MAU ในการวิเคราะห์มือถือ — เมตริกผู้ใช้ที่ใช้งานรายเดือนคืออะไรและวิธีการคำนวณ

MAU ในการวิเคราะห์มือถือคืออะไร?

MAU (Monthly Active Users) — เมตริกที่แสดงจำนวนผู้ใช้ที่ไม่ซ้ำกันซึ่งดำเนินการตามเป้าหมายในแอปในช่วง 30 วันตามปฏิทินที่ผ่านมา ต่างจาก DAU ตรงที่ MAU ไม่ไวต่อความผันผวนรายวันและให้ ภาพที่เสถียร ของขนาดฐานผู้ใช้ที่ใช้งาน นี่เป็นมาตรฐานการรายงานสำหรับบริษัทเทคโนโลยีสาธารณะ: Facebook, Spotify, Uber และอื่นๆ ระบุ MAU ในรายงานประจำไตรมาส

ทำไม MAU จึงเป็นเมตริกอันดับหนึ่งสำหรับนักลงทุน

นักลงทุน ประเมินขนาดของธุรกิจผ่าน MAU โดยเฉพาะ เมตริกแสดงว่าผลิตภัณฑ์รักษาผู้ใช้ไว้ได้กี่คนภายในหนึ่งเดือน — ขอบฟ้าขั้นต่ำสำหรับการประเมิน product-market fit Facebook รายงาน MAU ตั้งแต่ปี 2012 และการเติบโตของเมตริกนี้มีความสัมพันธ์โดยตรงกับมูลค่าตลาดของบริษัท สำหรับสตาร์ทอัพ MAU เป็นหนึ่งในตัวบ่งชี้สำคัญใน pitch-deck และรอบการระดมทุน

MAU ในบริบทของการวิเคราะห์ผลิตภัณฑ์

ใน การวิเคราะห์ผลิตภัณฑ์ MAU ถูกใช้เป็นเมตริกนำเข้าสำหรับการคำนวณหลายอย่าง จากพื้นฐานนี้คำนวณอัตราส่วน MAU/DAU (Stickiness), ARPU (Average Revenue Per User) และ LTV (Lifetime Value) หากไม่มี MAU ที่แม่นยำ จะไม่สามารถประเมิน การแปลง เป็นผู้ใช้ที่ชำระเงินและประสิทธิภาพของช่องทางการตลาดได้อย่างถูกต้อง MAU เป็นฐานของพีระมิดเมตริก ซึ่งตัวบ่งชี้การสร้างรายได้และการมีส่วนร่วมอื่นๆ ทั้งหมดถูกสร้างขึ้น

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;

MAU คำนวณอย่างไร?

การคำนวณ MAU เมื่อมองแวบแรกนั้นง่าย: นับผู้ใช้ที่ไม่ซ้ำกันใน 30 วัน อย่างไรก็ตาม ในทางปฏิบัติมีความละเอียดอ่อนหลายประการที่ส่งผลต่อความแม่นยำ การเลือกวิธีการคำนวณ — เดือนตามปฏิทินหรือหน้าต่างเลื่อน — กำหนดว่าเมตริกสอดคล้องกับกิจกรรมจริงของผู้ใช้ในการพัฒนามือถือมากน้อยเพียงใด

เดือนตามปฏิทิน vs หน้าต่างเลื่อน

เดือนตามปฏิทิน — วิธีการดั้งเดิม: MAU คำนวณตั้งแต่วันที่ 1 ถึงวันสุดท้ายของเดือน สะดวกสำหรับการรายงาน แต่สร้างสิ่งแปลกปลอม: ตัวอย่างเช่น หากเกิดข้อผิดพลาดในวันที่ 30 MAU ของเดือนจะต่ำกว่าความเป็นจริง หน้าต่างเลื่อน (rolling 30 days) ให้เมตริกที่ราบรื่นกว่า แต่ซับซ้อนกว่าสำหรับการรายงานตามรอบระยะเวลา ตามข้อมูลของ Mixpanel (2025) 80% ของทีมผลิตภัณฑ์ใช้เดือนตามปฏิทินสำหรับรายงานภายนอกและหน้าต่างเลื่อนสำหรับแดชบอร์ดภายใน

การกำจัดข้อมูลซ้ำของผู้ใช้ข้ามแพลตฟอร์ม

ผู้ใช้หนึ่งคนสามารถเข้าถึงแอปจาก หลายอุปกรณ์: iPhone และ iPad, แท็บเล็ต Android และเดสก์ท็อป หากไม่มีการกำจัดข้อมูลซ้ำ MAU จะสูงเกินไป 20-40% แนวทางปฏิบัติที่ดีที่สุด — ใช้ account_id เดียวกันสำหรับทุกแพลตฟอร์ม หากผู้ใช้ไม่ได้ล็อกอิน ให้ใช้ชุด device_id + Advertising ID (IDFA บน iOS, GAID บน Android) และกำจัดข้อมูลซ้ำหลังจากล็อกอิน

