mês é considerado bom para um produto maduro, 30%+ para um de rápido crescimento.

Benchmarks de MAU por categoria

De acordo com o relatório App Annie State of Mobile 2025, o MAU mediano varia por categoria. Mídias Sociais: 50-500 milhões (players globais), Games: 1-50 milhões, E-commerce: 100 mil — 10 milhões, Fintech: 500 mil — 20 milhões. Esses números dependem fortemente da região: um aplicativo com 1 milhão de MAU nos EUA pode ser considerado grande, na Índia — médio. Comparar o MAU só faz sentido dentro da mesma categoria e região geográfica.

MAU e monetização

MAU está diretamente ligado à receita através do ARPU. Se o MAU cresce enquanto o ARPU cai, o negócio está se expandindo para um público menos solvente. Se o MAU é estável enquanto o ARPU cresce, o produto está aumentando a monetização de sua base existente. O cenário ideal: crescimento do MAU mantendo ou aumentando o ARPU. A relação MAU/Receita é um indicador-chave para avaliar a economia unitária do aplicativo mobile.

Como aumentar o MAU em um aplicativo mobile?

O crescimento do MAU é principalmente sobre aumentar o número de novos usuários (aquisição) e reduzir a perda (retenção). Ao contrário do DAU, que pode ser impulsionado por métodos táticos, o MAU requer uma estratégia sistemática de atração e retenção de público. Vamos explorar os principais canais de crescimento, confirmados pela prática dos principais produtos mobile.

Aquisição orgânica: ASO e conteúdo

App Store Optimization (ASO) é a forma mais econômica de aumentar o MAU. Otimizar o título, palavras-chave, ícone e capturas de tela pode aumentar o tráfego orgânico em 20-40%. O segundo canal é o marketing de conteúdo: artigos, vídeos e estudos de caso que ranqueiam na busca e trazem novos usuários. Para aplicativos B2C, mecânicas virais são eficazes: “convide um amigo — ganhe um bônus.”

Aquisição de usuários paga (UA)

User Acquisition (UA) — canais pagos: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. O custo de adquirir um MAU varia amplamente: de $0,50 em mercados emergentes a $5-8 nos EUA/UE. O princípio-chave: o CAC (Custo de Aquisição de Cliente) deve ser pelo menos 3 vezes menor que o LTV (Valor do Ciclo de Vida). As campanhas publicitárias devem segmentar coortes com retenção no Dia 30 acima de 20%.

Programas de indicação e viralidade

As mecânicas de indicação são um motor de crescimento orgânico do MAU. O Dropbox cresceu de 100 mil para 4 milhões de MAU em 15 meses graças ao seu programa de indicação. A chave do sucesso: o valor do bônus para ambas as partes (quem indica e quem é indicado). Para aplicativos mobile, links de indicação com deep linking são eficazes — o novo usuário chega diretamente à tela desejada após a instalação.

-- Cálculo de MAU por fonte de tráfego
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;