MAU trong phân tích di động — chỉ số người dùng hoạt động hàng tháng là gì và cách tính

MAU trong phân tích di động là gì?

MAU (Monthly Active Users) — chỉ số cho thấy số lượng người dùng duy nhất đã thực hiện hành động mục tiêu trong ứng dụng trong 30 ngày dương lịch qua. Không giống như DAU, MAU không nhạy cảm với biến động hàng ngày và đưa ra bức tranh ổn định về quy mô cơ sở người dùng hoạt động. Đây là tiêu chuẩn báo cáo cho các công ty công nghệ đại chúng: Facebook, Spotify, Uber và các công ty khác chỉ ra MAU trong báo cáo hàng quý.

Tại sao MAU là chỉ số số một cho nhà đầu tư

Nhà đầu tư đánh giá quy mô kinh doanh chính xác qua MAU. Chỉ số này cho thấy sản phẩm giữ được bao nhiêu người dùng trong một tháng — chân trời tối thiểu để đánh giá product-market fit. Facebook báo cáo MAU từ năm 2012, và sự tăng trưởng của chỉ số này tương quan trực tiếp với vốn hóa công ty. Đối với startup, MAU là một trong những chỉ số chính trong pitch-deck và vòng gọi vốn.

MAU trong bối cảnh phân tích sản phẩm

Trong phân tích sản phẩm, MAU được sử dụng như chỉ số đầu vào cho nhiều tính toán. Dựa trên nó, người ta tính tỷ lệ MAU/DAU (Stickiness), ARPU (Average Revenue Per User) và LTV (Lifetime Value). Nếu không có MAU chính xác, không thể đánh giá đúng chuyển đổi thành người dùng trả phí và hiệu quả của các kênh tiếp thị. MAU là nền tảng của kim tự tháp chỉ số, trên đó xây dựng tất cả các chỉ số kiếm tiền và tương tác khác.

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 được tính như thế nào?

Tính toán MAU thoạt nhìn có vẻ đơn giản: đếm người dùng duy nhất trong 30 ngày. Tuy nhiên, trong thực tế có một số sắc thái ảnh hưởng đến độ chính xác. Việc chọn phương pháp tính — tháng dương lịch hay cửa sổ trượt — quyết định mức độ phù hợp của chỉ số với hoạt động thực tế của người dùng trong phát triển di động.

Tháng dương lịch so với cửa sổ trượt

Tháng dương lịch — cách tiếp cận truyền thống: MAU được tính từ ngày 1 đến ngày cuối cùng của tháng. Nó thuận tiện cho báo cáo, nhưng tạo ra các artifact: ví dụ, nếu ngày 30 xảy ra sự cố, MAU của tháng sẽ bị thấp hơn. Cửa sổ trượt (rolling 30 days) đưa ra chỉ số mượt mà hơn, nhưng phức tạp hơn cho báo cáo định kỳ. Theo Mixpanel (2025), 80% nhóm sản phẩm sử dụng tháng dương lịch cho báo cáo bên ngoài và cửa sổ trượt cho bảng điều khiển nội bộ.

Khử trùng lặp người dùng đa nền tảng

Một người dùng có thể truy cập ứng dụng từ nhiều thiết bị: iPhone và iPad, máy tính bảng Android và desktop. Nếu không khử trùng lặp, MAU sẽ bị đội lên 20-40%. Thực hành tốt nhất — sử dụng account_id thống nhất cho tất cả nền tảng. Nếu người dùng chưa đăng nhập, hãy sử dụng tổ hợp device_id + Advertising ID (IDFA trên iOS, GAID trên Android) và khử trùng lặp sau khi đăng nhập.

Tính toán người dùng không hoạt động

Ai được coi là người dùng hoạt động? Hành động tối thiểu — mở ứng dụng (session start). Tuy nhiên, nhiều nhóm đặt ngưỡng: phiên dài hơn 10 giây hoặc thực hiện ít nhất một hành động mục tiêu. Điều này loại trừ các lần mở ngẫu nhiên và bot. Các ngưỡng khác nhau dẫn đến chênh lệch MAU 10-30%, vì vậy phương pháp luận phải được cố định và không thay đổi giữa các kỳ.

Tự động hóa tính toán MAU

Hầu hết các công ty tự động hóa tính toán MAU qua ETL-pipeline. Dữ liệu từ Firebase, Amplitude hoặc máy chủ riêng được tổng hợp vào Clickhouse hoặc Snowflake. Việc tính toán lại MAU hàng ngày cho phép thấy xu hướng theo thời gian thực. Quan trọng: khi thay đổi phương pháp luận (ví dụ, ngưỡng hoạt động), hãy tính toán lại MAU cho các kỳ trước để duy trì tính so sánh của dữ liệu.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Bộ lọc độ dài phiên tối thiểu
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Cửa sổ trượt 30 ngày
    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: hệ thống phân cấp chỉ số

Ba chỉ số — DAU, WAU và MAU — tạo thành một hệ thống đánh giá đối tượng hoạt động trên các chân trời thời gian khác nhau. Cùng nhau, chúng đưa ra bức tranh toàn diện về sức khỏe sản phẩm. Nhà phân tích chỉ nhìn vào MAU có thể bỏ lỡ các vấn đề hàng ngày; người chỉ nhìn vào DAU không thấy xu hướng chiến lược.

