WAU ในการวิเคราะห์มือถือ: ตัวชี้วัดกิจกรรม และวิธีคำนวณ

WAU ในการวิเคราะห์มือถือคืออะไร?

WAU (Weekly Active Users) เป็นตัวชี้วัดที่แสดงจำนวนผู้ใช้ที่ไม่ซ้ำซึ่งมีอันเตอร์แอ็กชันกับแอปพลิเคชันใน 7 วันปฏิทินที่ผ่านมา ต่างจาก DAU (Daily Active Users) ที่ WAU ขึ้นอยู่กับความผันผวนรายวันน้อยกว่าและให้ภาพที่มั่นคงยิ่งขึ้นของกิจกรรมรายสัปดาห์

ทำไมต้องใช้ตัวชี้วัด WAU

ตัวชี้วัดนี้ช่วยให้สามารถประเมินประสิทธิภาพของกิจกรรมผลิตภัณฑ์และการตลาดรายสัปดาห์ หาก DAU ตอบคำถาม "วันนี้มีกี่คนมา" WAU ก็ตอบคำถาม "สัปดาห์นี้มีกี่คนอยู่กับเรา" สิ่งนี้สำคัญอย่างยิ่งสำหรับแอปพลิเคชันที่มีวงจรการใช้งานหลายวัน: ตัวติดตามฟิตเนส แพลตฟอร์มการศึกษา ตัวรวบรวมข่าว

เมื่อใช้ WAU แทน DAU

ในแอปพลิเคชันที่มีรูปแบบการใช้งานไม่สม่ำเสมอแต่เป็นรายสัปดาห์ DAU สามารถผันผวนได้อย่างมาก ตัวอย่างเช่น ใน แอปพลิเคชันวางแผนงาน ผู้ใช้เข้าสู่ระบบทุก 2-3 วัน DAU จะแสดงกิจกรรมต่ำ ในขณะที่ WAU จะสะท้อนการมีส่วนร่วมที่แท้จริงอย่างเหมาะสม การเลือกระหว่าง DAU และ WAU ขึ้นอยู่กับความถี่ในการมีปฏิสัมพันธ์กับผลิตภัณฑ์ที่คาดหวัง

ความสัมพันธ์ของ WAU กับตัวชี้วัดผลิตภัณฑ์

WAU มีความสัมพันธ์กับอัตราการรักษาผู้ใช้วันที่ 7: หากผู้ใช้กลับมาในวันที่ 7 พวกเขาจะถูกนับใน WAU อย่างน้อยสองครั้งต่อเดือน ทีมใช้ WAU เพื่อติดตามผลของคุณลักษณะใหม่: เปิดตัวคุณลักษณะในวันจันทร์และวัด WAU ในวันอาทิตย์ถัดไปให้ การประเมินโดยตรง ต่อผลกระทบของการเปลี่ยนแปลงต่อผู้ชมรายสัปดาห์

SELECT
    DATE_TRUNC('week', event_date) AS week_start,
    COUNT(DISTINCT user_id) AS wau
FROM user_events
WHERE event_date >= CURRENT_DATE - INTERVAL '7 days'
    AND event_type IN ('session', 'purchase', 'content_view')
GROUP BY week_start
ORDER BY week_start DESC;

คำนวณ WAU อย่างไร?

การคำนวณ WAU เป็นไปตามสูตรง่าย: จำนวนผู้ใช้ที่ไม่ซ้ำใน 7 วันที่ผ่านมา อย่างไรก็ตาม ในทางปฏิบัติใช้สองวิธี คือ สัปดาห์ตามปฏิทิน (จันทร์-อาทิตย์) และ หน้าต่างเลื่อน (rolling 7 days) การเลือกวิธีส่งผลต่อการตีความข้อมูลและความสามารถในการเปรียบเทียบรายงาน

สัปดาห์ตามปฏิทินและหน้าต่างเลื่อน

สัปดาห์ตามปฏิทินสะดวกสำหรับการรายงานประจำ: WAU ถูกคำนวณตั้งแต่วันจันทร์ถึงวันอาทิตย์ หน้าต่างเลื่อน คำนวณ WAU สำหรับแต่ละวันเป็นผลรวมของผู้ใช้ที่ไม่ซ้ำใน 7 วันก่อนหน้า วิธีที่สองสร้างกราฟที่เรียบกว่าและใช้ในแดชบอร์ดแบบเรียลไทม์ ตาม Amplitude (2025) 73% ของทีมผลิตภัณฑ์ใช้หน้าต่างเลื่อนสำหรับ WAU

