移动应用指标,是用来判断人们有没有来、会不会回来、用得怎么样、应用稳不稳定、有没有人付费的那些数。核心的一组是 DAU 和 MAU 加黏性(DAU ÷ MAU)、次日 7 日 30 日留存、无崩溃用户率和会话率,以及 ARPDAU。本文先给出每个公式,再把一个示例应用从头算到尾,并与参照平均值和 Google Play 的 Android vitals 阈值对比。
读完你会知道
- 每个指标都要和某个东西比:另一批用户、上一个版本或商店阈值,而不是一份通用清单
- 无崩溃用户率比无崩溃会话率更严;示例中按用户 98.5%,按会话 99.0%
- Android vitals 把 1.09% 的日活用户遇到崩溃当作警戒线;示例的 1.50% 超过了这条线
哪些移动应用指标最重要,各自怎么算?
多数移动应用指标可以归结为六个问题:有没有人来,来的人回不回头,用得勤不勤,能不能稳定运行,有没有人付费,每一步花了多少钱。下表给每个指标一个公式和一条读数规则,按生命周期阶段分组。
| 阶段 | 指标 | 公式 | 变化说明什么 |
|---|---|---|---|
| 获取 | 新用户 | 周期内第一次出现的用户(重装不算新用户) | 获客有没有效果;要结合来源读 |
| 获取 | 单次安装成本 | 花费 ÷ 安装数 | 一次安装的价格,不是一个有用用户的价格 |
| 活跃 | 日活(DAU) | 某一天活跃的不同用户数 | 活跃用户的每日规模 |
| 活跃 | 月活(MAU) | 最近 30 天活跃的不同用户数 | 活跃用户的月度规模 |
| 活跃 | 黏性 | DAU ÷ MAU | 月活用户里,典型一天有多少人出现 |
| 活跃 | 每个日活的会话数 | 会话数 ÷ DAU | 一个活跃用户一天打开应用几次 |
| 留存 | 次日留存 | 一批新用户中第 1 天活跃的人数 ÷ 这批人数 | 首次体验有没有用 |
| 留存 | 7 日留存 | 第 7 天活跃的人数 ÷ 这批人数 | 第一个使用习惯有没有形成 |
| 留存 | 30 日留存 | 第 30 天活跃的人数 ÷ 这批人数 | 应用有没有长期留下来的理由 |
| 质量 | 无崩溃用户率 | 1 − 崩溃用户 ÷ 活跃用户 | 从未遇到崩溃的人占多少 |
| 质量 | 无崩溃会话率 | 1 − 崩溃会话 ÷ 全部会话 | 没有以崩溃结束的会话占多少 |
| 收入 | ARPDAU | 一天的收入 ÷ DAU | 每个活跃用户每天带来的收入 |
| 收入 | 付费率 | 付费用户 ÷ 活跃用户 | 活跃用户里有多少人付费 |
通用清单很长,有用的部分是知道一个数该和什么比:另一批用户、上一个版本,或应用商店的阈值。本文余下部分,用一个算例对留存、黏性和稳定性做这件事。
算例:一个应用,一个月
一个小应用的示例数据。这些数字只是示意,不是基准,下面的算术已重新计算。
| 项目 | 数值 | 计算 |
|---|---|---|
| 平均 DAU | 6,000 | |
| MAU | 40,000 | |
| 黏性 | 15% | 6,000 ÷ 40,000 |
| 每天会话数 | 12,000 | |
| 每个 DAU 的会话数 | 2.0 | 12,000 ÷ 6,000 |
| 新增用户批次 | 10,000 位新用户 | |
| 次日留存 | 24.0% | 2,400 ÷ 10,000 |
| 7 日留存 | 10.0% | 1,000 ÷ 10,000 |
| 30 日留存 | 4.5% | 450 ÷ 10,000 |
| 每天崩溃会话 | 120 | |
| 无崩溃会话率 | 99.0% | 1 − 120 ÷ 12,000 |
| 每天遇到崩溃的用户 | 90 | |
| 无崩溃用户率 | 98.5% | 1 − 90 ÷ 6,000 |
| 每天遇到 ANR 的用户 | 24 | 24 ÷ 6,000 = 0.40% |
| 每天收入 | 4,500 美元 | |
| ARPDAU | 0.75 美元 | 4,500 ÷ 6,000 |
| 每天付费用户 | 180 | |
| 付费率 | 3.0% | 180 ÷ 6,000 |
