当我们在谈论用户粘性的时候,我们在谈论什么?

近期越来越多的客户在询问用户粘性的指标问题,而DAU/MAU就是最频繁使用的指标。日活跃用户占月活跃用户的比例越高,表明用户对APP的使用粘性越高

DAU,即:DailyActive User,指日活跃用户数;

MAU,即:MonthlyActive User,指月活跃用户数。

从极限的角度看,如果每天活跃都是同样的用户,例如每天都是1万DAU,那么30天内每天都是这1万用户在活跃,MAU也是1万,于是DAU/MAU就是100%,用户粘性达到上限,微信就是接近100%的例子。

再分析另一个极端的例子,如果每天活跃用户都不相同,例如每天1万DAU,那么30天内每天的活跃用户都不同,MAU就是30万,于是DAU/MAU就是1/30,用户完全没有粘性。

对于常见的APP,用户粘性的取值范围就是3%~100%,不同领域的APP也会有不同的基准值,例如移动游戏会以20%为基线,而工具类APP会以40%为基线。

在日常的项目和产品运营工作中,单日的DAU/MAU的数值往往受到周期(工作日/周末)、版本更新和活动的影响,用户粘性在短期内的波动较大。所以通常采用长期的均值作参考,例如一个月、两个大版本之间。

下面以某客户APP为例,DAU/MAU的数值在工作日约50%,而在周末和假期的数值则在20%左右。那么谈到用户粘性的时候,通常采用每天DAU/MAU的平均值39.37%,与基线值40%非常接近。

当我们在谈论用户粘性的时候,我们在谈论什么?

 

当我们在谈论用户粘性的时候,我们在谈论什么?

对算法做进一步探讨:

目前主流的算法,是使用昨日DAU和前30天的MAU,例如如果今天是8月31日,那么DAU选取8月30日,MAU选取8月1日至30日。这种算法的优势是DAU和MAU在同一天算出来,计算方便。而劣势则是只计算了完整的30天周期内最后一天 DAU在MAU中的占比,许多严谨的客户提出为什么不能选其他日期的DAU呢?

例如采用完整周期内的第一天DAU1作为分子除以MAU,就可以得到另一种粘性的解读:任意一天的活跃用户在30天内活跃的比重,都可以是一种对用户粘性定义,即DAU1/MAU、DAU2/MAU、DAU3/MAU…。

重新计算上面客户的DAU1/MAU粘性,结果为39.41%,数值与传统的定义差距不大,同样的计算DAU2/MAU、DAU2/MAU……后,这些数值结果差距不大。

再进一步追踪,一个30天周期内的每个DAUn除以MAU的数值,也呈现明显的波动。此处的波动走势,与30个DAU的走势一致(仅仅是除以了相同的数值的差异)。

当我们在谈论用户粘性的时候,我们在谈论什么?

 

当我们在谈论用户粘性的时候,我们在谈论什么?

 

将上述的DAU1/MAU到DAU30/MAU逐一加和,得到的恰巧是另一个常用指标:当月人均活跃天数,这也是评估用户粘性的一个指标。

那么人均活跃天数和DAU/MAU之间有多大关联?

既然当月人均活跃天数是30个DAU之和除以1个MAU,而用户粘性是1个DAU除以MAU,两者在数量级上自然会差30倍左右。

对比除以30后的月均活跃天数和 用户粘性DAU/MAU,发现两者的走势基本一致。而差异点在于波动幅度和响应时间略有滞后。而从数值上看,30天月均活跃天数是11.93天,除以30后得到结果0.3977,与DAU/MAU的39.37%也非常接近。所以在工作中使用月均活跃天数和DAU/MAU的作用一致。

当我们在谈论用户粘性的时候,我们在谈论什么?

 

文/Analysys易观,微信公众号IDenfodesk

去年今日运营文章

  1. 2022:  稻盛和夫给管理者的60个忠告(0)
  2. 2022:  常用的8大类18小类免费数据源网站(0)
  3. 2022:  私域操盘手进阶能力模型(0)
  4. 2022:  深入解析需求、人性与群体(0)
  5. 2022:  运营之路:用户增长从数据运营开始(0)

本文由Analysys-Yiguan投稿,不代表爱运营立场,如若转载,请注明出处:https://www.iyunying.org/yunying/yhyy/138812.html

(0)
Analysys-Yiguan的头像Analysys-Yiguan投稿者
上一篇 2018年7月2日 下午12:43
下一篇 2018年7月2日 下午2:38

推荐资讯

发表回复

登录后才能评论
分享本页
返回顶部