Mối quan hệ giữa DAU, WAU và MAU

Tỷ lệ của các chỉ số được mô tả bằng một quy luật đơn giản: DAU ≤ WAU ≤ MAU. Khoảng cách giữa DAU và MAU cho thấy người dùng được phân bố đều như thế nào trong các ngày của tháng. Nếu DAU chiếm 10% MAU — người dùng truy cập hiếm (ví dụ, ứng dụng đặt phòng khách sạn). Nếu DAU chiếm 50% MAU — ứng dụng được sử dụng gần như hàng ngày (mạng xã hội, messenger). Hệ số DAU/MAU được gọi là Stickiness và là chỉ số tương tác tiêu chuẩn.

Stickiness: chỉ số tương tác chính

Stickiness = DAU / MAU * 100%. Giá trị trên 50% — chỉ số xuất sắc cho bất kỳ ứng dụng nào. Giá trị 20-50% — bình thường cho hầu hết sản phẩm. Giá trị dưới 20% — tín hiệu vấn đề về tỷ lệ quay lại. Stickiness không phụ thuộc vào quy mô: ứng dụng với 1 triệu MAU và startup với 10 nghìn MAU có thể có cùng chỉ số. Điều này làm cho chỉ số này thuận tiện cho benchmarking và so sánh sản phẩm trong cùng một danh mục.

Chuẩn MAU theo danh mục ứng dụng

Chuẩn MAU phụ thuộc vào danh mục, khu vực địa lý và độ chín của sản phẩm. Thay vì giá trị tuyệt đối, các nhà phân tích sử dụng động thái MAU (tăng trưởng MoM) và tỷ lệ với các chỉ số khác. Tăng trưởng MAU 10% so với tháng trước được coi là tốt cho sản phẩm trưởng thành, 30%+ — cho sản phẩm tăng trưởng nhanh.

Benchmark MAU theo danh mục

Theo báo cáo App Annie State of Mobile 2025, MAU trung vị cho các danh mục khác nhau dao động. Social Media: 50-500 triệu (người chơi toàn cầu), Gaming: 1-50 triệu, E-commerce: 100 nghìn — 10 triệu, Fintech: 500 nghìn — 20 triệu. Những con số này phụ thuộc nhiều vào khu vực: ứng dụng với 1 triệu MAU ở Mỹ có thể được coi là lớn, ở Ấn Độ — trung bình. So sánh MAU chỉ có ý nghĩa trong cùng một danh mục và cùng một khu vực địa lý.

MAU và kiếm tiền

MAU liên quan trực tiếp đến doanh thu qua ARPU. Nếu MAU tăng nhưng ARPU giảm — doanh nghiệp đang mở rộng sang đối tượng ít khả năng thanh toán hơn. Nếu MAU ổn định nhưng ARPU tăng — sản phẩm đang tăng khả năng kiếm tiền từ cơ sở hiện có. Kịch bản lý tưởng: tăng MAU trong khi duy trì hoặc tăng ARPU. Tỷ lệ MAU trên Doanh thu — chỉ số chính để đánh giá unit-kinh tế của ứng dụng di động.

Làm thế nào để tăng MAU trong ứng dụng di động?

Tăng trưởng MAU — trước hết là tăng số lượng người dùng mới (acquisition) và giảm tỷ lệ rời bỏ (retention). Không giống như DAU, có thể tăng bằng các phương pháp chiến thuật, MAU đòi hỏi chiến lược có hệ thống để thu hút và giữ chân đối tượng. Hãy xem xét các kênh tăng trưởng chính được xác nhận bởi thực tiễn của các sản phẩm di động hàng đầu.

Acquisition tự nhiên: ASO và nội dung

App Store Optimization (ASO) — cách tiết kiệm nhất để tăng MAU. Tối ưu hóa tên, từ khóa, biểu tượng và ảnh chụp màn hình có thể tăng lưu lượng tự nhiên lên 20-40%. Kênh thứ hai — tiếp thị nội dung: bài viết, video và case study xếp hạng trong tìm kiếm và mang lại người dùng mới. Đối với ứng dụng B2C, các cơ chế lan truyền hiệu quả: “mời bạn bè — nhận thưởng”.

Thu hút trả phí (UA)

User Acquisition (UA) — kênh trả phí: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Chi phí thu hút một MAU dao động rất nhiều: từ $0.50 ở các thị trường đang phát triển đến $5-8 ở US/EU. Nguyên tắc chính: CAC (Customer Acquisition Cost) phải thấp hơn LTV (Lifetime Value) ít nhất 3 lần. Các chiến dịch quảng cáo nên nhắm mục tiêu vào các nhóm có retention Day 30 trên 20%.

Chương trình giới thiệu và lan truyền

Cơ chế giới thiệu — động lực tăng trưởng MAU tự nhiên. Dropbox đã tăng từ 100 nghìn lên 4 triệu MAU trong 15 tháng nhờ chương trình giới thiệu. Chìa khóa thành công: giá trị phần thưởng cho cả hai bên (người mời và người được mời). Đối với ứng dụng di động, các liên kết giới thiệu với deep linking hiệu quả — người dùng mới truy cập trực tiếp vào màn hình mong muốn sau khi cài đặt.

-- Tính MAU phân theo nguồn lưu lượng
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;