注意,同样的崩溃,按会话算是 99.0%,按用户算是 98.5%。一个人一天打开两次、崩溃一次,是一个崩溃用户,却只占一半的会话,所以用户口径更严。商店或看板用哪个数,决定你看起来是正常还是有麻烦。
留存:次日、7 日和 30 日
留存问的是:一批新用户里,后来还有多少比例仍然活跃。经典留存只在用户正好在第 N 天活跃时才算;「滚动」留存把第 N 天或之后活跃过的人都算上,所以总是更高。对比基准前,先看它用的是哪一种。
作为参照,Adjust 的留存术语页给出的全球平均约为:第 1 天 26%、第 7 天 13%、第 30 天 7%(页面没有写明数据年份,平均值也会随品类、平台和年份变化)。与它们对比:
| 天数 | 我们的示例 | 参照平均 | 差距 |
|---|---|---|---|
| 第 1 天 | 24.0% | 26% | 低 2.0 个百分点(参照值的 92%) |
| 第 7 天 | 10.0% | 13% | 低 3.0 个百分点(77%) |
| 第 30 天 | 4.5% | 7% | 低 2.5 个百分点(64%) |
相对差距从第 1 天到第 30 天越拉越大,说明问题出在使用习惯,而不是新手引导。决策规则:
- 次日留存低: 修首次使用。看新用户在最初几个界面停在哪里,以及第一个价值时刻。
- 次日正常、7 日低: 应用能用,但没有东西把人拉回来。看提醒、内容更新和第二次使用的体验。
- 30 日低、曲线还在下滑: 还没有稳定的核心用户。看留存曲线有没有走平;尾部平在 4% 比一路滑向 1% 好。
- 始终按批次拆开。 对比本次版本这批用户和上一个版本这批用户,而不是整个用户库和行业平均。
公式和用户批次的更深入讲解见留存指标。
示例应用各天留存
一批 10,000 位用户的占比黏性:DAU ÷ MAU 藏起来的东西
DAU 6,000、MAU 40,000,黏性是 15%:典型的一天,有 15% 的月活用户出现。它是一条有用的趋势线(是在升还是在降?),但跨不同类型的应用做对比就不太可靠,因为银行应用和游戏的自然使用频率不同。
有两点提醒。黏性可能因为用户流失而上升:如果 MAU 比 DAU 降得更快,比值上升,应用却在缩小。它也不说明是谁在活跃;先按新用户和回访用户拆开,再去读它。DAU/MAU 术语条目有公式和边界情况。
稳定性:无崩溃率和商店阈值
Firebase 把无崩溃用户率定义为:周期内使用过应用但没有遇到崩溃的用户百分比,即 1 − 崩溃用户 ÷ 全部用户;无崩溃会话率是没有以崩溃结束的会话百分比。两者都只统计致命事件,并按所选周期汇总。
在 Android 上还有一条外部的线。Google Play 的 Android vitals 定义了整体的「不良行为」阈值:在所有机型上,至少 1.09% 的日活用户遇到用户可感知的崩溃,或至少 0.47% 遇到用户可感知的 ANR(应用无响应)。Google 表示,超过整体阈值可能降低应用在各设备上的可见度,另外还列出了按设备的单独阈值。
把它用在示例上,同时记住你自己的口径可能和 Google 对「用户可感知」和日活用户的定义并不完全一致:
- 每天遇到崩溃的用户:90 ÷ 6,000 = 1.50%,高于 1.09% 这条线。
- 每天遇到 ANR 的用户:24 ÷ 6,000 = 0.40%,低于 0.47% 的线,但余地不大。
- 99.0% 的无崩溃会话率看起来很健康,所以对照商店阈值时,要看的是按用户算的比率。
决策规则:按用户算的崩溃率高于阈值时,先按版本和设备把崩溃分组,优先修最靠前的一两组;少数几类崩溃通常占了大部分受影响的用户。
| 指标 | 示例应用 | 参照 |
|---|---|---|
| 次日留存 | 24.0% | 约 26%(Adjust 术语页) |
| 7 日留存 | 10.0% | 约 13% |
| 30 日留存 | 4.5% | 约 7% |
| 每天遇到崩溃的用户 | 1.50% | 1.09% 整体线(Android vitals) |
| 每天遇到 ANR 的用户 | 0.40% | 0.47% 整体线(Android vitals) |
示例应用数据仅作示意;参照是平均值或商店阈值,不是目标。
收入和成本指标,简述