การกรองตามอีเวนต์เป้าหมาย

ไม่ทุกการเปิดแอปพลิเคชันควรถูกนับใน WAU ทีมมักกรองผู้ใช้ตาม อีเวนต์เป้าหมาย: การดูเนื้อหา การซื้อ การทำระดับสำเร็จ การส่งข้อความ สิ่งนี้ไม่รวมผู้ใช้ "เฉื่อย" ที่เปิดแอปพลิเคชันโดยบังเอิญ ใน SQL ตัวกรองดังกล่าวถูกเพิ่มผ่านเงื่อนไข event_type IN (...)

การจัดการผู้ใช้ข้ามแพลตฟอร์ม

หากผู้ใช้ทำงานอยู่ทั้งบน iOS และ Android ตัวระบุ ที่เหมือนกัน (อีเมล, account_id) ต้องถูกดีดัพลิเคท หากไม่มีการดีดัพลิเคชัน WAU จะถูกเพิ่มขึ้น 15-25% ใช้ user_id ภายในแทน device_id เพื่อการนับที่ถูกต้อง Clickhouse และ Snowflake รองรับการดีดัพลิเคชันผ่าน HyperLogLog หรือ Bloom ฟิลเตอร์

import pandas as pd

# กำลังโหลดอีเวนต์ 7 วันที่ผ่านมา
events = pd.read_sql('''
    SELECT user_id, event_date
    FROM user_events
    WHERE event_date >= CURRENT_DATE - 7
''', conn)

# การคำนวณ WAU ด้วยหน้าต่างเลื่อน
events['week_start'] = events['event_date'] \
    - pd.to_timedelta(events['event_date'].dt.dayofweek, unit='D')
wau = events.groupby('week_start')['user_id'] \
    .nunique().reset_index()
wau.columns = ['week_start', 'wau']
print(wau)

ข้อผิดพลาดทั่วไปในการคำนวณ WAU

ข้อผิดพลาดอย่างแรก คือการนับทุกอีเวนต์โดยไม่กรองการกระทำเป้าหมาย หากนับทุกการเปิด WAU จะรวมผู้ใช้ที่เปิดแอปพลิเคชันเพียง 5 วินาทีแล้วปิดมัน ข้อผิดพลาดอย่างที่สอง คือการผสมโซนเวลา: อีเวนต์ใน 7 วันต้องถูกนับในโซนเวลาเดียว (โดยทั่วไป UTC) ที่สามคือการขาดการดีดัพลิเคชันของผู้ใช้ข้ามแพลตฟอร์ม ซึ่งทำให้ภาพผู้ชมที่แท้จริงบิดเบือน

WAU vs DAU vs MAU: ต่างกันอย่างไร?

สามตัวชี้วัด — DAU, WAU และ MAU — สร้างลำดับชั้นของผู้ชมที่กำลังทำงานอยู่ตามขอบฟ้าเวลา DAU วัดกิจกรรมรายวัน WAU วัดกิจกรรมรายสัปดาห์ และ MAU วัดกิจกรรมรายเดือน แต่ละตัวชี้วัดตอบคำถามของตัวเองเกี่ยวกับพฤติกรรมของผู้ใช้และใช้ในสถานการณ์การวิเคราะห์ผลิตภัณฑ์ที่แตกต่างกัน

การเปรียบเทียบขอบฟ้าเวลา

DAU (Daily Active Users) เป็นตัวชี้วัดที่ใช้งานได้มากที่สุด แสดงว่าวันนี้มีผู้ใช้มากี่คน WAU ช่วยลดจุดสูงและจุดต่ำรายวัน ในขณะที่ MAU ช่วยลดความผันผวนรายเดือน สำหรับแอปพลิเคชัน ที่ใช้ทุกวัน (แอปพลิเคชันข่าวสาร โซเชียลมีเดีย) DAU เป็นตัวชี้วัดหลัก สำหรับแอปพลิเคชันที่ใช้ 1-2 ครั้งต่อสัปดาห์ (ฟิตเนส การจัดส่ง) WAU สะท้อนกิจกรรมได้แม่นยำกว่า สำหรับแอปพลิเคชันตามฤดูกาลหรือไม่ค่อยได้ใช้ (การเดินทาง ภาษี) — MAU

