TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

DAU/MAU 比值:怎么算黏性,多少算合适

DAU/MAU 是平均日活除以月活,等于每个月活用户平均每月活跃的天数除以 30。附真实财报数据、复算示例,以及按使用节奏设上限的判断方法。

苏禾 发布于 2026 年 11 月 20 日 9 分钟阅读 数据分析
示例数据:2,000 个每月活跃 15 天的核心用户,再加 3,000 个只来一天的安装,比值从 50.0% 降到 22.0%,核心用户的使用没有任何变化。示例数据

DAU/MAU 比值是某一天的去重活跃用户数除以过去 30 天的去重活跃用户数,等于每个月活用户平均每月活跃的天数除以 30。比值 37% 约等于每月活跃 11 天。下文用真实财报演示计算,说明两个应用为什么能有同一个比值、增长为什么会拉低它,以及该拿什么去比较。

读完你会知道

  • DAU/MAU × 30 就是每个月活用户平均每月活跃的天数,20% 约等于每月 6 天
  • 同一个比值可以对应完全不同的使用方式:1,000 人各活跃 10 天,和 200 人每天用加 800 人偶尔用,都是 33.3%
  • 按产品本来打算多久用一次设一个上限来评价比值,并把新用户和成熟用户分开看

DAU/MAU 比值衡量什么

DAU/MAU 是某一天的去重活跃用户数,除以过去一个月的去重活跃用户数。它回答一个问题:本月用过产品的人里,平常一天有多大比例会出现?

Google Analytics 把窗口写得很明确:DAU 是过去 24 小时的活跃用户,WAU 是过去 7 天,MAU 是过去 30 天,并说明「如果用户每天都使用网站或应用,比值就达到上限」,也就是所有月活用户每天都活跃。不管你把它当作黏性还是日常习惯指数,这个数字有一个很好用的读法:

DAU/MAU × 30 = 每个月活用户平均每月活跃的天数。

这个等式成立,是因为平均 DAU 等于「用户日」总数除以 30,而 MAU 就是用户数。比值 20% 表示平均每个月活用户 30 天里活跃约 6 天;50% 表示约 15 天。本文后面的内容,包括为什么两个应用比值相同、为什么增长会拉低比值,都从这句话推出来。

开始计算之前要先定两件事,下文会讲:怎样算「活跃」,以及 MAU 用哪个 30 天窗口。

用真实数字计算 DAU/MAU

公式是 DAU ÷ MAU,按百分比读。有两家公司同时公布了这两个数,你可以自己验算。

公司与期间DAUMAUDAU/MAU每月活跃天数
Duolingo,截至 2025 年 9 月 30 日的季度5,050 万1.353 亿37.3%约 11.2
Duolingo,截至 2024 年 9 月 30 日的季度3,720 万1.131 亿32.9%约 9.9
Facebook,2023 年 12 月21.1 亿30.7 亿68.7%约 20.6

Duolingo 的季度报告把 DAU 定义为每个自然日使用应用或其网站学习板块的去重用户,把 MAU 定义为每月使用的去重用户,并自己给出比值:37.3%,上年同期为 32.9%。Meta 2023 年 12 月的财报给出 Facebook 日活 21.1 亿、月活 30.7 亿,相除是 68.7%。

读 Facebook 这一行要留意一点。Meta 说明,DAU 是当月的平均值,MAU 是月末最后一天的数字,所以这个比值把平均数和时点数混在了一起。你自己计算时,分子和分母要用同一条规则,下一节会讲。这两行只是公开的数据点,不是基准:一个是每天都练的学习产品,一个是社交网络,都不像你的产品。

怎样算活跃,窗口怎么选

三个选择对比值的影响,比任何产品改动都大。定下来写一次,之后不要变。

  1. 活跃事件。 打开应用算宽松;完成一节课、发出一条消息、下一张订单这类有意义的动作算严格。定义宽松会让更多人在更多天被算作活跃,比值往往更高。只比较用同一个事件算出来的比值。
  2. 滚动 30 天还是自然月。 Google 把 MAU 定义为过去 30 天,每天向前滚动。自然月的 MAU 在每月 1 日重置,比值会在月初跳变,28 天的二月和 31 天的三月也没法比。滚动窗口可以避免这些问题。
  3. 日均值还是某一天。 单日 DAU 会随星期几波动。用这 30 天窗口内每天的平均 DAU,分子和分母就覆盖同一段时间。