ARPDAU(示例中 0.75 美元)和付费率(3.0%)把收入拆成「多少人付费」和「每个活跃用户值多少」。如果 ARPDAU 上升而付费率下降,说明是少数大额付费者在撑这个数。单次安装成本只说明一次安装花了多少,不说明一个留存用户花了多少:30 日留存 4.5% 时,每个留存下来的用户成本约是一次安装的 22 倍(1 ÷ 0.045 = 22.2),比只看安装价格更适合判断获客。
先从哪五个开始
如果只能埋点少数几个,按它们支持的决定来选:
- 按批次看次日和 7 日留存,用于新手引导和使用习惯。
- DAU、MAU 和黏性,当作趋势线。
- 无崩溃用户率和会话率,按版本拆开,用于发版决定。
- 每个 DAU 的会话数,用来区分「用户变多」和「用得更多」。
- ARPDAU 和付费率,如果应用有收入。
每一个都要书面写清定义(什么算活跃、什么算会话、一天怎么算),并且各版本之间保持一致。所有选项的完整列表见移动应用分析。
在 TapCub 里去哪看这些
拿示例应用,到 TapCub 的应用报表里读一遍。TapCub 数的是 SDK 发来的内容,它不买量。
- 活跃用户。 在应用统计 › 用户分析 › 用户分析里,可以在新用户、活跃用户、启动次数、仅启动一次的用户和累计用户之间切换。这里画出日活、周活(7 天)和月活(30 天),主要的日活卡片是日均值,因为把一个范围加起来会重复计人。重装不算新用户。
- 留存。 在应用统计 › 用户分析 › 留存里,选新用户留存(从首日起算)或活跃留存,按日、周或月。还没到期的格子会标成「未到期」而不是零,所以新的一批用户不会看起来像出了问题。
- 稳定性。 在应用统计 › 质量与归因 › 稳定性里,无崩溃占比是 1 − 崩溃用户 ÷ 活跃用户,旁边是崩溃、ANR 和卡顿的次数,以及可以标记为活跃、已解决或已忽略的错误分组。每个版本的崩溃次数在应用统计 › 用户分析 › 版本分布,能回答「上一个版本有没有让情况变糟」。
- 按它自己的定义读 ANR。 TapCub 把 ANR 显示为 Android 上主线程被阻塞至少 5 秒,这是它自己的定义,和 Google Play 的「用户可感知 ANR」不一样,所以不要一一对应。
TapCub 不了解应用商店的排名规则;上面的阈值来自 Google 的文档,该修什么的决定仍然在你。
常见问题
哪些移动应用指标最重要?
按批次的留存(次日、7 日、30 日)、活跃用户和黏性、无崩溃用户率和会话率、每个活跃用户的会话数,以及应用有收入时每个活跃用户的收入。选那些能支持你真会做的决定的指标。
次日、7 日和 30 日留存怎么算?
取一批新用户,用第 1、7 或 30 天仍然活跃的人数除以这批人数。例如 10,000 人里有 2,400 人在第 1 天活跃,就是 24%。要看清基准用的是经典留存(正好第 N 天)还是滚动留存(第 N 天或之后)。
DAU/MAU 多少算好?
没有通用的数字,因为各类应用的自然使用频率不同。把它当作你自己应用的趋势,对比不同批次的用户,并留意比值是否只是因为 MAU 下降才上升。
无崩溃率多少算好?
对 Android,Google Play 的整体不良行为阈值是 1.09% 的日活用户遇到用户可感知的崩溃,所以按这个口径,无崩溃用户率低于约 98.9% 就有风险。要量用户,而不只是会话,因为会话会掩盖同一个人的反复崩溃。
无崩溃用户率和无崩溃会话率有什么区别?
无崩溃用户率是周期内没有崩溃的人占多少;无崩溃会话率是没有以崩溃结束的会话占多少。同一个人在多个会话里崩溃时,用户口径更严。
资料来源
- Google Play 管理中心帮助。Android vitals:整体不良行为阈值为 1.09% 的日活用户遇到用户可感知的崩溃、0.47% 遇到用户可感知的 ANR,以及对可见度的影响。核对于 2026-11-20。
- Firebase。Crash-free metrics(无崩溃指标):无崩溃用户率和无崩溃会话率的定义与公式。核对于 2026-11-20。
- Adjust。留存率术语页:第 1、7、30 天全球平均留存约 26%、13%、7%(未写明年份)。核对于 2026-11-20。
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。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