การนับผู้ใช้ที่ไม่ใช้งาน

ใครถูกนับ เป็นผู้ใช้ที่ใช้งาน? การดำเนินการขั้นต่ำ — การเปิดแอป (เริ่มเซสชัน) อย่างไรก็ตาม ทีมงานหลายทีมกำหนดเกณฑ์: เซสชันยาวกว่า 10 วินาทีหรือดำเนินการตามเป้าหมายอย่างน้อยหนึ่งอย่าง สิ่งนี้ไม่รวมการเปิดแบบสุ่มและบอท เกณฑ์ที่แตกต่างกัน นำไปสู่ความแตกต่างใน MAU 10-30% ดังนั้นวิธีการต้องถูกกำหนดและไม่เปลี่ยนแปลงระหว่างช่วงเวลา

การคำนวณ MAU อัตโนมัติ

บริษัทส่วนใหญ่ ทำให้การคำนวณ MAU เป็นอัตโนมัติผ่านไปป์ไลน์ ETL ข้อมูลจาก Firebase, Amplitude หรือเซิร์ฟเวอร์ของตัวเองถูกรวบรวมใน Clickhouse หรือ Snowflake การคำนวณ MAU ทุกวันช่วยให้เห็นแนวโน้มแบบเรียลไทม์ สำคัญ: เมื่อเปลี่ยนวิธีการ (เช่น เกณฑ์กิจกรรม) ให้คำนวณ MAU ใหม่สำหรับช่วงก่อนหน้าเพื่อรักษาความสามารถในการเปรียบเทียบของข้อมูล

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # ตัวกรองความยาวเซสชันขั้นต่ำ
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # หน้าต่างเลื่อน 30 วัน
    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: ลำดับชั้นของเมตริก

สามเมตริก — DAU, WAU และ MAU — สร้างระบบสำหรับประเมินผู้ชมที่ใช้งานบนขอบฟ้าเวลาที่แตกต่างกัน เมื่อรวมกันแล้วจะให้ภาพรวมที่ครอบคลุมของสุขภาพผลิตภัณฑ์ นักวิเคราะห์ ที่ดูเฉพาะ MAU อาจพลาดปัญหารายวัน ผู้ที่ดูเฉพาะ DAU จะไม่เห็นแนวโน้มเชิงกลยุทธ์

ความสัมพันธ์ระหว่าง DAU, WAU และ MAU

สัดส่วน ของเมตริกอธิบายด้วยกฎง่ายๆ: DAU ≤ WAU ≤ MAU ช่องว่างระหว่าง DAU และ MAU แสดงให้เห็นว่าผู้ใช้กระจายตัวสม่ำเสมอเพียงใดในวันต่างๆ ของเดือน หาก DAU คิดเป็น 10% ของ MAU — ผู้ใช้เข้าถึงไม่บ่อย (เช่น แอปจองโรงแรม) หาก DAU คิดเป็น 50% ของ MAU — แอปถูกใช้เกือบทุกวัน (โซเชียลมีเดีย, แอปส่งข้อความ) ค่าสัมประสิทธิ์ DAU/MAU เรียกว่า Stickiness และเป็นตัวบ่งชี้มาตรฐานของการมีส่วนร่วม

Stickiness: ตัวบ่งชี้หลักของการมีส่วนร่วม

Stickiness = DAU / MAU * 100% ค่าที่สูงกว่า 50% — ตัวบ่งชี้ที่ยอดเยี่ยมสำหรับแอปใดๆ ค่า 20-50% — ปกติสำหรับผลิตภัณฑ์ส่วนใหญ่ ค่าที่ต่ำกว่า 20% — สัญญาณของปัญหาการกลับมาใช้ซ้ำ Stickiness ไม่ขึ้นอยู่กับขนาด: แอปที่มี 1 ล้าน MAU และสตาร์ทอัพที่มี 10,000 MAU สามารถมีค่าเท่ากัน สิ่งนี้ทำให้เมตริกสะดวกสำหรับการเปรียบเทียบและการเปรียบเทียบผลิตภัณฑ์ภายในหมวดหมู่เดียวกัน

ค่า MAU ปกติตามหมวดหมู่แอป

ค่า MAU ปกติ ขึ้นอยู่กับหมวดหมู่ พื้นที่ทางภูมิศาสตร์ และความสมบูรณ์ของผลิตภัณฑ์ แทนที่จะใช้ค่าสัมบูรณ์ นักวิเคราะห์ใช้การเปลี่ยนแปลงของ MAU (การเติบโตเดือนต่อเดือน) และอัตราส่วนกับเมตริกอื่นๆ การเติบโตของ MAU 10% เดือนต่อเดือนถือว่าดีสำหรับผลิตภัณฑ์ที่โตเต็มที่ 30%+ สำหรับผลิตภัณฑ์ที่เติบโตเร็ว