如果只能先修一处,先修第三处。工作日使用的产品,周三的单日比值可能远高于周日,但产品本身一点问题都没有。

比值相同,产品不同

一个比值会掩盖使用是怎么分布的。下面是示例数据,由 30 天的活跃记录复算:

  • 应用 A: 1,000 个月活用户,每人 30 天里正好活跃 10 天。
  • 应用 B: 1,000 个月活用户,其中 200 人 30 天天天活跃,800 人只活跃 5 天。

两者的平均 DAU 都是 333.3,MAU 都是 1,000,所以比值都是 33.3%。但应用 A 里没有一个人活跃超过 10 天,没有习惯型用户;应用 B 有 200 个每天都用的核心用户,还有一大批几乎不用的长尾。B 的用户日总数(200 × 30 + 800 × 5 = 10,000)和 A(1,000 × 10 = 10,000)完全相同,所以比值区分不开它们。

能区分的是每个用户活跃天数的分布:有多少人活跃 1 天、2 天,直到 30 天。这通常叫黏性直方图或活跃天数分布表。如果除了 DAU/MAU 只能多报一个数,就报「30 天里活跃至少 15 天的月活用户占比」:应用 A 是 0%,应用 B 是 20%。

场景月活用户平均 DAUDAU/MAU活跃 15 天以上
应用 A:每人活跃 10 天1,000333.333.3%0(0%)
应用 B:200 人天天用加 800 人用 5 天1,000333.333.3%200(20%)
只有核心用户2,0001,000.050.0%2,000(全部)
核心用户加一次 3,000 安装的投放5,0001,100.022.0%2,000(40%)

示例数据:平均 DAU 等于用户日总数 ÷ 30。只看比值分不出应用 A 和应用 B,活跃 15 天以上的占比可以。

为什么增长时比值会下降

产品在变好时,DAU/MAU 也可能下降,因为新用户从当天起就进入 MAU,却还没有养成习惯。示例数据:

  • 投放前:2,000 个核心用户,每人每月活跃 15 天。平均 DAU 1,000,MAU 2,000,比值 50.0%。
  • 一次投放带来 3,000 个安装,每人只在安装当天活跃。MAU 变成 5,000。平均 DAU 变成 (2,000 × 15 + 3,000 × 1) ÷ 30 = 1,100。
  • 比值变成 1,100 ÷ 5,000 = 22.0%。

核心用户一点都没变。比值掉了 28 个点,是因为分母里多了 3,000 个只来一天的访客。办法不是藏起这个数,而是拆开算:对 30 天前加入的用户(老用户,本例是 50.0%)和最近 30 天加入的用户分别计算 DAU/MAU。两个都报,用老用户评价产品,用新用户能否变成老用户评价这次投放。

反过来的情形也会出现。投放结束 30 天后,只来一天的用户从 MAU 中滑出,比值在产品没有任何改动的情况下恢复。先降后升的形状是投放效应,不是留存变化。

app.tapcub.com

四个示例应用的 DAU/MAU

示例数据,30 天窗口
应用 A(每人 10 天)33.3%
应用 B(200 人天天用加 800 人偶尔用)33.3%
只有核心用户50.0%
核心用户加 3,000 个只来一天的安装22.0%
示例数据
示例数据:2,000 个每月活跃 15 天的核心用户,再加 3,000 个只来一天的安装,比值从 50.0% 降到 22.0%,核心用户的使用没有任何变化。

DAU/MAU 多少算合适

没有通用答案,而且公开的「合适区间」很少说明活跃是怎么定义的。有用的规则是从产品本来打算多久用一次出发:

上限比值 = 预期每月活跃天数 ÷ 30。

使用节奏预期活跃天数上限比值的含义
每天一次的习惯(即时通讯、语言练习)30满值 1.0和自己的历史比;上面两份财报分别是 37% 和 69%
工作日工具(办公软件)约 21.4约 71%周末让它封顶在 70% 左右
每周使用(餐食计划、健身打卡)约 4.3约 14.3%14% 的比值已经到顶
每月一次的任务(账单、报税、对账单)13.3%3% 的比值说明产品运转正常

