MAU inom mobilanalys — vad det är, mätvärde för månatlig publik och hur man räknar

Vad är MAU inom mobilanalys?

MAU (Monthly Active Users) — ett mätvärde som visar antalet unika användare som utfört en målhändelse i applikationen under de senaste 30 kalenderdagarna. Till skillnad från DAU är MAU inte känsligt för dagliga fluktuationer och ger en stabil bild av den aktiva basens storlek. Det är rapporteringsstandarden för publika teknikföretag: Facebook, Spotify, Uber och andra rapporterar MAU i kvartalsrapporter.

Varför MAU är mätvärdet nummer ett för investerare

Investerare bedömer verksamhetens skala just baserat på MAU. Mätvärdet visar hur många användare produkten behåller under en månad — den minsta horisonten för att bedöma product-market fit. Facebook rapporterar MAU sedan 2012, och tillväxten av detta mätvärde korrelerar direkt med företagets marknadsvärde. För nystartade företag är MAU en av nyckelindikatorerna i pitch-deckar och finansieringsrundor.

MAU i kontexten av produktanalys

Inom produktanalys används MAU som ett ingångsmått för många beräkningar. Baserat på detta beräknas MAU/DAU-kvoten (Stickiness), ARPU (Average Revenue Per User) och LTV (Lifetime Value). Utan ett korrekt MAU är det omöjligt att korrekt bedöma konvertering till betalande användare och effektiviteten hos marknadsföringskanaler. MAU är basen i mätvärdepyramiden som alla andra intäkts- och engagemangsindikatorer bygger på.

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;

Hur beräknas MAU?

Beräkningen av MAU verkar vid första anblicken enkel: räkna unika användare under 30 dagar. Men i praktiken uppstår flera nyanser som påverkar noggrannheten. Valet av beräkningsmetod — kalendermånad eller rullande fönster — avgör hur väl mätvärdet motsvarar den faktiska användaraktiviteten inom mobilutveckling.

Kalendermånad kontra rullande fönster

Kalendermånad — traditionellt tillvägagångssätt: MAU beräknas från den 1:a till den sista dagen i månaden. Det är bekvämt för rapportering men skapar artefakter: till exempel, om ett fel inträffar den 30:e blir MAU för månaden lägre. Rullande fönster (rolling 30 days) ger ett jämnare mätvärde men är mer komplext för periodisk rapportering. Enligt Mixpanel (2025) använder 80% av produktteamen kalendermånad för externa rapporter och rullande fönster för interna dashboards.

Deduplicering av användare över flera plattformar

En användare kan logga in i applikationen från flera enheter: iPhone och iPad, Android-surfplatta och stationär dator. Utan deduplicering kommer MAU att vara 20-40% för högt. Bästa praxis är att använda ett gemensamt account_id för alla plattformar. Om användaren inte är inloggad, använd en kombination av device_id + Advertising ID (IDFA på iOS, GAID på Android) med efterföljande deduplicering vid inloggning.

Hänsyn till inaktiva användare

Vem räknas som aktiv användare? Minsta åtgärd är att öppna applikationen (sessionsstart). Många team sätter dock en tröskel: session längre än 10 sekunder eller utförande av minst en målhändelse. Detta utesluter slumpmässiga öppningar och bots. Olika trösklar för aktivitet leder till skillnader i MAU på 10-30%, därför måste metodologin vara fastställd och inte ändras mellan perioder.

Automatisering av MAU-beräkning

De flesta företag automatiserar MAU-beräkning via ETL-pipelines. Data från Firebase, Amplitude eller egna servrar aggregeras i Clickhouse eller Snowflake. Daglig omräkning av MAU möjliggör realtidsövervakning av trender. Viktigt: vid ändring av metodologi (t.ex. aktivitetströskel), räkna om MAU för tidigare perioder för att bibehålla datans jämförbarhet.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filter för minsta sessionslängd
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Rullande 30-dagarsfönster
    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: mätvärdeshierarki

Tre mätvärden — DAU, WAU och MAU — bildar ett system för att bedöma aktiv publik över olika tidshorisonter. Tillsammans ger de en omfattande bild av produktens hälsa. En analytiker som bara tittar på MAU riskerar att missa dagliga problem; den som bara tittar på DAU ser inte den strategiska trenden.

