Mobil Analitikte MAU — aylık aktif kullanıcı metriği nedir ve nasıl hesaplanır

Mobil analitikte MAU nedir?

MAU (Monthly Active Users) — son 30 takvim günü içinde uygulamada hedeflenen eylemi gerçekleştiren benzersiz kullanıcı sayısını gösteren metrik. DAU’dan farklı olarak, MAU günlük dalgalanmalara duyarlı değildir ve aktif tabanın büyüklüğünün istikrarlı bir resmini sunar. Halka açık teknoloji şirketleri için raporlama standardıdır: Facebook, Spotify, Uber ve diğerleri üç aylık raporlarında MAU’yu belirtir.

MAU neden yatırımcılar için bir numaralı metriktir?

Yatırımcılar işin ölçeğini tam olarak MAU üzerinden değerlendirir. Metrik, ürünün bir ay içinde kaç kullanıcıyı tuttuğunu gösterir — ürün-pazar uyumunu değerlendirmek için minimum ufuk. Facebook 2012’den beri MAU raporlamaktadır ve bu metriğin büyümesi şirketin piyasa değeriyle doğrudan ilişkilidir. Startup’lar için MAU, sunum dosyalarında ve finansman turlarında kilit göstergelerden biridir.

Ürün analitiği bağlamında MAU

Ürün analitiğinde MAU birçok hesaplama için girdi metriği olarak kullanılır. Temelinde MAU/DAU oranı (Stickiness), ARPU (Kullanıcı Başına Ortalama Gelir) ve LTV (Yaşam Boyu Değer) hesaplanır. Doğru MAU olmadan ödeme yapan kullanıcılara dönüşümü ve pazarlama kanallarının etkinliğini doğru değerlendirmek imkansızdır. MAU, diğer tüm para kazanma ve etkileşim göstergelerinin üzerine inşa edildiği metrik piramidinin temelidir.

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 nasıl hesaplanır?

MAU hesaplaması ilk bakışta basittir: 30 gündeki benzersiz kullanıcıları saymak. Ancak pratikte doğruluğu etkileyen birkaç nüans ortaya çıkar. Hesaplama yöntemi seçimi — takvim ayı veya kayan pencere — metriğin mobil geliştirmedeki gerçek kullanıcı etkinliğine ne kadar uygun olduğunu belirler.

Takvim ayı vs kayan pencere

Takvim ayı — geleneksel yaklaşım: MAU ayın 1’inden son gününe kadar hesaplanır. Raporlama için uygundur ancak yapay sonuçlar yaratır: örneğin, 30’unda bir arıza olursa ayın MAU’su düşük çıkar. Kayan pencere (rolling 30 days) daha düzgün bir metrik verir ancak dönemlik raporlama için daha karmaşıktır. Mixpanel’e (2025) göre, ürün ekiplerinin %80’i dış raporlar için takvim ayını ve iç panolar için kayan pencereyi kullanır.

Platformlar arası kullanıcıların tekilleştirilmesi

Bir kullanıcı uygulamaya birden fazla cihazdan girebilir: iPhone ve iPad, Android tablet ve masaüstü. Tekilleştirme olmadan MAU %20-40 oranında şişer. En iyi uygulama — tüm platformlar için birleşik bir account_id kullanmaktır. Kullanıcı oturum açmamışsa, device_id + Advertising ID (iOS’ta IDFA, Android’de GAID) kombinasyonunu kullanın ve oturum açtıktan sonra tekilleştirin.

Pasif kullanıcıların hesaba katılması

Kim aktif kullanıcı olarak sayılır? Minimum eylem — uygulamayı açma (oturum başlatma). Ancak birçok ekip bir eşik belirler: 10 saniyeden uzun oturum veya en az bir hedef eylem gerçekleştirme. Bu, rastgele açmaları ve botları hariç tutar. Farklı eşikler MAU’da %10-30 farklılıklara yol açar, bu nedenle metodoloji sabitlenmeli ve dönemler arasında değiştirilmemelidir.

MAU hesaplamasının otomasyonu

Şirketlerin çoğu MAU hesaplamasını ETL boru hatları aracılığıyla otomatikleştirir. Firebase, Amplitude veya özel sunuculardan gelen veriler Clickhouse veya Snowflake’te toplanır. Günlük MAU yeniden hesaplaması, trendleri gerçek zamanlı olarak görmeyi sağlar. Önemli: metodoloji değiştirildiğinde (örneğin, etkinlik eşiği), veri karşılaştırılabilirliğini korumak için önceki dönemler için MAU’yu yeniden hesaplayın.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Minimum oturum süresi filtresi
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # 30 günlük kayan pencere
    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: metrik hiyerarşisi

Üç metrik — DAU, WAU ve MAU — farklı zaman ufuklarında aktif kitleyi değerlendirmek için bir sistem oluşturur. Birlikte ürünün sağlığının kapsamlı bir resmini sunarlar. Sadece MAU’ya bakan analist günlük sorunları kaçırma riski taşır; sadece DAU’ya bakan stratejik trendi görmez.

