MAU у мобилној аналитици — шта је то, метрика месечне публике и како се рачуна

Шта је MAU у мобилној аналитици?

MAU (Monthly Active Users) — метрика која показује број јединствених корисника који су извршили циљану радњу у апликацији у последњих 30 календарских дана. За разлику од DAU-а, MAU није осетљив на дневне флуктуације и даје стабилну слику величине активне базе. Ово је стандард извештавања за јавна технолошка предузећа: Facebook, Spotify, Uber и други наводе MAU у кварталним извештајима.

Зашто је MAU метрика број један за инвеститоре

Инвеститори процењују размеру пословања управо на основу MAU-а. Метрика показује колико корисника производ задржава током месеца — минимални хоризонт за процену product-market fit-а. Facebook извештава о MAU-у од 2012. године, а раст ове метрике директно корелира са капитализацијом компаније. За стартапове, MAU је један од кључних показатеља у pitch-deck-овима и рундама финансирања.

MAU у контексту аналитике производа

У аналитици производа, MAU се користи као улазна метрика за многе прорачуне. На његовој основи се рачунају MAU/DAU однос (Stickiness), ARPU (Average Revenue Per User) и LTV (Lifetime Value). Без прецизног MAU-а није могуће правилно проценити конверзију у плаћајуће кориснике и ефикасност маркетиншких канала. MAU је основа пирамиде метрика на којој се граде сви остали показатељи монетизације и ангажовања.

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;

Како се израчунава MAU?

Израчунавање MAU-а на први поглед је једноставно: пребројати јединствене кориснике у 30 дана. Међутим, у пракси се јавља неколико нијанси које утичу на тачност. Избор метода израчунавања — календарски месец или клизни прозор — одређује колико метрика одговара стварној активности корисника у мобилном развоју.

Календарски месец наспрам клизног прозора

Календарски месец — традиционални приступ: MAU се рачуна од 1. до последњег дана месеца. Погодан је за извештавање, али ствара артефакте: на пример, ако се 30. дана догоди квар, MAU за месец ће бити потцењен. Клизни прозор (rolling 30 days) даје глаткију метрику, али је сложенији за периодично извештавање. Према подацима Mixpanel-а (2025), 80% тимова производа користи календарски месец за спољне извештаје и клизни прозор за интерне контролне табле.

Дедупликација унакрсних платформских корисника

Један корисник може да се пријави на апликацију са више уређаја: iPhone и iPad, Android таблет и десктоп. Без дедупликације, MAU ће бити прецењен за 20-40%. Најбоља пракса је коришћење јединственог account_id-а за све платформе. Ако корисник није пријављен, примените комбинацију device_id + Advertising ID (IDFA на iOS-у, GAID на Android-у) са накнадном дедупликацијом при пријављивању.

Узимање у обзир неактивних корисника

Кога сматрати активним корисником? Минимална радња — отварање апликације (session start). Међутим, многи тимови постављају праг: сесија дужа од 10 секунди или извршење барем једне циљане радње. Ово искључује случајна отварања и ботове. Различити прагови активности доводе до разлика у MAU-у од 10-30%, стога методологија мора бити фиксирана и непромењена између периода.

Аутоматизација израчунавања MAU-а

Већина компанија аутоматизује израчунавање MAU-а кроз ETL цевоводе. Подаци из Firebase-а, Amplitude-а или сопствених сервера агрегирају се у Clickhouse-у или Snowflake-у. Дневно прерачунавање MAU-а омогућава увид у трендове у реалном времену. Важно: при промени методологије (нпр. прага активности) прерачунајте MAU за претходне периоде да бисте сачували упоредивост података.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Филтер по минималном трајању сесије
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Клизни прозор од 30 дана
    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: хијерархија метрика

Три метрике — DAU, WAU и MAU — чине систем процене активне публике на различитим временским хоризонтима. Заједно дају комплексну слику здравља производа. Аналитичар који гледа само MAU ризикује да пропусти дневне проблеме; онај који гледа само DAU не види стратешки тренд.