Sambandet mellan DAU, WAU och MAU

Sambandet mellan mätvärdena beskrivs av en enkel regel: DAU ≤ WAU ≤ MAU. Gapet mellan DAU och MAU visar hur jämnt användarna är fördelade över månadens dagar. Om DAU utgör 10% av MAU — loggar användarna in sällan (t.ex. hotellbokningsapp). Om DAU utgör 50% av MAU — används appen nästan dagligen (sociala nätverk, meddelandeappar). Koefficienten DAU/MAU kallas Stickiness och är standardmåttet för engagemang.

Stickiness: det främsta engagemangsmåttet

Stickiness = DAU / MAU * 100%. Värde över 50% — utmärkt indikator för vilken app som helst. Värde 20-50% — normalt för de flesta produkter. Värde under 20% — signal om problem med återkomst. Stickiness beror inte på skala: en app med 1 miljon MAU och ett startup med 10 tusen MAU kan ha samma andel. Detta gör mätvärdet praktiskt för benchmarking och jämförelse av produkter inom samma kategori.

MAU-normer per appkategori

MAU-normer beror på kategori, geografi och produktens mognad. Istället för absoluta värden använder analytiker MAU-dynamik (Month-over-Month-tillväxt) och förhållandet till andra mätvärden. MAU-tillväxt på 10% månad över månad anses bra för en mogen produkt, 30%+ — för en snabbväxande.

MAU-benchmark per kategori

Enligt App Annie State of Mobile 2025-rapporten varierar median-MAU för olika kategorier. Social Media: 50-500 miljoner (globala aktörer), Gaming: 1-50 miljoner, E-handel: 100 tusen — 10 miljoner, Fintech: 500 tusen — 20 miljoner. Dessa siffror beror starkt på region: en app med 1 miljon MAU i USA kan anses stor, i Indien — medelstor. Att jämföra MAU är meningsfullt endast inom samma kategori och samma geografiska region.

MAU och intäktsgenerering

MAU är direkt kopplat till intäkter via ARPU. Om MAU växer men ARPU sjunker — expanderar verksamheten till en mindre betalningskraftig publik. Om MAU är stabilt men ARPU växer — ökar produkten intäktsgenereringen från den befintliga basen. Idealiskt scenario: MAU-tillväxt med bibehållet eller ökande ARPU. Förhållandet MAU till Intäkter är en nyckelindikator för att bedöma enhetsekonomi för en mobilapplikation.

Hur ökar man MAU i en mobilapp?

MAU-tillväxt handlar främst om att öka antalet nya användare (förvärv) och minska avhopp (retention). Till skillnad från DAU, som kan ökas med taktiska metoder, kräver MAU en systematisk strategi för att locka och behålla publik. Låt oss titta på de viktigaste tillväxtkanalerna, bekräftade av ledande mobilprodukters praxis.

Organiskt förvärv: ASO och innehåll

App Store Optimization (ASO) — det mest kostnadseffektiva sättet att växa MAU. Optimering av namn, sökord, ikon och skärmbilder kan öka organisk trafik med 20-40%. Andra kanalen — innehållsmarknadsföring: artiklar, videor och fallstudier som rankas i sök och lockar nya användare. För B2C-appar är virala mekanismer effektiva: “bjud in en vän — få en bonus”.

Betald användarförvärv (UA)

User Acquisition (UA) — betalda kanaler: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Kostnaden för att förvärva en MAU varierar kraftigt: från $0.50 på tillväxtmarknader till $5-8 i USA/EU. Nyckelprincip: CAC (Customer Acquisition Cost) måste vara minst 3 gånger lägre än LTV (Lifetime Value). Reklamkampanjer bör riktas mot kohorter med retention Day 30 över 20%.

Hänvisningsprogram och viralitet

Hänvisningsmekanismer driver organisk MAU-tillväxt. Dropbox växte från 100 tusen till 4 miljoner MAU på 15 månader tack vare sitt hänvisningsprogram. Nyckeln till framgång: värdet av bonusen för båda parter (den som bjuder in och den som blir inbjuden). För mobilappar är hänvisningslänkar med deep linking effektiva — den nya användaren hamnar direkt på rätt skärm i appen efter installation.

-- Beräkning av MAU uppdelat efter trafikkälla
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;