เกณฑ์มาตรฐาน MAU ตามหมวดหมู่

ตามรายงาน App Annie State of Mobile 2025 ค่ามัธยฐานของ MAU สำหรับหมวดหมู่ต่างๆ แตกต่างกัน โซเชียลมีเดีย: 50-500 ล้าน (ผู้เล่นระดับโลก), เกม: 1-50 ล้าน, อีคอมเมิร์ซ: 100,000 — 10 ล้าน, ฟินเทค: 500,000 — 20 ล้าน ตัวเลขเหล่านี้ขึ้นอยู่กับภูมิภาคอย่างมาก: แอปที่มี 1 ล้าน MAU ในสหรัฐฯ อาจถือว่าใหญ่ ในอินเดีย — ขนาดกลาง การเปรียบเทียบ MAU มีความหมายเฉพาะภายในหมวดหมู่เดียวกันและภูมิภาคทางภูมิศาสตร์เดียวกัน

MAU และการสร้างรายได้

MAU เกี่ยวข้องโดยตรงกับรายได้ผ่าน ARPU หาก MAU เพิ่มขึ้น แต่ ARPU ลดลง — ธุรกิจกำลังขยายไปยังกลุ่มผู้ชมที่มีกำลังซื้อน้อยลง หาก MAU คงที่แต่ ARPU เพิ่มขึ้น — ผลิตภัณฑ์กำลังเพิ่มการสร้างรายได้จากฐานที่มีอยู่ สถานการณ์ในอุดมคติ: การเติบโตของ MAU ในขณะที่รักษาหรือเพิ่ม ARPU อัตราส่วน MAU ต่อรายได้ — ตัวบ่งชี้สำคัญสำหรับการประเมินเศรษฐศาสตร์หน่วยของแอปมือถือ

วิธีเพิ่ม MAU ในแอปมือถือ?

การเติบโตของ MAU — ก่อนอื่นคือการเพิ่มจำนวนผู้ใช้ใหม่ (การได้มา) และการลดการสูญเสีย (การรักษา) ต่างจาก DAU ที่สามารถเพิ่มได้ด้วยวิธีทางยุทธวิธี MAU ต้องใช้กลยุทธ์เชิงระบบในการดึงดูดและรักษาผู้ชม มาดูช่องทางการเติบโตหลักที่ได้รับการยืนยันจากการปฏิบัติของผลิตภัณฑ์มือถือชั้นนำ

การได้มาแบบออร์แกนิก: ASO และเนื้อหา

App Store Optimization (ASO) — วิธีที่ประหยัดที่สุดในการเพิ่ม MAU การเพิ่มประสิทธิภาพชื่อ คำหลัก ไอคอน และภาพหน้าจอสามารถเพิ่มการเข้าชมแบบออร์แกนิกได้ 20-40% ช่องทางที่สอง — การตลาดเนื้อหา: บทความ วิดีโอ และกรณีศึกษาที่จัดอันดับในการค้นหาและนำผู้ใช้ใหม่ สำหรับแอป B2C กลไกแบบไวรัลมีประสิทธิภาพ: “เชิญเพื่อน — รับโบนัส”

การได้มาแบบเสียเงิน (UA)

User Acquisition (UA) — ช่องทางแบบเสียเงิน: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads ต้นทุนในการได้มาหนึ่ง MAU แตกต่างกันมาก: จาก $0.50 ในตลาดกำลังพัฒนาถึง $5-8 ใน US/EU หลักการสำคัญ: CAC (Customer Acquisition Cost) ควรต่ำกว่า LTV (Lifetime Value) อย่างน้อย 3 เท่า แคมเปญโฆษณาควรกำหนดเป้าหมายไปยังกลุ่มที่ retention Day 30 สูงกว่า 20%

โปรแกรมแนะนำและการแพร่กระจายแบบไวรัล

กลไกการแนะนำ — ตัวขับเคลื่อนการเติบโตของ MAU แบบออร์แกนิก Dropbox เติบโตจาก 100,000 เป็น 4 ล้าน MAU ใน 15 เดือนด้วยโปรแกรมแนะนำ กุญแจสู่ความสำเร็จ: มูลค่าโบนัสสำหรับทั้งสองฝ่าย (ผู้เชิญและผู้ถูกเชิญ) สำหรับแอปมือถือ ลิงก์แนะนำที่มี deep linking มีประสิทธิภาพ — ผู้ใช้ใหม่จะไปที่หน้าจอที่ต้องการโดยตรงหลังจากติดตั้ง

-- การคำนวณ MAU แยกตามแหล่งที่มาของทราฟฟิก
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;