อัตราสติกกิเนส

สติกกิเนส (Stickiness) คืออัตราส่วนของ DAU ต่อ MAU แสดงว่าผู้ใช้กลับมาบ่อยแค่ไหน ค่าที่สูงกว่า 20% ถือว่าดี WAU ใช้สำหรับการติดตามกลางทาง: หาก DAU/MAU ลดลง คุณสามารถตรวจสอบ WAU/MAU — หากมันคงที่ แสดงว่าปัญหาอยู่ที่กิจกรรมรายวัน ไม่ใช่กิจกรรมโดยรวม สูตร: Stickiness = DAU / MAU * 100% สำหรับแอปพลิเคชันที่มีสุขภาพดี ตัวชี้นี้จะอยู่ในช่วง 20-50%

เมื่อใดแต่ละตัวชี้วัดสำคัญกว่า

การเลือกตัวชี้วัด ขึ้นอยู่กับวงจรธุรกิจของผลิตภัณฑ์ ในขั้นการเติบโต จุดสนใจอยู่ที่ DAU — สำคัญที่จะเห็นการเปลี่ยนแปลงรายวันของผู้ใช้ใหม่ ในขั้นการเติบโต WAU กลายเป็นตัวชี้วัดหลัก: แสดงจำนวนผู้ใช้ที่ยังคงภักดีในขอบฟ้ารายสัปดาห์ MAU มีความสำคัญต่อรายงานนักลงทุนและการประเมินการเข้าถึงโดยรวม โดยการรวมตัวชี้วัดทั้งสาม นักวิเคราะห์จะได้รับภาพที่สมบูรณ์ของวงจรชีวิตผู้ใช้

def calculate_stickiness(dau, mau):
    return round((dau / mau) * 100, 2)

# ตัวอย่างการคำนวณ DAU/MAU/WAU สำหรับแอปพลิเคชันสมมติ
daily = 15000
weekly = 45000
monthly = 80000

stickiness = calculate_stickiness(daily, monthly)
wau_mau_ratio = round((weekly / monthly) * 100, 2)

print(f"Stickiness: {stickiness}%")
print(f"WAU/MAU: {wau_mau_ratio}%")

เกณฑ์ WAU ตามประเภทแอปพลิเคชัน

เกณฑ์ WAU แตกต่างกันอย่างมากระหว่างประเภทแอปพลิเคชัน ไม่มีค่า "ดี" แบบสากล — ต้องเปรียบเทียบตัวชี้วัดกับเกณฑ์อ้างอิงในแนวตั้งเดียวกัน โซเชียลมีเดีย แอปพลิเคชันแสดง WAU ที่สูงที่สุดเมื่อเทียบกับ MAU ในขณะที่ e-commerce และแอปพลิเคชันท่องเที่ยวแสดงค่าต่ำกว่าเนื่องจากรูปแบบการใช้งานที่ไม่สม่ำเสมอ

WAU ตามประเภทแอปพลิเคชัน

ตาม รายงาน Adjust Mobile Benchmarks 2025 อัตราส่วนกลาง WAU/MAU สำหรับประเภทต่าง ๆ คือ: โซเชียลมีเดีย 0.65, เกมมิ่ง 0.55, E-commerce 0.35, Fintech 0.45, สุขภาพและฟิตเนส 0.40 ซึ่งหมายความว่าในโซเชียลเน็ตเวิร์ก 65% ของผู้ใช้รายเดือนมีกิจกรรมทุกสัปดาห์ ในขณะที่ใน e-commerce มีเพียง 35% ค่าที่ต่ำกว่าค่ากลางบ่งชี้ถึงปัญหาการมีส่วนร่วมหรือ ช่วงเวลาการวัดผล ที่เลือกไม่เหมาะสม

