MAU în analitica mobilă — ce este, metrica audienței lunare și cum se calculează

Ce este MAU în analitica mobilă?

MAU (Monthly Active Users) — metrica care arată numărul de utilizatori unici care au efectuat o acțiune țintă în aplicație în ultimele 30 de zile calendaristice. Spre deosebire de DAU, MAU nu este sensibil la fluctuațiile zilnice și oferă o imagine stabilă a dimensiunii bazei active. Este standardul de raportare pentru companiile tehnologice publice: Facebook, Spotify, Uber și altele indică MAU în rapoartele trimestriale.

De ce MAU este metrica numărul unu pentru investitori

Investitorii evaluează scara afacerii tocmai după MAU. Metrica arată câți utilizatori produsul reține pe parcursul unei luni — orizontul minim pentru evaluarea product-market fit. Facebook raportează MAU din 2012, iar creșterea acestei metrici corelează direct cu capitalizarea companiei. Pentru startup-uri, MAU este unul dintre indicatorii cheie în pitch-deck-uri și runde de finanțare.

MAU în contextul analiticii de produs

În analitica de produs, MAU este utilizat ca metrică de intrare pentru multe calcule. Pe baza sa se calculează raportul MAU/DAU (Stickiness), ARPU (Average Revenue Per User) și LTV (Lifetime Value). Fără un MAU precis, nu se poate evalua corect conversia în utilizatori plătitori și eficiența canalelor de marketing. MAU este baza piramidei metricilor pe care se construiesc toți ceilalți indicatori de monetizare și implicare.

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;

Cum se calculează MAU?

Calculul MAU la prima vedere este simplu: numărarea utilizatorilor unici în 30 de zile. Cu toate acestea, în practică apar câteva nuanțe care afectează acuratețea. Alegerea metodei de calcul — luna calendaristică sau fereastra mobilă — determină cât de mult corespunde metrica activității reale a utilizatorilor în dezvoltarea mobilă.

Luna calendaristică versus fereastra mobilă

Luna calendaristică — abordarea tradițională: MAU se calculează de la 1 până la ultima zi a lunii. Este convenabilă pentru raportare, dar creează artefacte: de exemplu, dacă pe data de 30 a avut loc o defecțiune, MAU pentru lună va fi subestimat. Fereastra mobilă (rolling 30 days) oferă o metrică mai lină, dar este mai complexă pentru raportarea periodică. Potrivit datelor Mixpanel (2025), 80% dintre echipele de produs folosesc luna calendaristică pentru rapoartele externe și fereastra mobilă pentru dashboard-urile interne.

Deduplicarea utilizatorilor cross-platformă

Un utilizator se poate conecta la aplicație de pe mai multe dispozitive: iPhone și iPad, tabletă Android și desktop. Fără deduplicare, MAU va fi supraestimat cu 20-40%. Cea mai bună practică este utilizarea unui account_id unificat pentru toate platformele. Dacă utilizatorul nu este autentificat, aplicați combinația device_id + Advertising ID (IDFA pe iOS, GAID pe Android) cu deduplicare ulterioară la autentificare.

Contabilizarea utilizatorilor inactivi

Pe cine să considerăm utilizator activ? Acțiunea minimă — deschiderea aplicației (session start). Cu toate acestea, multe echipe stabilesc un prag: sesiune mai lungă de 10 secunde sau efectuarea a cel puțin unei acțiuni țintă. Aceasta exclude deschiderile accidentale și boții. Praguri diferite de activitate duc la diferențe de 10-30% în MAU, prin urmare metodologia trebuie fixată și neschimbată între perioade.

Automatizarea calculului MAU

Majoritatea companiilor automatizează calculul MAU prin pipeline-uri ETL. Datele din Firebase, Amplitude sau servere proprii sunt agregate în Clickhouse sau Snowflake. Recalcularea zilnică a MAU permite vizualizarea tendințelor în timp real. Important: la modificarea metodologiei (de exemplu, pragul de activitate), recalculați MAU pentru perioadele anterioare pentru a păstra comparabilitatea datelor.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filtru după durata minimă a sesiunii
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Fereastră mobilă de 30 de zile
    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: ierarhia metricilor

Trei metrici — DAU, WAU și MAU — formează un sistem de evaluare a audienței active pe diferite orizonturi de timp. Împreună oferă o imagine complexă a sănătății produsului. Analistul care se uită doar la MAU riscă să rateze problemele zilnice; cel care se uită doar la DAU nu vede tendința strategică.