达成度 = 实际比值 ÷ 上限。每周使用的产品比值为 10%,达成度是 10 ÷ 14.3 = 70%;每天习惯型产品比值为 35%,达成度只有 35%。前者的结果更强,尽管它的原始比值不到后者的三分之一。如果产品本来就不是每天打开,DAU/MAU 就不该做头条数字,WAU/MAU 或某一周内活跃用户的占比才更真实。

DAU/MAU 容易误导的情形,有三个指标可以补上:周留存(是不是同一批人在回来)、人均活跃天数(上面的直方图),以及有季节性的产品用去年同月的比值。指标总览见应用参与度指标,定义见 DAU/MAU 术语页。

在 TapCub 里怎么看 DAU/MAU

拿上面的示例应用,在 iOS、Android 或小程序项目里走一遍。

  1. 读两个数。 打开 应用统计 › 用户分析 › 用户,把顶部切到活跃用户。这个标签页画出日活、周活和月活。周活是区间最后一天往前 7 天,月活是那一天往前 30 天,日活卡片显示区间内的日均值。活跃指区间内有一次启动或一次屏幕浏览。用日均值除以区间最后一天的月活,就得到按同一规则算的 DAU/MAU。
  2. 看分布。 在 全端分析 › 行为分析 › 行为分析 里打开生命周期视图,周期选周或月。黏性显示在周期内活跃 N 天的人数和占比,正是区分应用 A 和应用 B 的那张直方图。也可以指定一个事件名作为活跃定义,只算出现过该事件的天。见读懂生命周期报表。
  3. 拆新用户和老用户。 生命周期视图有「新用户」分界天数,默认 7 天,可调 1 到 90 天。范围内首次出现、且距范围结束不超过这么多天的人算新用户,其余算成熟用户,这两个数放在图旁边。设成 30 天,就能还原上面的老用户与新用户拆分。
  4. 看是不是同一批人在回来。 应用统计 › 用户分析 › 留存 有活跃留存,从某个周期的活跃用户出发,看他们之后是否仍然活跃。还没到期的格子标为「未到期」,不是零。
  5. 核对应用内的活跃用户,见查看活跃用户。

TapCub 给出这些数字,但不替你判断什么比值对你的产品算合适。用上面的上限规则,并先和自己的历史比较。

常见问题

DAU/MAU 多少算合适?

取决于产品本来打算多久用一次。用预期每月活跃天数除以 30 得到上限:每周使用的产品约 14%,工作日工具约 71%,每天习惯型产品为满值 1.0。Duolingo 在截至 2025 年 9 月 30 日的季度是 37.3%。先和自己的历史比,再看外部数字。

DAU/MAU 怎么计算?

统计 30 天窗口内每一天的去重活跃用户,取平均得到 DAU;再统计同一 30 天内至少活跃一次的去重用户,得到 MAU。DAU 除以 MAU。例如 DAU 5,050 万、MAU 1.353 亿,结果是 37.3%。两个数要用同一个活跃事件和同一个窗口。

DAU/MAU 和 DAU/WAU 有什么区别?

两者都衡量活跃用户回来的频率,只是窗口不同。DAU/WAU 是日活对过去 7 天活跃用户,WAU/MAU 是周活对月活。Google Analytics 三个比值都会给出。每周用几次的产品在 DAU/MAU 上显得偏低,在 WAU/MAU 上表现正常,所以要让比值和预期节奏匹配。

为什么我的 DAU/MAU 在下降?

常见原因是增长:新用户当天进入 MAU,却还不是每天都来的用户。上面的例子里,3,000 个只来一天的安装让比值从 50.0% 降到 22.0%,核心用户的使用没有任何变化。把 30 天前加入的用户和更新的用户分开,各自和自己的过去比。

DAU/MAU 会大于 1 吗?

定义一致时不会,因为每个日活用户同时也是月活用户。大于 1 说明 DAU 和 MAU 的口径不同,比如日均值对月初时点数,或身份规则不同。检查两者是否用了同一个活跃事件、同一种身份和同一个窗口。

资料来源

归档:数据分析

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

苏禾

数据分析师

围绕流量来源、转化漏斗与用户留存写作,重视指标口径和分析过程,用具体示例解释数字背后的问题。

查看你的应用的活跃用户和黏性

日活、周活、月活,带活跃天数分布的生命周期视图,以及新用户与成熟用户的拆分,都在同一个项目里。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie