移动分析中的MAU——它是什么、月度用户指标及如何计算

什么是移动分析中的MAU？

MAU（Monthly Active Users）——显示在过去30个自然日内执行过目标操作的独立用户数量的指标。与DAU不同，MAU对每日波动不敏感，并提供活跃基础规模的稳定视图。这是上市公司技术标准的报告指标：Facebook、Spotify、Uber等都在季度报告中列出MAU。

为什么MAU是投资者的第一指标

投资者正是根据MAU来评估业务规模。该指标显示产品在一个月内留住多少用户——这是评估产品市场契合度（product-market fit）的最短周期。Facebook自2012年起报告MAU，该指标的增长与公司市值直接相关。对于初创公司而言，MAU是融资演讲稿（pitch deck）和融资轮次中的关键指标之一。

产品分析背景下的MAU

在产品分析中，MAU被用作许多计算的输入指标。基于它计算MAU/DAU比率（Stickiness）、ARPU（Average Revenue Per User，每用户平均收入）和LTV（Lifetime Value，生命周期价值）。没有准确的MAU，就无法正确评估付费用户的转化率和营销渠道的效果。MAU是指标金字塔的基础，所有其他变现和参与度指标都建立在其上。

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如何计算？

计算MAU乍看很简单：统计30天内的独立用户。然而实践中会出现几个影响准确性的细节。计算方法的选择——自然月还是滚动窗口——决定了该指标在移动开发中与实际用户活动的匹配程度。

自然月与滚动窗口

自然月是传统方法：MAU从当月1日计算到月末。它便于报告，但会产生假象：例如如果30日发生故障，当月MAU会偏低。滚动窗口（rolling 30 days）提供更平滑的指标，但更难用于定期报告。根据Mixpanel（2025）的数据，80%的产品团队使用自然月进行外部报告，使用滚动窗口用于内部仪表板。

跨平台用户的去重

一个用户可以从多个设备访问应用：iPhone和iPad、Android平板和桌面电脑。如果不进行去重，MAU会被高估20-40%。最佳实践是为所有平台使用统一的account_id。如果用户未登录，请使用device_id + Advertising ID的组合（iOS上为IDFA，Android上为GAID），并在登录时进行后续去重。

非活跃用户的统计

谁算作活跃用户？最小操作是打开应用（会话开始）。然而许多团队会设定阈值：会话长于10秒或执行至少一个目标操作。这样可以排除随机打开和机器人。不同的活跃阈值会导致MAU出现10-30%的差异，因此必须固定方法论，并且不要在各期间之间更改。

MAU计算的自动化

大多数公司通过ETL管道自动化MAU计算。来自Firebase、Amplitude或自有服务器的数据被聚合到Clickhouse或Snowflake中。每日重新计算MAU可以实时看到趋势。重要：更改方法论时（例如活跃阈值），请重新计算之前期间的MAU，以保持数据的可比性。

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # 按会话最小长度过滤
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # 30天滚动窗口
    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：指标层级

三个指标——DAU、WAU和MAU——构成了不同时间周期内活跃受众的评估体系。它们共同提供产品健康状况的综合视图。只关注MAU的分析师有遗漏日常问题的风险；只关注DAU的分析师则看不到战略趋势。

DAU、WAU和MAU之间的关系

指标比率由简单规律描述：DAU ≤ WAU ≤ MAU。DAU和MAU之间的差距显示了用户在月份各天分布的均匀程度。如果DAU是MAU的10%——用户很少访问（例如酒店预订应用）。如果DAU是MAU的50%——应用几乎每天都使用（社交网络、即时通讯工具）。系数DAU/MAU被称为Stickiness，是标准的参与度指标。

Stickiness：参与度的主要指标

Stickiness = DAU / MAU * 100%。高于50%的数值对任何应用来说都是优秀指标。20-50%是大多数产品的正常水平。低于20%是回访问题的信号。Stickiness与规模无关：拥有100万MAU的应用和拥有1万MAU的初创公司可能具有相同的数值。这使该指标便于进行基准测试和同一类别内产品的比较。

各应用类别的MAU标准

MAU标准取决于类别、地区和产品成熟度。分析师使用MAU动态（月环比增长，Month-over-Month growth）以及与其它指标的比率，而不是绝对数值。成熟产品MAU增长每月10%被认为良好，30%以上——快速增长。

按类别的MAU基准

根据App Annie State of Mobile 2025报告的数据，不同类别的MAU中位数各不相同。社交媒体：5000万-5亿（全球玩家），游戏：100万-5000万，电商：10万-1000万，金融科技：50万-2000万。这些数字在很大程度上取决于地区：在美国拥有100万MAU的应用可能被视为大型应用，而在印度则被视为中型。比较MAU只有在同一类别和同一地理区域内才有意义。

MAU与变现

MAU通过ARPU与收入直接相关。如果MAU增长而ARPU下降——业务正在向支付能力较弱的受众扩展。如果MAU稳定而ARPU增长——产品正在提高现有用户群的变现水平。理想情形：在保持或提高ARPU的同时实现MAU增长。MAU与收入的比率是评估移动应用单位经济的关键指标。

如何提高移动应用中的MAU？

MAU增长首先是新用户数量的增长（获取，acquisition）和流失的减少（留存，retention）。与可以通过战术方法提升的DAU不同，MAU需要系统的吸引和保留受众策略。让我们看看由领先移动产品实践验证的主要增长渠道。

自然获取：ASO和内容

应用商店优化（ASO）是增长MAU最经济的方式。优化名称、关键词、图标和截图可以将自然流量提高20-40%。第二个渠道是内容营销：在搜索中排名靠前并带来新用户的文章、视频和案例。对于B2C应用，病毒式机制很有效：邀请好友——获得奖励。

付费获取（UA）

用户获取（UA）——付费渠道：Facebook Ads、Google Ads、Apple Search Ads、TikTok Ads。获取一个MAU的成本差异很大：从发展中市场的$0.50到美国/欧盟的$5-8。关键原则：CAC（Customer Acquisition Cost，客户获取成本）应至少比LTV（Lifetime Value，生命周期价值）低3倍。广告活动应针对Day 30留存率高于20%的用户群（cohort）。

推荐计划和病毒式传播

推荐机制是MAU自然增长的驱动力。Dropbox凭借推荐计划在15个月内从10万增长到400万MAU。成功的关键：奖励对双方（邀请者和被邀请者）的价值。对于移动应用，带深度链接（deep linking）的推荐链接很有效——新用户安装后立即进入应用的相应界面。

-- 按流量来源计算的 MAU
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;