MAU в мобильной аналитике — что это, метрика ежемесячной аудитории и как считать

Что такое MAU в мобильной аналитике?

MAU (Monthly Active Users) — метрика, показывающая количество уникальных пользователей, выполнивших целевое действие в приложении за последние 30 календарных дней. В отличие от DAU, MAU не чувствительна к дневным колебаниям и даёт стабильную картину размера активной базы. Это стандарт отчётности для публичных технологических компаний: Facebook, Spotify, Uber и другие указывают MAU в квартальных отчётах.

Почему MAU — метрика номер один для инвесторов

Инвесторы оценивают масштаб бизнеса именно по MAU. Метрика показывает, сколько пользователей продукт удерживает в течение месяца — минимальный горизонт для оценки product-market fit. Facebook отчитывается по MAU с 2012 года, и рост этой метрики напрямую коррелирует с капитализацией компании. Для стартапов MAU — один из ключевых показателей в питч-деках и раундах финансирования.

MAU в контексте продуктовой аналитики

В продуктовой аналитике MAU используется как входная метрика для многих расчётов. На её основе считают MAU/DAU ratio (Stickiness), ARPU (Average Revenue Per User) и LTV (Lifetime Value). Без точного MAU невозможно корректно оценить конверсию в платящих пользователей и эффективность маркетинговых каналов. MAU — основа пирамиды метрик, на которой строятся все остальные показатели монетизации и вовлечённости.

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;

Как рассчитывается MAU?

Расчёт MAU на первый взгляд прост: посчитать уникальных пользователей за 30 дней. Однако на практике возникает несколько нюансов, влияющих на точность. Выбор метода расчёта — календарный месяц или скользящее окно — определяет, насколько метрика соответствует реальной активности пользователей в мобильной разработке.

Календарный месяц против скользящего окна

Календарный месяц — традиционный подход: MAU считается с 1-го по последнее число месяца. Он удобен для отчётности, но создаёт артефакты: например, если 30-го числа произошёл сбой, MAU за месяц будет занижен. Скользящее окно (rolling 30 days) даёт более гладкую метрику, но сложнее для периодической отчётности. По данным Mixpanel (2025), 80% продуктовых команд используют календарный месяц для внешних отчётов и скользящее окно — для внутренних дашбордов.

Дедупликация кросс-платформенных пользователей

Один пользователь может заходить в приложение с нескольких устройств: iPhone и iPad, Android-планшет и десктоп. Без дедупликации MAU будет завышен на 20-40%. Лучшая практика — использование единого account_id для всех платформ. Если пользователь не авторизован, применяйте связку device_id + Advertising ID (IDFA на iOS, GAID на Android) с последующей дедупликацией при авторизации.

Учёт неактивных пользователей

Кого считать активным пользователем? Минимальное действие — открытие приложения (session start). Однако многие команды устанавливают порог: сессия длиннее 10 секунд или выполнение хотя бы одного целевого действия. Это исключает случайные открытия и ботов. Разные пороги активности приводят к различиям в MAU на 10-30%, поэтому методология должна быть зафиксирована и не меняться между периодами.

Автоматизация расчёта MAU

Большинство компаний автоматизируют расчёт MAU через ETL-пайплайны. Данные из Firebase, Amplitude или собственных серверов агрегируются в Clickhouse или Snowflake. Ежедневный пересчёт MAU позволяет видеть тренды в реальном времени. Важно: при изменении методологии (например, порога активности) пересчитайте MAU за предыдущие периоды, чтобы сохранить сопоставимость данных.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Фильтр по минимальной длине сессии
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Скользящее окно 30 дней
    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: иерархия метрик

Три метрики — DAU, WAU и MAU — образуют систему оценки активной аудитории на разных временных горизонтах. Вместе они дают комплексную картину здоровья продукта. Аналитик, который смотрит только на MAU, рискует пропустить ежедневные проблемы; тот, кто смотрит только на DAU, не видит стратегического тренда.