ปัจจัยที่มีผลต่อ WAU

ฤดูกาล เป็นปัจจัยแรก แอปพลิเคชันส่งอาหารแสดงจุดสูงของ WAU ในวันศุกร์และวันเสาร์ แอปพลิเคชันฟิตเนส — ในเดือนมกราคมและก่อนฤดูร้อน การแจ้งเตือน push เป็นปัจจัยที่สอง: แคมเปญที่ออกแบบมาอย่างดีสามารถเพิ่ม WAU ได้ 15-30% ในหนึ่งสัปดาห์ ปัจจัยที่สามคือการอัปเดตแอปพลิเคชัน: หลังการเปิดตัวครั้งใหญ่ WAU มักเพิ่มขึ้น 10-20% ภายในสองสัปดาห์ จากนั้นคงที่ในระดับใหม่

วิธีเพิ่ม WAU ในแอปพลิเคชันมือถือ?

การเพิ่ม WAU เป็นงานที่แก้ไขได้โดยการรวมเครื่องมือผลิตภัณฑ์และการตลาด ต่างจาก DAU ที่สามารถเพิ่มได้โดยการส่งเสริมการขายครั้งเดียว WAU ต้องการการทำงานอย่างเป็นระบบในการทำให้ผู้ใช้กลับมาในขอบฟ้ารายสัปดาห์ มาดูกลยุทธ์หลักที่ได้รับการยืนยันโดยการปฏิบัติของผลิตภัณฑ์มือถือขนาดใหญ่

การแจ้งเตือน push แบบส่วนบุคคล

แคมเปญ push เป็นวิธีที่เร็วที่สุดในการมีผลต่อ WAU ตาม Airship (2025) การแจ้งเตือน push แบบส่วนบุคคลเพิ่ม WAU 20-25% ในสัปดาห์แรก สำคัญที่จะแบ่งกลุ่มผู้ชมตามความถี่ในการใช้งาน: ส่งข้อความสร้างแรงบันดาลใจไปยังผู้ใช้ที่ "หลับ" (ไม่ได้เข้าสู่ระบบ 5+ วัน) และข้อความข้อมูลไปยังผู้ใช้ที่กำลังทำงานอยู่ จังหวะเวลา มีความสำคัญ: สำหรับแอปพลิเคชันฟิตเนส เวลาที่ดีที่สุดคือตอนเช้า สำหรับเกมส์คือตอนเย็น

ความท้าทายและกิจกรรมรายสัปดาห์

กลไก ของกิจกรรมรายสัปดาห์เป็นหนึ่งในตัวขับเคลื่อน WAU ที่มีประสิทธิภาพมากที่สุด เกมใช้กิจกรรมรายสัปดาห์พร้อมรางวัลพิเศษ แอปพลิเคชันฟิตเนสใช้ความท้าทาย "7 วันไม่พลาด" และ e-commerce ใช้ส่วนลดรายสัปดาห์สำหรับสมาชิก หลักการสำคัญ: กิจกรรมต้องมีขอบเขตเวลา (7 วัน) เพื่อสร้าง FOMO และกระตุ้นให้ผู้ใช้กลับมา

การเตือนความจำทางอีเมลและ SMS

ไม่ใช่ผู้ใช้ทั้งหมดที่อนุญาตการแจ้งเตือน push สำหรับพวกเขา จดหมายข่าวทางอีเมล และ SMS พร้อมสรุปรายสัปดาห์มีประสิทธิภาพ: "สถิติรายสัปดาห์ของคุณ" "บทความบล็อกใหม่" "สินค้าที่คุณดู" อัตราการเปิด อีเมลที่มีสถิติส่วนบุคคลสูงกว่าจดหมายข่าวมาตรฐาน 40% การรวม push + อีเมลให้การเพิ่ม WAU สูงสุด — มากถึง 35% ต่อเดือน

-- ผู้ใช้ที่ไม่ใช้งานเกิน 5 วัน (กลุ่มเป้าหมายสำหรับ reactivation)
SELECT user_id, MAX(event_date) AS last_active
FROM user_events
GROUP BY user_id
HAVING MAX(event_date) < CURRENT_DATE - INTERVAL '5 days'
    AND MAX(event_date) > CURRENT_DATE - INTERVAL '14 days';