DAU, WAU ve MAU arasındaki ilişki

Metriklerin oranı basit bir düzenlilikle tanımlanır: DAU ≤ WAU ≤ MAU. DAU ve MAU arasındaki fark, kullanıcıların ayın günlerine ne kadar eşit dağıldığını gösterir. DAU, MAU’nun %10’unu oluşturuyorsa — kullanıcılar nadiren girer (örneğin, otel rezervasyon uygulaması). DAU, MAU’nun %50’sini oluşturuyorsa — uygulama neredeyse her gün kullanılır (sosyal ağlar, mesajlaşma). DAU/MAU katsayısına Stickiness denir ve standart bir etkileşim göstergesidir.

Stickiness: ana etkileşim göstergesi

Stickiness = DAU / MAU * %100. %50’nin üzerindeki değer — herhangi bir uygulama için mükemmel gösterge. %20-50 değeri — çoğu ürün için normal. %20’nin altındaki değer — geri dönüş sorununun sinyali. Stickiness ölçeğe bağlı değildir: 1 milyon MAU’lu bir uygulama ve 10 bin MAU’lu bir startup aynı değere sahip olabilir. Bu, metriği kıyaslama ve aynı kategorideki ürünleri karşılaştırma için kullanışlı hale getirir.

Uygulama kategorilerine göre MAU normları

MAU normları kategoriye, coğrafyaya ve ürün olgunluğuna bağlıdır. Analistler mutlak değerler yerine MAU dinamiklerini (aydan aya büyüme) ve diğer metriklerle oranı kullanır. Olgun bir ürün için aydan aya %10 MAU büyümesi iyi, hızla büyüyen bir ürün için %30+ olarak kabul edilir.

Kategoriye göre MAU kıyaslamaları

App Annie State of Mobile 2025 raporuna göre, farklı kategoriler için medyan MAU değişiklik gösterir. Sosyal Medya: 50-500 milyon (küresel oyuncular), Oyun: 1-50 milyon, E-ticaret: 100 bin — 10 milyon, Fintech: 500 bin — 20 milyon. Bu rakamlar bölgeye göre büyük ölçüde değişir: ABD’de 1 milyon MAU’lu bir uygulama büyük, Hindistan’da orta ölçekli kabul edilebilir. MAU karşılaştırması yalnızca aynı kategori ve aynı coğrafi bölge içinde anlamlıdır.

MAU ve para kazanma

MAU ARPU aracılığıyla gelirle doğrudan ilişkilidir. MAU artarken ARPU düşüyorsa — işletme daha az ödeme gücü olan bir kitleye doğru ölçekleniyordur. MAU istikrarlıyken ARPU artıyorsa — ürün mevcut tabandan para kazanmayı artırıyordur. İdeal senaryo: ARPU’yu korurken veya artırırken MAU büyümesi. MAU’nun Gelire oranı — mobil uygulamanın birim ekonomisini değerlendirmek için kilit göstergedir.

Mobil uygulamada MAU nasıl artırılır?

MAU büyümesi — öncelikle yeni kullanıcı sayısının artırılması (edinim) ve kaybın azaltılmasıdır (tutma). Taktik yöntemlerle artırılabilen DAU’nun aksine, MAU sistematik bir kitle çekme ve elde tutma stratejisi gerektirir. Lider mobil ürünlerin pratiğiyle onaylanmış ana büyüme kanallarını inceleyelim.

Organik edinim: ASO ve içerik

App Store Optimization (ASO) — MAU büyümesinin en ekonomik yoludur. İsim, anahtar kelime, simge ve ekran görüntüsü optimizasyonu organik trafiği %20-40 artırabilir. İkinci kanal — içerik pazarlaması: aramada sıralanan ve yeni kullanıcı getiren makaleler, videolar ve vaka çalışmaları. B2C uygulamaları için viral mekanikler etkilidir: “bir arkadaşını davet et — bonus kazan”.

Ücretli edinim (UA)

User Acquisition (UA) — ücretli kanallar: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Bir MAU edinme maliyeti büyük ölçüde değişir: gelişmekte olan pazarlarda $0.50’den ABD/AB’de $5-8’e kadar. Ana prensip: CAC (Müşteri Edinme Maliyeti), LTV’den (Yaşam Boyu Değer) en az 3 kat düşük olmalıdır. Reklam kampanyaları, 30. Gün tutma oranı %20’nin üzerinde olan kohortları hedeflemelidir.

Referans programları ve virallik

Referans mekanikleri — organik MAU büyümesinin itici gücüdür. Dropbox, referans programı sayesinde 15 ayda 100 binden 4 milyon MAU’ya ulaştı. Başarının anahtarı: her iki taraf için bonus değeri (davet eden ve davet edilen). Mobil uygulamalar için derin bağlantılı referans bağlantıları etkilidir — yeni kullanıcı yüklemeden sonra doğrudan istenen ekrana gider.

-- Trafik kaynağına göre MAU hesabı
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;