Relația dintre DAU, WAU și MAU

Raportul metricilor este descris de o regularitate simplă: DAU ≤ WAU ≤ MAU. Decalajul dintre DAU și MAU arată cât de uniform sunt distribuiți utilizatorii în zilele lunii. Dacă DAU constituie 10% din MAU — utilizatorii se conectează rar (de exemplu, aplicație de rezervare hoteluri). Dacă DAU constituie 50% din MAU — aplicația este utilizată aproape zilnic (rețele sociale, mesagerie). Coefficientul DAU/MAU se numește Stickiness și este un indicator standard de implicare.

Stickiness: principalul indicator de implicare

Stickiness = DAU / MAU * 100%. Valoarea peste 50% — indicator excelent pentru orice aplicație. Valoarea 20-50% — normală pentru majoritatea produselor. Valoarea sub 20% — semnal de problemă cu revenirea. Stickiness nu depinde de scară: o aplicație cu 1 milion MAU și un startup cu 10 mii MAU pot avea același indicator. Acest lucru face metrica convenabilă pentru benchmarking și compararea produselor din aceeași categorie.

Norme MAU pe categorii de aplicații

Normele MAU depind de categorie, geografie și maturitatea produsului. În loc de valori absolute, analiștii folosesc dinamica MAU (creștere lună la lună) și raportul cu alte metrici. Creșterea MAU cu 10% lună la lună este considerată bună pentru un produs matur, cu 30%+ — pentru un produs cu creștere rapidă.

Benchmark-uri MAU pe categorii

Conform datelor raportului App Annie State of Mobile 2025, MAU median pentru diferite categorii variază. Social Media: 50-500 milioane (jucători globali), Gaming: 1-50 milioane, E-commerce: 100 mii — 10 milioane, Fintech: 500 mii — 20 milioane. Aceste cifre depind puternic de regiune: o aplicație cu 1 milion MAU în SUA poate fi considerată mare, în India — medie. Compararea MAU are sens doar în cadrul aceleiași categorii și aceleiași regiuni geografice.

MAU și monetizarea

MAU este direct legat de venit prin ARPU. Dacă MAU crește, iar ARPU scade — afacerea se scalează către o audiență mai puțin solvabilă. Dacă MAU este stabil, iar ARPU crește — produsul își mărește monetizarea bazei existente. Scenariul ideal: creșterea MAU cu păstrarea sau creșterea ARPU. Raportul MAU către Venit este un indicator cheie pentru evaluarea economiei unitare a unei aplicații mobile.

Cum să crești MAU într-o aplicație mobilă?

Creșterea MAU este în primul rând creșterea numărului de utilizatori noi (achiziție) și reducerea pierderii (retenție). Spre deosebire de DAU, care poate fi ridicat prin metode tactice, MAU necesită o strategie sistematică de atragere și păstrare a audienței. Să analizăm principalele canale de creștere confirmate de practica produselor mobile de top.

Achiziție organică: ASO și conținut

App Store Optimization (ASO) — cel mai economic mod de creștere a MAU. Optimizarea numelui, cuvintelor cheie, pictogramei și capturilor de ecran poate crește traficul organic cu 20-40%. Al doilea canal — marketingul de conținut: articole, videoclipuri și cazuri practice care se clasează în căutare și aduc utilizatori noi. Pentru aplicațiile B2C, mecanismele virale sunt eficiente: „invită un prieten — primește un bonus”.

Achiziția plătită (UA)

User Acquisition (UA) — canale plătite: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Costul de achiziție al unui MAU variază semnificativ: de la $0.50 în piețele în curs de dezvoltare la $5-8 în SUA/UE. Principiul cheie: CAC (Customer Acquisition Cost) trebuie să fie de cel puțin 3 ori mai mic decât LTV (Lifetime Value). Campaniile publicitare trebuie să vizeze cohorte cu retenție Day 30 peste 20%.

Programe de recomandare și viralitate

Mecanismele de recomandare — motorul creșterii organice a MAU. Dropbox a crescut de la 100 mii la 4 milioane MAU în 15 luni datorită programului de recomandare. Cheia succesului: valoarea bonusului pentru ambele părți (cel care recomandă și cel recomandat). Pentru aplicațiile mobile, linkurile de recomandare cu deep linking sunt eficiente — noul utilizator ajunge direct pe ecranul corect al aplicației după instalare.

-- Calculul MAU cu defalcare pe sursă de trafic
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;