Связь между DAU, WAU и MAU

Соотношение метрик описывается простой закономерностью: DAU ≤ WAU ≤ MAU. Разрыв между DAU и MAU показывает, насколько равномерно пользователи распределены по дням месяца. Если DAU составляет 10% от MAU — пользователи заходят редко (например, приложение для бронирования отелей). Если DAU составляет 50% от MAU — приложение используют почти ежедневно (социальные сети, мессенджеры). Коэффициент DAU/MAU называется Stickiness и является стандартным показателем вовлечённости.

Stickiness: главный показатель вовлечённости

Stickiness = DAU / MAU * 100%. Значение выше 50% — отличный показатель для любого приложения. Значение 20-50% — норма для большинства продуктов. Значение ниже 20% — сигнал проблемы с возвращаемостью. Stickiness не зависит от масштаба: у приложения с 1 млн MAU и у стартапа с 10 тыс. MAU он может быть одинаковым. Это делает метрику удобной для бенчмаркинга и сравнения продуктов внутри одной категории.

Нормы MAU по категориям приложений

Нормы MAU зависят от категории, географии и зрелости продукта. Вместо абсолютных значений аналитики используют динамику MAU (Month-over-Month growth) и соотношение с другими метриками. Рост MAU на 10% месяц к месяцу считается хорошим для зрелого продукта, на 30%+ — для быстрорастущего.

Бенчмарки MAU по категориям

По данным отчёта App Annie State of Mobile 2025, медианный MAU для разных категорий варьируется. Social Media: 50-500 млн (глобальные игроки), Gaming: 1-50 млн, E-commerce: 100 тыс. — 10 млн, Fintech: 500 тыс. — 20 млн. Эти цифры сильно зависят от региона: приложение с 1 млн MAU в США может считаться крупным, в Индии — средним. Сравнивать MAU имеет смысл только внутри одной категории и одного географического региона.

MAU и монетизация

MAU напрямую связан с выручкой через ARPU. Если MAU растёт, а ARPU падает — бизнес масштабируется на менее платёжеспособную аудиторию. Если MAU стабилен, а ARPU растёт — продукт увеличивает монетизацию существующей базы. Идеальный сценарий: рост MAU при сохранении или росте ARPU. Отношение MAU к Revenue — ключевой показатель для оценки unit-экономики мобильного приложения.

Как увеличить MAU в мобильном приложении?

Рост MAU — это прежде всего рост количества новых пользователей (acquisition) и снижение оттока (retention). В отличие от DAU, который можно поднять тактическими методами, MAU требует системной стратегии привлечения и удержания аудитории. Рассмотрим основные каналы роста, подтверждённые практикой ведущих мобильных продуктов.

Органический acquisition: ASO и контент

App Store Optimization (ASO) — самый экономичный способ роста MAU. Оптимизация названия, ключевых слов, иконки и скриншотов может увеличить органический трафик на 20-40%. Второй канал — контент-маркетинг: статьи, видео и кейсы, которые ранжируются в поиске и приводят новых пользователей. Для B2C-приложений эффективны вирусные механики: «пригласи друга — получи бонус».

Платное привлечение (UA)

User Acquisition (UA) — платные каналы: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Стоимость привлечения одного MAU сильно варьируется: от $0.50 в developing markets до $5-8 в US/EU. Ключевой принцип: CAC (Customer Acquisition Cost) должен быть ниже LTV (Lifetime Value) минимум в 3 раза. Рекламные кампании должны таргетироваться на когорты с retention Day 30 выше 20%.

Реферальные программы и виральность

Реферальные механики — драйвер органического роста MAU. Dropbox вырос с 100 тыс. до 4 млн MAU за 15 месяцев благодаря реферальной программе. Ключ к успеху: ценность бонуса для обеих сторон (приглашающий и приглашённый). Для мобильных приложений эффективны реферальные ссылки с deep linking — новый пользователь сразу попадает в нужный экран приложения после установки.

-- Расчёт MAU с разбивкой по источнику трафика
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;