Однос између DAU, WAU и MAU

Однос метрика описује се једноставном правилношћу: DAU ≤ WAU ≤ MAU. Разлика између DAU-а и MAU-а показује колико су равномерно корисници распоређени по данима месеца. Ако DAU чини 10% MAU-а — корисници се ретко пријављују (нпр. апликација за резервацију хотела). Ако DAU чини 50% MAU-а — апликација се користи готово свакодневно (друштвене мреже, месинџери). Коефицијент DAU/MAU назива се Stickiness и представља стандардни показатељ ангажовања.

Stickiness: главни показатель ангажовања

Stickiness = DAU / MAU * 100%. Вредност изнад 50% — одличан показатель за било коју апликацију. Вредност 20-50% — норма за већину производа. Вредност испод 20% — сигнал проблема са повратком. Stickiness не зависи од размере: апликација са 1 милион MAU-а и стартап са 10 хиљада MAU-а могу имати исти показатель. Ово чини метрику погодном за бенчмаркинг и поређење производа унутар исте категорије.

Норме MAU-а по категоријама апликација

Норме MAU-а зависе од категорије, географије и зрелости производа. Уместо апсолутних вредности, аналитичари користе динамику MAU-а (раст месец у односу на месец) и однос са другим метрикама. Раст MAU-а од 10% месец у односу на месец сматра се добрим за зрео производ, од 30%+ — за брзорастући.

Бенчмаркови MAU-а по категоријама

Према подацима извештаја App Annie State of Mobile 2025, медијан MAU-а за различите категорије варира. Social Media: 50-500 милиона (глобални играчи), Gaming: 1-50 милиона, E-commerce: 100 хиљада — 10 милиона, Fintech: 500 хиљада — 20 милиона. Ове бројке снажно зависе од региона: апликација са 1 милион MAU-а у САД може се сматрати великом, у Индији — средњом. Поређење MAU-а има смисла само у оквиру исте категорије и истог географског региона.

MAU и монетизација

MAU је директно повезан са приходом путем ARPU-а. Ако MAU расте, а ARPU опада — пословање се скалира ка мање солвентној публици. Ако је MAU стабилан, а ARPU расте — производ повећава монетизацију постојеће базе. Идеалан сценарио: раст MAU-а уз задржавање или раст ARPU-а. Однос MAU-а према Приходу кључни је показатель за процену јединичне економије мобилне апликације.

Како повећати MAU у мобилној апликацији?

Раст MAU-а је пре свега пораст броја нових корисника (аквизиција) и смањење одлива (retencija). За разлику од DAU-а, који се може подићи тактичким методама, MAU захтева систематску стратегију привлачења и задржавања публике. Размотримо главне канале раста потврђене праксом водећих мобилних производа.

Органска аквизиција: ASO и садржај

App Store Optimization (ASO) — најекономичнији начин раста MAU-а. Оптимизација назива, кључних речи, иконе и снимака екрана може повећати органски саобраћај за 20-40%. Други канал — маркетинг садржаја: чланци, видеи и студије случаја који се рангирају у претрази и доводе нове кориснике. За B2C апликације ефикасни су вирусни механизми: „позови пријатеља — добиј бонус‟.

Плаћено привлачење (UA)

User Acquisition (UA) — плаћени канали: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Цена привлачења једног MAU-а значајно варира: од $0.50 на тржиштима у развоју до $5-8 у САД/ЕУ. Кључни принцип: CAC (Customer Acquisition Cost) треба да буде најмање 3 пута нижи од LTV (Lifetime Value). Рекламне кампање треба да циљају кохорте са ретенцијом Day 30 изнад 20%.

Реферални програми и виралност

Реферални механизми — покретач органског раста MAU-а. Dropbox је порастао са 100 хиљада на 4 милиона MAU-а за 15 месеци захваљујући рефералном програму. Кључ успеха: вредност бонуса за обе стране (онај који позива и позвани). За мобилне апликације ефикасни су реферални линкови са deep linking-ом — нови корисник одмах након инсталације стиже на прави екран апликације.

-- 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;